اگر هنوز ساعت‌ها وقت صرف نوشتن پرامپت‌های دقیق برای کدنویسی می‌کنید، در حال استفاده از روشی هستید که منسوخ شده است. باید بدانید که نقش توسعه‌دهنده در عصر هوش مصنوعی، از «نویسنده پرامپت» به «طراح سیستمی» تغییر می‌کند که عامل‌ها را مدیریت می‌کند.
این تحول هم‌زمان با عرضه Claude Fable 5 در ۹ ژوئن ۲۰۲۶ اتفاق افتاد. در این مدل، قابلیت‌های جدیدی برای کارهای خودگردان معرفی شده است. همان‌طور که در تحلیل قبلی ما درباره‌ی تله‌های JSON Schema در کلود اشاره کردیم، ساختارهای سخت‌گیرانه می‌توانند ابزارها را مختل کنند؛ اما در Loop Engineering (مهندسی حلقه)، همین ساختارها به سلاحی برای کنترل کیفیت تبدیل می‌شوند. این متد درست مثل این است که به جای یک درخواست مبهم از کارمند، یک چک‌لیست دقیق و ماشینی به او بدهید که تا زمان رسیدن به کمال، هیچ خروجی را نمی‌پذیرد.
به نقل از بوریس چرنی، خالق Claude Code در Anthropic، او یک ماه کامل بدون باز کردن محیط برنامه‌نویسی (IDE) کار کرده است، چرا که حلقه‌های او ۲۵۹ درخواست تغییر کد (Pull Request) را مدیریت کردند. او دیگر برای مدل پرامپت نمی‌نویسد، بلکه حلقه‌هایی می‌سازد که این کار را انجام دهند. یک حلقه حرفه‌ای از سه بخش تشکیل شده است:
- تولیدکننده: عامل (Agent) — مثل کارمندی که نه فقط دستور می‌گیرد، بلکه می‌تواند ابزارها را برای رسیدن به هدف به کار ببرد — که کار را انجام می‌دهد.
- ارزیاب: یک عامل یا برنامه مجزا که خروجی را بر اساس یک معیار (Rubric) می‌سنجد.
- حلقه: مکانیزمی که گزارش ارزیاب را به تولیدکننده بازمی‌گرداند تا زمانی که خروجی تایید شود.
طبق اعلام مهندسان Anthropic، تولیدکننده‌ها هرگز نباید کار خود را ارزیابی کنند، زیرا مدل‌ها تمایل دارند خروجی‌های متوسط خود را تعریف ستایش کنند. با جداسازی سازنده از بررسی‌کننده، سیستم‌های خودبهبودبخش خلق می‌شوند. برای مثال، یک ابزار استخراج داده با Spidermon می‌تواند تغییر طراحی یک سایت را تشخیص دهد، یک عامل تعمیرکار را برای اصلاح انتخاب‌گرها فراخوانی کند و بدون دخالت انسان، اصلاحیه را تایید کند.
این گذار، توسعه‌ی هوش مصنوعی را از یک گفتگو به یک «شغل دسته‌ای» (Batch Job) تبدیل می‌کند. شما دیگر مدل را گام‌به‌گام هدایت نمی‌کنید، بلکه یک بار تعریف می‌کنید که «پایان» چیست و اجازه می‌دهید سیستم تکرار کند. در این بازار، مزیت رقابتی دیگر در نوشتن مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن برای گرفتن بهترین جواب — نیست، بلکه در ساخت надежногоترین چارچوب نظارتی است.
گام بعدی شما
- بررسی مفهوم «حافظهٔ هر-سایت» برای جلوگیری از تکرار اشتباهات عامل‌ها در سایت‌های مختلف.
- مطالعه روش‌های کاهش هزینه در حلقه‌های تکرار برای یافتن ارزان‌ترین مسیر استخراج داده.
- تفکیک کامل نقش ارزیاب و تولیدکننده در جریان‌های کاری خود برای حذف توهمات مدل.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو