اگر یک مخزن کد (Repository) با میلیون‌ها خط مدیریت می‌کنید، احتمالاً ابزارهای فعلی هوش مصنوعی شما را ناامید کرده‌اند. این سیستم‌ها معمولاً بر پایه خط لوله‌های بردار معنایی (Embedding) — که مثل کارت معرفی عددی برای هر واژه است و می‌گوید این کلمه همسایه‌ی چه کلمات دیگری است — کار می‌کنند؛ اما این روش نمی‌تواند سرعت تغییرات تیم‌های مهندسی را دنبال کند و نتیجه‌اش توهمات مدل بر اساس کدهای قدیمی است.
به نقل از مستندات Anthropic در ۱۵ مه ۲۰۲۶، ابزار Claude Code برای پیمایش سیستم‌های قدیمی و حجیم در زبان‌هایی مثل C++ و Java، دیگر به یک ایندکس مرکزی نیاز ندارد. همان‌طور که در تحلیل قبلی ما درباره‌ی کاهش زمان پذیره‌نویسی بیمه در PwC توسط Claude اشاره کردیم، تمرکز این شرکت اکنون از خروجی‌های متنی به بهینه‌سازی محیط محلی برنامه‌نویس تغییر کرده است.
این ابزار به جای بازیابی تکه‌های متن از یک پایگاه داده، از جست‌وجوی عامل‌محور (Agentic) استفاده می‌کند. این روش شبیه به کارمندی است که فقط دستور نمی‌گیرد، بلکه خودش تصمیم می‌گیرد برای رسیدن به هدف چه ابزاری را به چه ترتیبی به کار ببرد تا بتواند مثل یک مهندس انسان، فایل‌ها را پیمایش کند. برای پایداری این روند، Anthropic یک «هارنس» یا چارچوب پنج‌بخشی را معرفی کرده است:
- فایل‌های CLAUDE.md: لایه‌هایی از متون راهنما برای تعریف قراردادهای خاص هر پروژه.
- قلاب‌ها (Hooks): اسکریپت‌هایی برای خودکارسازی بررسی خطاها یا ثبت آموخته‌های هر جلسه.
- مهارت‌ها (Skills): تخصص‌های فراخوانی‌شونده برای کارهای خاص، مثل بررسی‌های امنیتی.
- پلاگین‌ها: پیکربندی‌های بسته‌بندی شده برای جلوگیری از پراکندگی دانش تیمی.
- سرورهای MCP: اتصال‌های مستقیم به APIهای داخلی و سیستم‌های تیکتینگ.
طبق گزارش این شرکت، Claude Code برای دقت بالاتر با پروتکل سرور زبان (LSP) یکپارچه شده است. LSP مثل یک نقشه دقیق از تمام اتصالات یک شهر است که دقیقاً می‌گوید هر خیابان به کجا می‌رسد؛ این قابلیت به مدل اجازه می‌دهد به جای جست‌وجوی ساده‌ی متنی، بر اساس «نمادها» (Symbols) جست‌وجو کند تا در پروژه‌های عظیم، هزاران نتیجه‌ی اشتباه تولید نکند.
این چرخش نشان می‌دهد که ما از «عصر مدل» به «عصر هارنس» رسیده‌ایم. دیگر برنده کسی نیست که بالاترین نمره بنچمارک را دارد، بلکه کسی پیروز است که زیرساخت محیطی بهتری برای مدل ساخته است. ما شاهد ظهور نقش «مدیر عامل‌های هوش مصنوعی» هستیم؛ ترکیبی از مدیر محصول و مهندس که وظیفه‌اش نگهداری از این اکوسیستم است.
گام بعدی شما
- خوانایی مخزن کد خود را بررسی کنید و نقاط ابهام را شناسایی کنید.
- یک سلسله‌مراتب لایه‌ای از فایل‌های CLAUDE.md را پیاده‌سازی کنید تا اثر جست‌وجوی عامل‌محور را بسنجید.
- بررسی کنید آیا ابزارهای فعلی شما هنوز بر پایه تولید بازیابی‌افزا (RAG) — که مثل دانش‌آموزی است که قبل از جواب دادن، اول کتاب را باز می‌کند — هستند یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو