اگر برنامه‌نویس مستقلی هستید که از پیشنهادهای همیشگی هوش مصنوعی برای ساخت یک پروژه کامل React برای یک ماشین‌حساب ساده خسته شده‌اید، حالا می‌توانید Claude را مجبور کنید تا دست از مهندسی بیش‌ازحد بردارد. در ۱۸ ژوئن ۲۰۲۶، توسعه‌دهنده‌ای به نام DarkenAmber مجموعه‌ای از «مهارت‌های کلود» (Claude Skills) را در گیت‌هاب منتشر کرد تا مسیر ساخت ابزارهای وب سبک و آفلاین را هموار کند.
بیشتر دستیارهای کدنویسی به‌صورت پیش‌فرض روی استک‌های مدرن وب تمرکز دارند. طبق گزارش dev.to، این مدل‌ها اغلب پیش از نوشتن حتی یک خط منطق برنامه، لیستی از وابستگی‌ها در package.json و تنظیمات پیچیده TypeScript و پیکربندی webpack را پیشنهاد می‌دهند. این وضعیت برای توسعه‌کنندگانی که می‌خواهند یک محصول مینیمال (MVP) را فوراً عرضه کنند، ایجاد اصطکاک می‌کند. با استفاده از مجموعه‌ای از قوانین خاص، می‌توان استدلال مدل را از «مقیاس سازمانی» به «کاربرد فوری» تغییر داد.
مفهوم یک «مهارت»
طبق گزارش dev.to، این «مهارت‌ها» صرفاً پرامپت یا پیام‌های سیستمی نیستند، بلکه فایل‌های Markdown با فرانت‌متر YAML هستند که نحوه اولویت‌بندی تصمیمات هوش مصنوعی را شکل می‌دهند. یک مهارت در واقع مجموعه‌ای از قوانین قابل استفاده مجدد است که طرز فکر کلود را برای یک زمینه (Context) خاص تغییر می‌دهد.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی بهینه‌سازی گردش کار با مدل‌های زبانی اشاره کردیم، محدود کردن فضای تصمیم‌گیری مدل، کیفیت خروجی را بالا می‌برد. در اینجا، این قوانین شبیه به دستورالعمل‌های سخت‌گیرانه‌ای هستند که به مدل می‌گویند در یک محیط خاص، چه چیزهایی «ممنوع» و چه چیزهایی «الزامی» است.
بر اساس مستندات منتشر شده، نویسنده با این روش چهار محصول واقعی ساخته است که همگی تنها یک فایل .html هستند و بدون نیاز به سرور، فوراً باز می‌شوند:
- DarkenAmber IT Tools: بیش از ۱۷ ابزار توسعه‌دهنده که تنها در ۱۹۴ کیلوبایت جای گرفته‌اند.
- ZeroOffice: مجموعه‌ای از ابزارهای PDF، تصویر و هوش مصنوعی.
- PrivacyKit: ابزارهای حریم‌خصوصی عکس که نیازی به آپلود فایل ندارند.
- ElectroKit: یک ماشین‌حساب الکتریکی با تخمین هزینه برای بازار CIS.
دو مهارت کلیدی
این متدولوژی بر دو مهارت اصلی استوار است:
اول، single-file-app است که استفاده از جاوااسکریپت خالص (Vanilla JS)، استایل‌های داخلی CSS و حافظه محلی (localStorage) برای ماندگاری داده‌ها را اجباری می‌کند. این مهارت صراحتاً ساخت پوشه‌های src/ یا استفاده از npm را ممنوع می‌کند، مگر در مواردی که کاملاً توجیه‌پذیر باشد. همچنین مواردی مثل دسترسی‌پذیری (برچسب‌های ARIA، پیمایش با کیبورد) و جلوگیری از حملات XSS برای ورودی‌های کاربر را به‌صورت پیش‌فرض در کد می‌گنجاند. علاوه بر این، تشخیص تنظیمات سیستم برای تم‌های تیره/روشن و قابلیت خروجی/ورودی (Export/Import) برای داده‌های کاربر را فراهم می‌کند.
دوم، مهارت ship-it است که مدل را به سمت «عرضه سریع» در مقابل «برنامه‌ریزی طولانی» سوق می‌دهد. به‌جای اینکه مدل توسعه‌دهنده را با درخواست‌های بازسازی کد (Refactoring) یا مقیاس‌پذیری متوقف کند، یک جدول مقایسه‌ای از مزایا و معایب ارائه می‌دهد. برای مثال، اگر کاربر بگوید «باید آن را مقیاس‌پذیر کنیم»، مدل با کمی‌سازی تعداد روزهای اضافی مورد نیاز در برابر نبودِ فعلی کاربران، پاسخ می‌دهد. اگر کاربر بازسازی کد پیش از عرضه را پیشنهاد دهد، مدل انتخابی بین «کد تمیزتر با بازخورد تأخیری» یا «اعتبارسنجی سریع‌تر با کد نامنظم‌تر» ارائه می‌کند.
نکته کلیدی این است که در مهارت ship-it بخشی تحت عنوان «چه زمانی استفاده نکنید» (Do NOT use when) وجود دارد. به نقل از نویسنده، مدل دستور گرفته است که در موارد مربوط به پرداخت‌ها و صورت‌حساب‌ها، احراز هویت و لایسنسینگ، یا عملیات‌های غیرقابل‌بازگشت داده‌ها، بایاس «سرعت» را نادیده بگیرد تا از بروز حفره‌های امنیتی خطرناک جلوگیری شود.
پیاده‌سازی و تکرار
این رویکرد نقش هوش مصنوعی را از یک «تصمیم‌گیرنده» به یک «مشاور» تغییر می‌دهد. با نمایش هزینه هر گزینه — مثلاً انتخاب بین یک تست دستی سریع (Smoke Test) در حال حاضر یا نوشتن تست‌های کامل پس از اعتبارسنجی — کنترل نهایی در دست برنامه‌نویس می‌ماند. نویسنده اشاره می‌کند که هر دو مهارت برای رسیدن به این دقت و ظرافت‌ها، بیش از ۳ دور بازبینی را پشت سر گذاشته‌اند.
برای کاربر، این یعنی پایان «خستگی از کدهای تکراری» (Boilerplate Fatigue). محدودیت‌هایی مثل اجبار به تک‌فایله بودن، در واقع باعث شفافیت بیشتر کد می‌شود؛ چون هر خط کد باید دلیل وجودش را ثابت کند و جایگاه خود را در پروژه به دست آورد.
برای پیاده‌سازی، کاربران می‌توانند فایل‌های SKILL.md را از طریق bash در یک فایل CLAUDE.md قرار دهند (curl کنند) یا محتوا را در بخش دستورالعمل‌های پروژه در Claude.ai کپی کنند. این کار باعث می‌شود قوانین در تمام جلسات مختلف باقی بمانند و نیازی به تکرار پرامپت نباشد.
توسعه‌دهندگان اکنون می‌توانند این قوانین را در گیت‌هاب تحت لایسنس MIT بررسی کنند تا ببینند آیا یک محیط محدودشده می‌تواند سرعت عرضه (Shipping Velocity) آن‌ها را بهبود بخشد یا خیر.
گام بعدی شما
- مجموعه‌ی مهارت‌های DarkenAmber را در گیت‌هاب بررسی کنید تا با ساختار YAML آن‌ها آشنا شوید.
- سعی کنید یک ابزار ساده (مثل تبدیل‌کننده واحد) را با محدودیت «تک‌فایله» از Claude بخواهید.
- قوانین
ship-itرا برای مدیریت زمان در پروژه‌های کوچک خود به کار ببرید.
ama تأثیر این محدودیت‌ها بر کیفیت کد در مقیاس بزرگ‌تر بحث‌برانگیز است — در تحلیل ما درباره‌ی تضاد بین سرعت عرضه و بدهی فنی، این موضوع را بررسی کرده‌ایم.
گفتگو