تصور کنید یک برنامه‌نویس ارشد را استخدام کرده‌اید که تمام کتاب‌های برنامه‌نویسی دنیا را خوانده، اما فلسفه خاص شرکت شما را نمی‌شناسد و مدام روش‌های عمومی را به جای استانداردهای داخلی شما تحمیل می‌کند. این دقیقاً همان «شکاف زمینه» (Context Gap) است که زمانی رخ می‌دهد که عامل‌های کدنویس، چارچوب‌های تخصصی را مانند کتابخانه‌های عمومی ببینند و در نهایت شکست بخورند.
Total.js برای مقابله با این مشکل، یک لایه مرجع مهندسی اختصاصی برای عامل‌های هوش مصنوعی فراهم کرده است تا دیگر به بازیابی ساده‌ی مستندات یا آموزش مدل‌ها تکیه نکند. اکثر مدل‌های فعلی، زبان جاوااسکریپت و Express را به‌خوبی می‌شناسند، اما با فلسفه خاص Total.js دست‌وپنجه نرم می‌کنند. طبق گزارش این تیم، وقتی از یک عامل می‌خواهند ویژگی جدیدی بسازد، کد تولید شده ممکن است از نظر فنی درست باشد، اما اساساً «غیر Total.js» است؛ یعنی لایه‌های سرویس غیرضروری، کلاس‌های مخزن (Repository) سفارشی یا کتابخانه‌های دیتابیس خارجی را برای مسائلی معرفی می‌کند که خودِ چارچوب به‌صورت بومی آن‌ها را حل کرده است.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، تکیه بر دانش عمومی مدل بدون داشتن زمینه‌ی محیطی، منجر به خروجی‌های غیربهینه می‌شود. در Total.js، این مشکل عمیق‌تر است چون این ابزار تنها یک کتابخانه نیست، بلکه یک اکوسیستم جامع با قراردادهای خاص است. مدل‌های هوش مصنوعی معمولاً مکانیسم‌های کلیدی این چارچوب را نادیده می‌گیرند، از جمله:
- سیستم مسیریابی داخلی و مکانیسم‌های
ROUTE() - تعاریف طرح‌واره (Schema) و QueryBuilder
- ماژول‌ها، پلاگین‌ها و متغیرهای سراسری داخلی
- کمک‌کننده‌های بومی برای سیستم فایل و RESTBuilder
- مکانیسم‌های یکپارچه‌ی احراز هویت
بدون این زمینه، عامل‌ها به الگوهای عمومی Node.js بازمی‌گردند. آن‌ها ممکن است انتزاع‌های میان‌افزار سفارشی یا کلاس‌های مخزن جداگانه‌ای ایجاد کنند که با معماری موردنظر چارچوب در تضاد است. نتیجه کدی است که کار می‌کند، اما نگهداری آن دشوار است و قدرت بومی چارچوب را نادیده می‌گیرد.
به نقل از گزارشی که در ۲۴ سپتامبر ۲۰۲۶ منتشر شد، تیم Total.js این مسئله را نه یک محدودیت مدل، بلکه یک مشکل زمینه تشخیص داد. آن‌ها سه استراتژی مختلف را برای حل این بحران آزمایش کردند:
آزمایش سه رویکرد متفاوت
- تنظیم دقیق (Fine-tuning): شبیه وقتی به یک پزشک عمومی، تخصص پوست می‌دهیم تا روی یک حوزه دقیق شود. تیم Total.js آموزش یک مدل بازمتن روی برنامه‌های باکیفیت Total.js را بررسی کرد، اما این روش به دلیل هزینه بالای محاسباتی و نیاز به مجموعه‌داده‌های بسیار دقیق رد شد. این مسیر نیازمند جداسازی دقیق بین الگوهای مدرن و قدیمی است. همچنین این ریسک وجود داشت که مدل صرفاً کدها را تقلید کند، نه اصول مهندسی را بیاموزد.
- تولید بازیابی‌افزا (RAG): مثل دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد. ایندکس کردن مستندات، مثال‌ها و مخازن عمومی به مدل کمک کرد بفهمد یک API «چه کاری» انجام می‌دهد (مثلاً
ROUTE()چه است)، اما نتوانست توضیح دهد «چه زمانی» باید از آن استفاده کرد یا از ساخت چه چیزهایی در اطراف آن باید پرهیز کرد. مستندات API را توضیح می‌دهند، اما طرز فکر مهندسی را منتقل نمی‌کنند. - مخازن زمینه‌ی هوش مصنوعی: استراتژی برنده، ایجاد یک پایگاه دانش ساختاریافته به نام totaljs/aicontext بود که مستقیماً درون فضای کاری پروژه قرار می‌گیرد.
پیاده‌سازی لایه مهندسی
در این روش، دستورالعمل‌های مهندسی به عنوان شهروند درجه‌یک کدبیس شناخته می‌شوند. توسعه‌دهنده به‌جای نوشتن پرامپت‌های طولانی، مخزن aicontext را در ریشه پروژه کلون می‌کند. این کار به عامل دسترسی فوری به دستورالعمل‌های معماری، طرح‌واره‌ها، اکشن‌ها، کنترلرها، مسیریابی، دیتابیس و قابلیت‌های Real-time می‌دهد.
نکته حیاتی این است که این مخزن بر «ضدالگوها» (Anti-patterns) تمرکز دارد. مدل را مجبور می‌کند قبل از هر پیاده‌سازی صراحتاً بپرسد: «آیا Total.js مکانیسم بومی برای این کار دارد؟». این محدودیت ساده، مانع از ایجاد موارد زیر می‌شود:
- کتابخانه‌های سفارشی WebSocket
- کانتینرهای تزریق وابستگی (Dependency Injection)
- سیستم‌های داخلی سفارشی برای
require() - چارچوب‌های میان‌افزار (Middleware) خارجی
- لایه‌های سرویس یا انتزاع‌های مخزن سفارشی
در اکثر موارد، پاسخ به این سوال «بله» است و همین یک محدودیت، کیفیت کد تولید شده را به‌طور قابل توجهی بهبود می‌بخشد.
یکپارچه‌سازی در دنیای واقعی
این کتابخانه حاصل شش ماه تست تکرارشونده در محیط‌های عملیاتی است. تیم توسعه هر بار که یک عامل قراردادی را اشتباه تفسیر می‌کرد یا الگوی عمومی Node.js را جایگزین راهکار بومی می‌کرد، دستورالعمل‌ها را اصلاح می‌کرد. برخی اصلاحات دستی بود و برخی از تحلیل خطاهای تولیدی و همکاری تکرارشونده با خودِ هوش مصنوعی — از طریق تحلیل رفتار و اصلاح دستورالعمل‌ها — به دست آمد.
برای یک چیدمان عملی، توصیه می‌شود پوشه aicontext/ در کنار دایرکتوری‌های backend و frontend قرار بگیرد:
myapp/├── backend/ (برنامه Total.js)├── frontend/ (React, React Native, Flutter و غیره)├── aicontext/ (کلون شده از totaljs/aicontext)├── README.md└── ...
هنگام استفاده از عامل‌هایی مثل Codex، Claude Code یا Grok CLI، عامل می‌تواند کل فضای کاری را بررسی کند. برای مثال در Codex، اجرای دستور /init به عامل اجازه می‌دهد بر اساس فضای کاری، دستورالعمل‌های خود را در AGENTS.md بسازد. با حضور aicontext/ توسعه‌دهنده صراحتاً آن را به عنوان لایه مرجع مهندسی تعریف می‌کند، نه کد برنامه.
برای حداکثر بازدهی، باید این ساختار را با یک فایل README.md در ریشه پروژه یا یک فایل مشخصات (Specification) در قالب .md ترکیب کرد. این سند باید موارد زیر را توصیف کند:
- برنامه دقیقاً چه کاری انجام می‌دهد
- ویژگی‌های کلیدی و اصلی
- انتظارات و محدودیت‌های معماری
- زمینه منطق کسب‌وکار (Business Logic)
این ترکیب، یک زمینه سه لایه ایجاد می‌کند: مشخصات برنامه، دستورالعمل‌های مهندسی Total.js و کد منبع موجود. این روش بسیار موثرتر از یک پرامپت ساده مثل «یک بازار آنلاین با Total.js بساز» است.
پروژه‌ای در حال تکامل
مخزن totaljs/aicontext یک محصول نهایی نیست، بلکه یک راهنمای مهندسی زنده است. با تکامل Total.js و پیشرفته‌تر شدن عامل‌ها، روش‌های بیان زمینه مهندسی نیز تغییر خواهد کرد. توسعه‌دهندگان تشویق شده‌اند که این مخزن را کلون کرده و در پروژه‌های واقعی به کار بگیرند و هر شکاف یا حالت شکست (Failure mode) را گزارش کنند.
این چرخش، نقش توسعه‌دهنده را از «اصلاح کدهای خراب» به «بهبود زمینه» تغییر می‌دهد. اگر عاملی اشتباه کند، راهکار تنها تغییر کد نیست، بلکه به‌روزرسانی مخزن aicontext است تا این خطا در کل پروژه تکرار نشود.
این متدولوژی این فرض را به چالش می‌کشد که مدل‌های بهتر لزوماً کدهای تخصصی‌تری تولید می‌کنند. در واقع برای چارچوب‌های سخت‌گیر (Opinionated)، «هوش» باید در محیط پروژه باشد، نه فقط در وزن‌های مدل.
گام بعدی شما
- اگر از Total.js استفاده می‌کنید، مخزن
totaljs/aicontextرا در ریشه پروژه خود کلون کنید. - یک فایل
README.mdدقیق شامل محدودیت‌های معماری پروژه خود بنویسید تا لایه سوم زمینه تکمیل شود. - در صورت مشاهده الگوهای تکراری Node.js در خروجی عامل‌ها، دستورالعمل‌های ضدالگو را در پوشه زمینه به‌روز کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو