اگر همین حالا در حال مدیریت یک مخزن کد (Repository) بزرگ هستید، می‌دانید که یک تغییر کوچک در یک تابع پایه می‌تواند کل سیستم را به هم بریزد. مشکل این است که عامل‌های کدنویسی فعلی اغلب «حدس می‌زنند» چه چیزی خراب می‌شود و همین‌جا توهمات خطرناک آغاز می‌شود. این چالش با کمبود «هوش محیطی» در عامل‌های کدنویس مرتبط است که باعث شکست آن‌ها در مقیاس صنعتی می‌شود.
طبق اعلام توسعه‌کننده N3MO در ۳ ژوئیه ۲۰۲۶، کدها در واقع یک گراف رابطه‌ای هستند، نه مجموعه‌ای از اسناد متنی. این ابزار برای حل مشکلی طراحی شده که در آن عامل‌ها هنگام تغییر توابع کاربردی، وابستگی‌های اشتباهی را تصور می‌کنند و مدعی به‌روزرسانی فایل‌هایی می‌شوند که اصلاً وجود خارجی ندارند. به گزارش وب‌سایت dev.to، این نوع توهمات در پروژه‌های مقیاس سازمانی منجر به ریسک‌های شدید بازگشت خطا (Regression) می‌شود.
بسیاری از عامل‌های فعلی بر پایه بردار معنایی (Embedding) — که شبیه کارت معرفی عددی برای هر واژه است و می‌گوید این کلمه همسایه‌ی چه کلمات دیگری است — یا تطبیق ساده‌ای رشته‌ها کار می‌کنند. این روش‌ها اغلب «حفاظت‌بوم» یا محدوده اثر یک تغییر را گم می‌کنند. برای مثال، تغییر امضای یک تابع ممکن است نقاط انتهایی API را در جای دیگری از پروژه خراب کند، اما یک جست‌وجوی معنایی ساده هرگز این ارتباط را پیدا نمی‌کند.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، دقت در لایه‌های زیرساختی بر حجم داده اولویت دارد. N3MO برای دستیابی به این دقت از Tree-sitter استفاده می‌کند؛ همان موتور تجزیه و تحلیلی که گیت‌هاب از آن بهره می‌برد تا کد منبع را به درخت‌های نحو انتزاعی (AST) تبدیل کند. این ساختارها سپس بدون هیچ فراخوانی از مدل زبانی بزرگ (LLM) — شبیه کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — به یک پایگاه‌داده رابطه‌ای تبدیل می‌شوند.
برای سنجش مقیاس‌پذیری، این ابزار بر روی کد منبع TensorFlow آزمایش شد و نتایج خیره‌کننده‌ای به دست آمد:
- پردازش ۱۴٬۶۱۱ فایل
- استخراج ۷۹٬۵۲۳ نماد (Symbol)
- نقشه‌برداری ۴۸۰٬۸۵۱ یال رابطه‌ای
- زمان کل ایندکس‌گذاری: ۱۴.۰۶ دقیقه
علاوه بر کاربردهای AI، این ابزار از طریق یک رابط خط فرمان (CLI) و GitHub Actions به عنوان یک بیمه برای مهندسان انسانی عمل می‌کند. این سیستم می‌تواند پیش از ادغام کد، گزارش‌های دقیق محدوده اثر تغییرات را در کامنت‌های Pull Request قرار دهد. این رویکرد به مهندسانی کمک می‌کند که کدهای «سالم» هوش مصنوعی را به دلیل بدهی فنی رد می‌کنند تا با اطمینان بیشتری تغییرات را بررسی کنند.
بزرگ‌ترین چرخش راهبردی این ابزار از طریق سرور پروتکل زمینهٔ مدل (MCP) رخ می‌دهد. با این معماری، عامل‌هایی در Cursor یا Claude Desktop می‌توانند مستقیماً از گراف قطعی استعلام بگیرند. در این حالت، عامل دیگر حدس نمی‌زند کدام فایل را تغییر دهد، بلکه «محدوده اثر ترانزیتی» دقیق را از N3MO می‌پرسد.
این رویکرد نقش هوش مصنوعی را از «حدس زدن و بررسی کردن» به «استعلام و اجرا» تغییر می‌دهد. در واقع، ثابت می‌شود که دقت ساختاری برای وظایف فنی، بسیار ارزشمندتر از پنجره‌های متنی (Context Window) بزرگ‌تر است. در همین راستا، برخی بررسی‌ها این سوال را مطرح می‌کنند که آیا اعتبارسنجی تکرار‌شونده می‌تواند جایگزین کدنویسی دستی شود یا خیر.
این ابزار هم‌کنون برای زبان‌های پایتون، JS/TS و جاوا در دسترس است و از ۲۴ زبان دیگر نیز پشتیبانی می‌کند.
گام بعدی شما
- بسته N3MO را از طریق pip نصب کنید و مخازن محلی خود را ایندکس نمایید تا گراف فراخوانی کامل کدتان را ببینید.
- سرور MCP را در Cursor فعال کنید تا از توهمات مدل در هنگام ریفکتور کردن کد جلوگیری کنید.
- گزارش‌های Blast-radius را به گردش کار GitHub Actions خود اضافه کنید تا ریسک شکست در Merge کاهش یابد.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو