تصور کنید هر دوشنبه صبح، نیمی از زمان شما صرف یادآوری دستورات ساده‌ای است که هفته پیش به هوش مصنوعی گفته بودید. طبق مستندات به‌روزرسانی‌شده‌ی Codex در ۲ اکتبر ۲۰۲۶، توهمات هوش مصنوعی لزوماً شکست در نوشتن پرامپت نیستند، بلکه نشانه‌ای از نقص در سیستم مدیریت دانش ما هستند. راز حذف خطاهای تکراری هوش مصنوعی این است که دست از تکرار دستورات در هر چت بردارید و آن‌ها را در یک دفترچه راهنمای پروژه دائمی ثبت کنید.
بسیاری از برنامه‌نویسان با پدیده‌ای به نام «رانش زمینه» (Context Drift) دست‌وپنجه نرم می‌کنند؛ وضعیتی که در آن مدل لزوماً فراموش نمی‌کند، بلکه در شروع هر جلسه جدید، دستورات خاص — مثل استفاده از npm test به‌جای npm run test — از حافظه فعالش می‌پرد. این چرخه از اصلاحات مداوم، هم زمان را تلف می‌کند و هم اعتماد کاربر به ابزار را می‌سوزاند. برای حل این مشکل، راهنمای Codex سیستمی سلسله‌مراتبی از پیکربندی را معرفی کرده است که دانش را از پنجره‌ی چت خارج کرده و به سیستم فایل منتقل می‌کند.
به نقل از این راهنما، پیش از انتقال به فایل‌های دائمی، استفاده از یک قالب چهاربخشی برای هر تسک توصیه می‌شود تا حدس و گمان مدل به حداقل برسد. به‌جای دستورات مبهم مثل «خطای صفحه ورود را رفع کن»، از این ساختار دقیق استفاده کنید:
- هدف (Goal): بیان صریح نتیجه مطلوب. مثال: «صفحه ورود هنگام ارسال، خطای ۵۰۰ می‌دهد؛ آن را اصلاح کن.»
- زمینه (Context): محل قرارگیری منطق و دستورات مورد نیاز. مثال: «ردپای خطا در error.log است؛ منطق ورود در src/login/ قرار دارد و دستور تست npm test است.»
- محدودیت‌ها (Constraints): مواردی که مدل نباید تغییر دهد یا لمس کند. مثال: «به ماژول پرداخت‌ها دست نزن؛ استایل کد فعلی را حفظ کن و هیچ وابستگی (Dependency) جدیدی اضافه نکن.»
- شرط پذیرش (Done when): تعریف قابل تأیید و عینی از موفقیت. مثال: «تست npm test کاملاً پاس شود، کاربر پس از ورود به صفحه اصلی هدایت شود و خطا دیگر تکرار نشود.»
در مواردی که تسک بیش از حد مبهم است و توصیف آن دشوار است، راهنما استراتژی «وارونه کردن مصاحبه» را پیشنهاد می‌دهد. به‌جای حدس زدن نیازمندی‌ها، به مدل بگویید: «می‌خواهم یک ابزار گزارش هفتگی کوچک برای تیمم بسازم اما نیازمندی‌ها مبهم است. هنوز شروع نکن؛ ۵ سؤال از من بپرس، پیش‌فرض‌هایم را به چالش بکش و سپس پاسخ‌های من را به یک لیست نیازمندی‌های دقیق و عملیاتی تبدیل کن.»
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدیریت حافظه در مدل‌های زبانی اشاره کردیم، پایداری بلندمدت نیازمند ساختاری است که در آن نزدیک‌ترین فایل به کد، اولویت داشته باشد. Codex از یک سلسله‌مراتب حافظه لایه‌بندی شده استفاده می‌کند تا تداخلات را مدیریت کند:
- شخصی (Personal): تنظیمات پیش‌فرض کاربر که در مسیر
~/.codex/config.tomlذخیره می‌شوند. - مخزن (Repo): رفتارهای مشترک در سطح تیم که در فایل
.codex/config.tomlتعریف می‌شوند. - محلی (Local): بازنویسی تنظیمات (Overrides) در زیرپوشه‌های خاص برای تغییر رفتار مدل در بخش‌های مختلف پروژه.
قلب این سیستم، فایل AGENTS.md است. این دفترچه راهنمای پروژه که با دستور /init ساخته می‌شود، سندی زنده از قراردادهای تیم است. این فایل تعریف می‌کند که برنامه چگونه اجرا شود، تست‌ها چطور باشند، چه بخش‌هایی ممنوعه هستند و معنای واقعی «اتمام کار» چیست. این رویکرد شباهت زیادی به قابلیت جدید OGAD برای مدیریت محیط‌های کاری دارد که هدف آن حذف تکرار قوانین در محیط‌های توسعه است. طبق اعلام Codex، هرگاه مدل یک اشتباه را برای دومین بار تکرار کرد، کاربر نباید صرفاً آن را اصلاح کند، بلکه باید یک جلسه بازبینی (Retrospective) برگزار کرده و AGENTS.md را به‌روز کند تا آن خطا برای بار سوم هرگز رخ ندهد.
پیاده‌سازی این رویکرد در پنج پله تعریف شده است تا قابلیت‌های مدل به‌صورت ساختاریافته ارتقا یابد:
- پله ۱ (حالت برنامه‌ریزی): استفاده از دستور
/planیا کلید میانبرShift+Tabبرای جمع‌آوری زمینه و تدوین پیش‌نویس برنامه پیش از دست زدن به کد. - پله ۲ (ساختار AGENTS.md): استفاده از دستور
/initبرای ایجاد اسکلت‌بندی دفترچه راهنمای پروژه. - پله ۳ (تنظیم یک‌باره): تنظیم اهرم‌های ایمنی. ابتدا با «حالت تأیید» (Approval Mode - زمانی که مدل از شما اجازه می‌گیرد) و «حالت محیط ایزوله» (Sandbox Mode - تعیین آنچه مدل می‌تواند بخواند یا بنویسد) شروع کنید. تنها پس از جلب اعتماد کامل، این محدودیت‌ها را شل کنید.
- پله ۴ (بستن حلقه): به‌جای پذیرش ساده‌ی ادعای «کار تمام شد»، از دستور
/reviewبرای بررسی تغییرات به سبک Pull Requestها (چه برای تغییرات ثبت‌نشده و چه برای کامیت‌های تک‌گانه) استفاده کنید. - پله ۵ (بسته‌بندی تکرارها): استفاده از پروتکل زمینه مدل (Model Context Protocol یا MCP) برای اتصال به زمینه‌های خارجی و تبدیل پرامپت‌های تکراری به «مهارت‌ها» (Skills).
برای تضمین کیفیت، راهنما یک «حلقه بسته» (Closed Loop) را پیشنهاد می‌دهد که در آن مدل نباید فقط ادعا کند تسک انجام شده است. مدل باید تست‌ها را بنویسد، آن‌ها را اجرا کند، استانداردهای کدنویسی (Linting) را پاس کند و در نهایت تفاوت‌ها (Diff) را بررسی نماید. این یک استاندارد سطح بالاست؛ راهنما اشاره می‌کند که در OpenAI، مدل Codex برای حفظ این سخت‌گیری، ۱۰۰٪ درخواست‌های تغییر کد (PR) را بازبینی می‌کند. این دقت در بازبینی برای جلوگیری از چرخه‌های تست بی‌نهایت در Codex حیاتی است تا از اتلاف منابع جلوگیری شود.
در مورد زمینه‌های خارجی تکراری، استفاده از MCP توصیه می‌شود تا حلقه‌های دستی حذف شوند. البته هشدار داده شده که از ابزارزدگی (Over-tooling) پرهیز کنید؛ پیشنهاد می‌شود با یک ابزار MCP که بیشترین حجم کار را کم می‌کند شروع کنید، نه اینکه بیست ابزار را هم‌زمان مستقر کنید. دیسیپلین رسمی این است: «مهارت‌ها روش را تعریف می‌کنند و تسک‌های زمان‌بندی‌شده، جدول زمانی را». هرگز گردش کاری را زمان‌بندی نکنید که پیش‌تر به‌صورت دستی اجرا نشده و پایدار نشده باشد. این سطح از اتوماسیون ساختاریافته است که اجازه می‌دهد پروژه‌های عظیم، مانند تولید بسته آموزشی ریاضی با Codex، در زمان‌های کوتاه و با قابلیت حسابرسی کامل به سرانجام برسند.
این چرخش در عمل به این معناست که نقش توسعه‌دهنده از «نویسنده پرامپت» به «معمار سیستم» تغییر می‌کند. شما دیگر یک گفتگو را مدیریت نمی‌کنید، بلکه دفترچه راهنمای پروژه‌ای را مدیریت می‌کنید که هوش مصنوعی به‌طور خودکار آن را مصرف می‌کند.
اگر هر دوشنبه با همان باگ‌های تکراری هوش مصنوعی می‌جنگید، با اجرای /init در دایرکتوری ریشه شروع کنید. ابتدا در محیط ایزوله پیش‌فرض اعتماد ایجاد کنید و سپس دسترسی‌ها را باز کنید. همچنین برای جلوگیری از تداخل تسک‌های موازی و فاسد شدن فایل‌ها، از Git worktrees استفاده کنید. در نهایت، از باز کردن یک چت برای کل پروژه بپرهیزید؛ برای هر تسک منسجم یک چت مجزا باز کنید و وقتی حجم جلسه زیاد شد، دستور /compact را اجرا کنید تا زمینه بهینه شود.
گام بعدی شما
- دستور
/initرا در پروژه فعلی خود اجرا کنید تا ساختار AGENTS.md ایجاد شود. - اولین خطای تکراری مدل را شناسایی کرده و راهکار رفع آن را در دفترچه راهنما ثبت کنید.
- برای تسک‌های پیچیده، از استراتژی «وارونه کردن مصاحبه» استفاده کنید تا نیازمندی‌ها دقیق شوند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو