تصور کنید یک طراح مهندسی بازنشسته، بدون حتی یک خط دانش برنامه‌نویسی، نرم‌افزاری کاربردی برای دسکتاپ منتشر کند. کیت مالینز در کتاب خود به نام «Can't Code and Broke» که در ۸ اکتبر ۲۰۲۶ منتشر شد، ثابت می‌کند که مهارت‌های فنی دیگر سد راه تولید نرم‌افزار نیستند.
بسیاری از تازه‌کارها با هوش مصنوعی زاینده (Generative AI) — شبیه دستیاری که هر چه بگویید انجام می‌دهد اما اگر دقیق نباشید اشتباه می‌فهمد — برخورد می‌کنند و با پرامپت‌های مبهمی مثل «یک سیستم ردیابی مشتری بساز» شکست می‌خورند. طبق استدلال مالینز، این رویکرد باعث می‌شود مدل مجبور به حدس زدن جزئیات شود و در نتیجه خروجی‌های خطاآمیز تولید کند. این چالش دقیقاً همان نقطه‌ای است که ابزارهایی مانند Noesor تلاش می‌کنند با حذف حدس و گمان در طراحی معماری نرم‌افزار، مسیر تبدیل ایده‌های مبهم به ساختارهای فنی را هموار کنند. او معتقد است مهارت واقعی امروز، نه برنامه‌نویسی، بلکه فرآیند دقیق «ترجمه و اعتبارسنجی» است.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن برای گرفتن بهترین جواب — اشاره کردیم، کلید موفقیت در جزئیات نهفته است. مالینز برای تبدیل ایده به نرم‌افزار، این توالی را تجویز می‌کند:
- نقشه‌برداری دقیق: پیش از هر تعامل با هوش مصنوعی، عملکرد هر صفحه و هر دکمه را روی کاغذ بنویسید.
- راه‌اندازی محیط: یک محیط توسعه رایگان برای میزبانی کدها ایجاد کنید.
- پرامپت‌های دستوری: با مدل مانند مدیری صحبت کنید که دستورات شفاف به یک کارمند می‌دهد، نه مانند یک برنامه‌نویس.
- تست تکرارشونده: هر خروجی را بلافاصله تست کنید و هرگز فرض نکنید کد درست کار می‌کند.
- بازخورد دقیق: باگ‌ها را با جزئیات کامل توصیف کرده و دوباره به مدل برگردانید.
به نقل از مستندات این متد، این تغییر رویکرد، کاربر را از یک «پرامپت‌نویس» به یک «مدیر محصول» تبدیل می‌کند. با تمرکز بر منطق رابط کاربری به‌جای نحو زبان‌های برنامه‌نویسی، هر کسی می‌تواند ابزارهایی برای حل مشکلات شخصی یا تجاری خود بسازد. این دموکراتیزه شدن تولید نرم‌افزار در حالی رخ می‌دهد که برخی توسعه‌دهندگان حرفه‌ای در مواجهه با رقابت استرس‌زای مدل‌های زنده، در جستجوی تعادلی جدید میان سرعت و کیفیت هستند.
بر اساس بررسی این رویکرد، هزینه نمونه‌سازی (Prototyping) برای ایده‌های تجاری اکنون به صفر رسیده است. دیگر نیازی به داشتن یک هم‌بنیان‌گذار فنی یا جذب سرمایه برای تست اولیه یک مفهوم نرم‌افزاری در دنیای واقعی نیست.
گام بعدی شما
- منطق اپلیکیشن خود را ابتدا روی کاغذ یا یک ابزار نقشه ذهنی ترسیم کنید.
- از نسخه‌های رایگان مدل‌های زبانی برای تولید کد اولیه استفاده کنید.
- چرخه «تست و اصلاح» را تا رسیدن به اولین نسخه قابل استفاده (MVP) تکرار کنید.
اما داستان سخت‌افزاری اجرای این مدل‌ها حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو