«فقدان لذت فکری»؛ بهای توسعهٔ نرم‌افزار با عامل‌های هوش مصنوعی

تصور کنید سال‌ها با دقتِ جراحی، هر خط کد را در محیط Vim تایپ کرده‌اید و حالا ناگهان متوجه می‌شوید که دیگر نیازی به باز کردن ویرایشگر متن ندارید. این کابوس یا رویای یک برنامه‌نویس باسابقه است که اخیراً پلتفرمی پیچیده را بدون نوشتن حتی یک خط کد، تنها با هدایت هوش مصنوعی منتشر کرده است.

به نقل از گزارشی مفصل که در ۲۳ سپتامبر ۲۰۲۶ در وب‌سایت dynamicallytyped.org منتشر شد، این نویسنده که دارای مدرک دکتری در فیزیک ابزاردقیق است، توصیف می‌کند که چگونه از یک «نویسندهٔ کد» به «مدیر مجموعه‌ای از عامل‌ها» تبدیل شده است که همه چیز، از معماری تا تست را مدیریت می‌کنند.

مسیر توسعه‌دهنده

پیشینه نویسنده ریشه در کنجکاوی فنی عمیق دارد. او پس از کسب مدرک دکتری در فیزیک ابزاردقیق، به طور مستقل وارد دنیای توسعه نرم‌افزار شد. این یک سفر برخاسته از اشتیاق بود؛ او هر منبع موجود را مطالعه کرد و از طریق کنفرانس‌ها و پروژه‌های متن‌باز مانند Mojolicious با جامعه برنامه‌نویسان تعامل داشت.

تخصص او بر پایه پروتکل‌های سطح پایین و الگوهای ناهمگام (async) بنا شده بود. او در طیف گسترده‌ای از زبان‌ها از جمله Perl، PHP، Python، Node و Java مهارت یافت. برای سال‌ها، او به طور کامل از IDEها دوری می‌کرد و دقت محیط Vim را ترجیح می‌داد. در سال‌های اخیر، او مهارت‌های خود را به حوزه Kubernetes گسترش داد و از منتورینگ و راهنمایی همکاران جوان‌تر لذت می‌برد.

چرخش به سمت برنامه‌نویسی با هوش مصنوعی

این تغییر در حالی رخ می‌دهد که صنعت از تکمیل‌کننده‌های سادهٔ متنی (LLM autocomplete) به سمت توسعهٔ نرم‌افزار عامل‌محور (Agentic Software Development) حرکت می‌کند. این تحول در واقع بخشی از یک روند گسترده‌تر است که در آن ماهیت توسعه‌دهندگان در عصر مقیاس‌پذیری تغییر کرده و آن‌ها از کدنویس به مدیر تبدیل می‌شوند. برای سال‌ها، کدنویسی با هوش مصنوعی به عنوان منبع تولید «زباله» (slop) شناخته می‌شد؛ کدهایی با سینتکس توهمی و منطق شکسته. نویسنده به یاد می‌آورد که یکی از دوستانش سعی کرد با ChatGPT یک وب‌اپلیکیشن Mojolicious بسازد، اما نتیجه کدی در زبان Perl بود که از نظر سینتکس غلط بود و اصلاً اجرا نمی‌شد.

با این حال، ظهور گردش‌کارهای چندعاملی در بهار ۲۰۲۶ بازی را تغییر داد. نویسنده متوجه شد همکارانش چالش‌هایی را می‌پذیرند که به نظر می‌رسید فراتر از توانایی‌هایشان است، اما آن‌ها را با سرعتی خیره‌کننده به پایان می‌رساندند. نقطه عطف در «آن جلسه» رخ داد؛ جایی که یک همکار سیستمی متشکل از چندین عامل را نمایش داد که در tandem (به صورت هماهنگ) کار می‌کردند: یک عامل برای ایجاد تغییرات، عامل دوم برای تست کردن آن، و عامل سوم برای بازبینی همزمان تغییرات و تست‌ها تا اطمینان حاصل شود که درخواست اولیه دقیقاً برآورده شده است.

مکانیسم ساخت عامل‌محور

نویسنده اشاره می‌کند که نرم‌افزار به طور منحصر‌به‌فردی برای هوش مصنوعی مناسب است زیرا ذاتاً «قابلیت تست» دارد. برخلاف نویسندگی خلاق که باز است و برای تعیین موفقیت به بازخورد کاربر نیاز دارد، کد دارای یک وضعیت باینری (موفقیت یا شکست) بر اساس ورودی‌ها و خروجی‌های مشخص است.

• تکرار در حلقهٔ بسته: عامل‌ها می‌توانند روی یک قطعه کد آن‌قدر تکرار و اصلاح انجام دهند تا از یک تست عینی عبور کند. این مکانیسم عملاً مشکل توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که وجود ندارد — را دور می‌زند.
• پایگاه دانش جهانی: هوش مصنوعی به عنوان مخزنی برای تمام جزئیاتی عمل می‌کند که یک انسان ممکن است فراموش کند. مدل الگوهای درست، پروتکل‌ها و نحوه استفاده از کتابخانه‌ها را در یک کدبیس عظیم می‌شناسد.
• غلبه بر بار شناختی: هوش مصنوعی محدود به مقدار اطلاعاتی نیست که یک انسان می‌تواند در «سر» خود نگه دارد. این ویژگی به مدل اجازه می‌دهد تا وابستگی‌های پیچیده‌ای را پیمایش کند که یک توسعه‌دهنده انسانی را مستأصل می‌کند.

اگرچه هوش مصنوعی ممکن است گاهی در مسیر اشتباه برود یا از اطلاعات کمی قدیمی استفاده کند، اما یک توسعه‌دهنده با تجربه می‌تواند با یک «تلنگر» (prod) یا راهنمایی کوچک، آن را دوباره به مسیر درست بازگرداند.

مطالعه موردی: سایت کلکسیون ماشین‌های تایپ

برای آزمایش این قدرت، نویسنده وب‌سایتی برای کلکسیون ماشین‌های تایپ خود و ابزاری به نام FigureShift ساخت. او پیش از این کلکسیون خود را — که از حدود ۱۵ دستگاه به بیش از ۶۰ ماشین رسیده بود — با استفاده از یک جدول (spreadsheet) مدیریت می‌کرد که به مرور زمان حجیم، کند و ناکارآمد شده بود.

او عمداً رویکردی غیرمداخله‌گر در کدنویسی اتخاذ کرد و صرفاً در نقش «مدیر محصول» و راهنما ظاهر شد. او هدفی را تعیین کرد که هرگز Vim را باز نکند و به ندرت به کدهای تولید شده نگاه کرد؛ او این پروژه را راهی برای یادگیری «اعتماد به هوش مصنوعی» دانست. او فرآیند را هدایت کرد، ویژگی‌ها را مشخص کرد و باگ‌ها را یافت، اما اجازه داد هوش مصنوعی در حالت خودکار «بپزد».

سایت نهایی شامل ویژگی‌های پیشرفته‌ای است که نویسنده اعتراف می‌کند به دلیل محدودیت‌های زمانی (شغل و فرزندپروری)، هرگز آن‌ها را به صورت دستی نمی‌ساخت:

• موتور تگ سفارشی: یک زبان پرس‌وجوی تخصصی که فیلترهای پیچیده را ممکن می‌کند. برای مثال، استفاده از single-element+!index برای دیدن مدل‌های The Chicago و Blicks، یا index+!single-element برای دیدن مدل Merritt.
• تایم‌لاین تعاملی: ویژگی‌ای برای کاوش در تاریخچه ماشین‌ها که نویسنده آن را «بسیار جذاب برای گشت‌وگذار» توصیف می‌کند.
• هماهنگی داده‌ها: سیستمی که داده‌های بیش از ۶۰ ماشین را مدیریت می‌کند و جایگزین سیستم قدیمی جدول داده‌ها شده است.

با این حال، نویسنده این موفقیت فنی را «غم‌انگیز» می‌نامد. او استدلال می‌کند که «سفر» توسعه نرم‌افزار — یعنی همان پازل‌ها، موانع و تلاش برای یادگیری یک کتابخانه جدید — جای خود را به تمرکز بر «مقصد» داده است. لذت فکری حل یک مسئله سخت اکنون توسط عامل انجام می‌شود. این موضوع به یک چالش عمیق‌تر اشاره دارد؛ جایی که شکاف اعتبارسنجی در کدنویسی با هوش مصنوعی می‌تواند مالکیت ذهنی برنامه‌نویس را از پروژه بگیرد. در این عصر جدید، لذت باید از فکر کردن به «چه چیزی ممکن است» حاصل شود، نه «چگونه ساخته شود».

هزینه اخلاقی سنتز

نویسنده یک نگرانی حیاتی در مورد انتساب اثر (Attribution) و ماهیت «نابهای» (unearned) نتیجه مطرح می‌کند. چون هوش مصنوعی کدها را از مجموعه‌های عظیمی از داده‌ها — از جمله مخازن عمومی گیت‌هاب خود نویسنده — سنتز و ترکیب می‌کند، مفهوم انتساب در دنیای متن‌باز در حال فروپاشی است.

• فقدان انتساب: نویسنده اعتراف می‌کند که به سختی می‌داند سایتش بر پایه کدام کتابخانه‌ها ساخته شده است، که این امر قدردانی و اعتبار دادن به توسعه‌دهندگان اصلی ابزارها را غیرممکن می‌کند.
• آموزش انگلی: شرکت‌های هوش مصنوعی کدها را از اینترنت عمومی و خصوصی بدون پرداخت هزینه یا ذکر نام نویسندگان اصلی «مکیده»‌اند.
• فرسایش بازار: نویسنده اشاره می‌کند که بازار توسعه نرم‌افزارهای فریلنس احتمالاً «خشک» شده است، زیرا نیاز به پرداخت هزینه به یک انسان برای ساخت چنین سایت‌هایی از بین رفته است.

این وضعیت یک چرخه انگلی ایجاد می‌کند: هوش مصنوعی بر اساس کار انسان‌هایی آموزش می‌بیند که سپس توسط همان هوش مصنوعی جایگزین می‌شوند، در حالی که مشارکت‌کنندگان اصلی نه پاداشی می‌گیرند و نه شناسایی می‌شوند. نویسنده اشاره می‌کند که معمولاً از «اقتصاد گیگی» (gig economy) و ارزهای دیجیتال دوری می‌کند، اما احساس کرد باید به این جنبش بپیوندد چون «نمی‌توانست آن‌ها را شکست دهد».

این گذار نشان می‌دهد که نقش توسعه‌دهنده از یک «سازنده» (Builder) به یک «هماهنگ‌کننده» (Orchestrator) تغییر کرده است. جرقه انسانی هنوز برای ایده اولیه و بیرون کشیدن هوش مصنوعی از «سوراخ‌های خرگوش» (بن‌بست‌های منطقی) مورد نیاز است، اما عمل خلق کردن به یک کار اداری تبدیل شده است. نویسنده در نهایت ابراز امیدواری می‌کند که شرکت‌های هوش مصنوعی توسط دارندگان حق مالکیت مورد پیگرد قانونی قرار گرفته و نابود شوند یا نتوانند به سوددهی برسند.

برای کسانی که هنوز به صورت دستی کد می‌زنند، این یک دوراهی است. شما می‌توانید یا صنعت کدنویسی را برای لذتِ فرآیند حفظ کنید، یا گردش‌کار عامل‌محور را بپذیرید تا ویژگی‌هایی را در مقیاسی منتشر کنید که پیش از این برای یک توسعه‌دهنده تک‌نفره غیرممکن بود. نویسنده عاشق نتایج است، اما از فرآیند آن متنفر است.

گام بعدی شما

• اگر توسعه‌دهنده هستید، سعی کنید یک پروژه کوچک را کاملاً با رویکرد «مدیریت عامل» (بدون نوشتن کد) پیش ببرید تا مرز بین بهره‌وری و فقدان لذت را تجربه کنید.
• در پروژه‌های خود، ابزارهای تست خودکار را تقویت کنید؛ چون در عصر عامل‌ها، تنها راه کنترل کیفیت، تست‌های سخت‌گیرانه است.
• دربارهٔ لایسنس‌های جدید نرم‌افزاری تحقیق کنید تا ببینید چگونه می‌توان در دنیای سنتز AI، حق اثر را حفظ کرد.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.