تصور کنید دو برنامه‌نویس از یک مدل یکسان استفاده می‌کنند؛ یکی با خروجی‌های متناقض دست‌وپنجه نرم می‌کند و دیگری به دقت میلی‌متری می‌رسد. تفاوت این دو در «حس» آن‌ها نیست، بلکه در توانایی نام‌بردن دقیق از مکانیزم‌هایی است که مدل باید به کار بگیرد. به نقل از یک تحلیل منتشرشده در ۱۶ اکتبر ۲۰۲۶ در وب‌سایت dev.to، تسلط بر هوش مصنوعی نه در گروی بهبود «وایب» یا حس کلی پرامپت، بلکه در گروی تسلط بر نام‌های تخصصی الگوها و سبک‌هاست.
زمینه و مفهوم «کدنویسی حسی»
این تغییر رویکرد، پاسخی است به سرخوردگی رایجی که در آن خروجی‌های هوش مصنوعی «نامناسب» به نظر می‌رسند اما توصیف آن‌ها دشوار است. نویسنده این وضعیت را به تست شراب تشبیه می‌کند؛ یک متخصص می‌تواند پیچیدگی، لایه‌ها و تعادل طعم‌ها را توصیف کند، در حالی که یک تازه‌کار فقط می‌داند که شراب را دوست دارد اما نمی‌تواند دلیلش را بگوید.
همین شکاف توضیح می‌دهد که چرا اصطلاح Vibe Coding (کدنویسی حسی) تا این حد دچار سردرگمی و بار معنایی متناقض شده است. برای برخی، این اصطلاح به معنای پرامپت‌نویسی کورکورانه و بدون هیچ‌گونه دقت مهندسی است. برای برخی دیگر، این صرفاً به معنای استفاده از زبان طبیعی به‌جای تایپ خط‌به‌خط سینتکس و دستورات برنامه‌نویسی است.
همان‌طور که در پوشش پیشین ما درباره‌ی مدل‌های با وزن‌های باز (Open-Weight AI Models) اشاره کردیم که با دموکراتیزه کردن دسترسی به قابلیت‌های سطح بالا، آزمایشگاه‌های پیشرو را به چالش کشیده‌اند، اکنون تمرکز از قدرت خام مدل‌ها به توانایی کاربر در هدایت آن‌ها تغییر یافته است.
جزئیات فنی و مکانیزم‌ها
بر اساس گزارش dev.to، فاصله میان یک کد «زباله» و یک معماری قابل نگهداری، صرفاً در ترمینولوژی و واژگان تخصصی است. اگر شما یک خط لوله داده ساده را بخواهید — مثلاً کدی که داده را از سرویس A بگیرد، آن را تغییر دهد و در یک انبار داده (Warehouse) ذخیره کند — هوش مصنوعی معمولاً یک «متد خدای» (God-method) ۵۰۰ خطی تولید می‌کند که هیچ انتزاعی ندارد و مستقیماً فراخوانی‌های درون‌خطی به دیتابیس می‌زند.
برای حل این مشکل و تبدیل کد به یک ساختار مهندسی، نویسنده پیشنهاد می‌کند از نام‌های مهندسی دقیق استفاده کنید، مانند:
- DAO (اشیای دسترسی به داده) و کلاس‌های سرویس کلاینت برای جداسازی اثرات جانبی (Side Effects).
- IoC (وارونگی کنترل) و DI (تزریق وابستگی) برای افزایش قابلیت تست‌پذیری کد.
- مدل‌های داده مدالین (Medallion Data Models) با استفاده از SCD نوع ۲ (ابعاد به‌کندی تغییرکننده) برای ردیابی تغییرات تاریخی و تحلیل روندها در طول زمان.
کاربرد در رشته‌های مختلف
این اصل فراتر از مهندسی نرم‌افزار، در هنرهای بصری و نوشتاری نیز کاربرد دارد. درخواست یک سبک «کتاب داستان قدیمی» معمولاً نتایج غیرقابل‌پیش‌بینی و متناقضی می‌دهد، اما تعیین سبک آرت نووو (Art Nouveau) یک لنگر دقیق برای مدل ایجاد می‌کند تا خروجی را بر اساس قواعد بصری مشخصی بسازد.
به همین ترتیب، جایگزینی درخواست‌های مبهم برای متنی «مختصر و بدون ابهام» با تقاضا برای انگلیسی فنی ساده‌شده (Simplified Technical English)، زوائد متنی را حذف می‌کند و مانع از آن می‌شود که مستندات فنی شبیه به متون ادبی و پرزرق‌وبرق (مانند سبک Edema Ruh) به نظر برسند.
این موضوع نشان می‌دهد که ارزشمندترین مهارت در عصر هوش مصنوعی، دیگر «مهندسی پرامپت» (Prompt Engineering) — به معنای یافتن عبارات جادویی — نیست، بلکه بازگشت به مطالعه مبانی است. نویسنده اکنون زمان بیشتری را صرف مطالعه هنر و سبک‌های نوشتاری می‌کند تا بتواند متونی متناسب با هدف تولید کند. در این مسیر، هوش مصنوعی به یک مدرس تبدیل می‌شود؛ کاربر می‌تواند تصویری را آپلود کند و درباره سبک هنری آن بپرسد تا نام‌های پایه و تخصصی را بیاموزد.
برای کسانی که می‌خواهند این شکاف را پر کنند، نویسنده پروژه Semantic Anchors را توصیه می‌کند؛ پروژه‌ای که برای فهرست‌بندی نام الگوها و مفاهیمی طراحی شده که دقت پرامپت‌نویسی را بالا می‌برند.
در نهایت، بحث بر سر Vibe Coding در واقع سوءتفاهمی در مورد قصد کاربر است. نویسنده این وضعیت را به شخصیت «تابورلین بزرگ» در رمان The Kingkiller Chronicle تشبیه می‌کند که با دانستن «نام واقعی» باد و سنگ، آن‌ها را فرمان‌بردار می‌کرد. کارایی واقعی زمانی حاصل می‌شود که نام واقعی الگوی معماری یا سبک هنری مورد نیازتان را بدانید و هوش مصنوعی را از یک تولیدکننده تصادفی به یک ابزار دقیق تبدیل کنید.
گام بعدی شما
- به‌جای توصیف ویژگی‌های بصری یا ساختاری، نام‌های استاندارد صنعتی (مانند الگوهای طراحی GoF در کدنویسی) را جایگزین کنید.
- از مدل‌های زبانی بخواهید سبک یا الگوی موجود در یک نمونه موفق را شناسایی و نام‌گذاری کنند تا در پرامپت‌های بعدی از آن نام استفاده کنید.
- فهرست‌های ترمینولوژی تخصصی حوزه کاری خود را به‌عنوان «لنگرهای معنایی» در یک سند ذخیره کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو