تصور کنید برای ساخت یک سامانه SaaS، تمام اعتماد خود را به هوش مصنوعی می‌سپارید، اما هر بار که کد می‌گیرد، قوانین بازی را عوض می‌کند. اگر امروز از Claude Code برای توسعه بک‌اند استفاده می‌کنید، احتمالاً با هزینه‌های استنتاج (Inference) — که شبیه کرایه آشپزخانه صنعتی است و هرچه دستور پخت سنگین‌تر باشد، هزینه هر وعده بیشتر می‌شود — بسیار بیشتر از حد انتظار مواجه می‌شوید. این موضوع با چالش‌های مالی پیشین همسو است؛ جایی که هزینه استنتاج Claude Code به دلیل کف توکنی بالا مورد بحث قرار گرفته بود.
طبق گزارش منتشرشده در dev.to در تاریخ ۲۸ جولای ۲۰۲۶، یک محک (Benchmark) روی ۳۶ جلسه توسعه نشان داد که مدل opus-4-8 هنگام کدنویسی از صفر، در معماری سیستم دچار تناقض می‌شود. این مدل مدام اسکیماهای احراز هویت و صورت‌حساب را بازطراحی می‌کند و باعث می‌شود APIها در هر اجرا شکل متفاوتی بگیرند.
این بی‌ثباتی، سدی بزرگ برای توسعه‌گرانی است که می‌خواهند کدهای تولیدشده توسط AI را به محیط عملیاتی منتقل کنند. همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، مشکل اصلی همچنان پایداری لایه زیرساختی است. بدون یک استاندارد مشترک، مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — هر جلسه جدید را به عنوان یک صفحه سفید می‌بینند و تصمیمات معماری قبلی را فراموش می‌کنند. این پدیده دقیقاً همان فساد دستورالعمل‌هایی است که تیم‌ها برای جلوگیری از آن باید قوانین پرامپت‌ها را نسخه‌بندی کنند.
بر اساس مستندات این بنچمارک، سه سناریوی مختلف (ساخت از صفر، بارگذاری کامل مهارت‌ها و استفاده از Fonderie) مقایسه شدند. نتایج به‌دست‌آمده تکان‌دهنده است:
- مصرف توکن: اجرای کدها از حالت صفر، حدود ۳ برابر توکن بیشتری در هر نوبت مصرف کرد.
- امنیت: در ۶۶٪ از موارد (۲ مورد از ۳ مورد)، مدل رمزهای JWT را به‌صورت Hardcode در متن کد جاسازی کرد.
- کارایی: اجرای کدها با Fonderie تنها یک‌سوم کد تولید کرد، در حالی که فشار کمتری به پنجره متنی (Context Window) — که مثل میز کاری است و فقط جای چند ورق دارد — وارد می‌شد.
Fonderie به عنوان یک مهارت بک‌اند متن‌باز عمل می‌کند و یک «قالب استاندارد» برای قابلیت‌های رایج مثل پرداخت‌های Stripe و مدیریت دسترسی‌ها (RBAC) ارائه می‌دهد. در این حالت، مدل به‌جای حدس زدن روش پیاده‌سازی، قطعات تأییدشده را با دستوراتی مثل npx create-fonderie-app فراخوانی می‌کند.
این چرخش نشان می‌دهد فاز بعدی کدنویسی AI، مدل‌های بزرگ‌تر نیست، بلکه «مهارت‌های استاندارد» است که خلاقیت مدل را برای رسیدن به قابلیت اطمینان مهار می‌کند. توسعه‌گران باید از پرامپت‌های خام فاصله بگیرند و به سمت چارچوب‌های ماژولار بروند تا جلوی توهم (Hallucination) — یعنی وقتی مدل با اطمینان چیزی را می‌گوید که وجود ندارد، شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — در مسائل امنیتی بگیرند. این رویکرد به ویژه برای کسانی که به دنبال اجرای خودکار و طولانی‌مدت Claude Code هستند حیاتی است تا از فروپاشی ساختاری پروژه جلوگیری کنند.
گام بعدی شما
- مخزن گیت‌هاب Fonderie را بررسی کنید تا نقاط شکست مدل در ساخت‌های بدون استاندارد را ببینید.
- شروع به استفاده از ابزارهایی کنید که خروجی AI را در قالب «قطعات پیش‌ساخته» (Bricks) محدود می‌کنند.
- استراتژی پرامپت‌نویسی خود را از «توصیف کل سیستم» به «فراخوانی استانداردهای تعریف‌شده» تغییر دهید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو