پرامپت‌نویسی در برابر ساختن؛ تقابل سرعت در اجرا و عمقِ درک فنی

تصور کنید برنامه‌نویسی را به جای حل یک معمای پیچیده، به تماشای کسی تبدیل کنید که جواب‌ها را برای شما می‌نویسد؛ در این حالت، شما دیگر یک مهندس نیستید، بلکه فقط یک ناظر هستید. این هشدار تکان‌دهنده از سوی یک مهندس نرم‌افزار با ۳۴ سال تجربه است که معتقد است ابزارهای هوش مصنوعی در حال نابود کردن «زرنگی» (Savviness) یا همان درک عملی و تیزبینی مورد نیاز برای مهندسی سطح بالا هستند.

به نقل از نقد مفصلی که در ۲۹ اوت ۲۰۲۶ منتشر شد، انتقال از ساخت فعال به پرامپت‌نویسی غیرفعال، چالش و هنر توسعه نرم‌افزار را حذف می‌کند. نویسنده استدلال می‌کند که مدل‌های زبانی بزرگ (LLMs) به طور سیستماتیک در حال فرسایش مهارت‌های عملی مهندسان هستند. این اتفاق در حالی رخ می‌دهد که محیط‌های شرکتی فشار شدیدی به توسعه‌دهندگان می‌آورند تا برای عقب نماندن، از ابزارهای AI استفاده کنند. همان‌طور که در تحلیل قبلی ما درباره‌ی بهینه‌سازی مدل‌های متن‌باز اشاره کردیم، ابزارهایی مثل vLLM v0.28.0 سرعت استنتاج را برای مدل‌هایی مانند Kimi-K3 به شدت بالا برده‌اند، اما اکنون هزینه انسانی این کارآمدی مشخص شده است. برای بسیاری از مهندسان، لذت کار در رسیدن به مقصد (نقطه ب) نیست، بلکه در تقلا و چالش‌های مسیر از نقطه الف به ب است.

هویت یک «سازنده»

نویسنده این نقد، هویت خود را یک «سازنده» (Maker) تعریف می‌کند؛ ذهنیتی که فراتر از پنج سال تحصیل در رشته مهندسی کامپیوتر در دانشگاه شکل گرفته است. این هویت در اثر مطالعه عمیق و شب‌های بیداری برای تفکر درباره مسائل و یافتن راهکارهای بهینه ساخته شده است.

این فرآیند یک پاداش روانی خاص ایجاد می‌کرد: احساس فوق‌العاده‌ای که وقتی ایده‌ای در لحظه‌ای غیرمنتظره و هنگام انجام فعالیت‌های غیرمرتبط به ذهن می‌رسید، فرد با عجله به میز کار برمی‌گشت تا آن را پیاده کند. این چرخه تلاش، کشف و اجرای سریع بود که به عمل خلق کردن معنا می‌بخشید و آن را رضایت‌بخش می‌کرد.

پرتفولیوی مهندسی و سقوط کیفیت

برای نشان دادن آنچه در خطر است، نویسنده فهرستی از کارهای دستی و متنوع خود را می‌شمارد که تخصص و تجربه او را ساخته است:

• نرم‌افزار و کتابخانه‌ها: توسعه کتابخانه‌های یادگیری ماشین (ML) و ابزارهای مختلف برای توسعه وب.
• زیرساخت: راه‌اندازی سرورها و نوشتن «تعداد بی‌شماری» اسکریپت برای مدیریت سیستم‌های لینوکس.
• معماری: طراحی ساختارهای پایگاه‌داده و ساخت وب‌سایت‌ها.
• جامعه: ایجاد انجمن‌های آنلاین برای علاقه‌مندان به تکنولوژی.
• آزمایش: یک «لذت گناه‌آلود» در ترکیب زبان‌های برنامه‌نویسی ناشناخته و تکنولوژی‌های مختلف، صرفاً برای چالش و لذت یادگیری.

طبق گزارش منتشر شده در pgaleone.eu، گردش کار فعلی با محوریت AI به یک چرخه تکراری و خسته‌کننده تبدیل شده است: پرامپت بزن، خروجی را ارزیابی کن، اصلاح کن و تکرار کن. در این پارادایم جدید، چندین مورد حیاتی از دست رفته است:

• از دست رفتن عمق: شب‌های بیداری برای حل مسائل پیچیده جای خود را به پیاده‌سازی‌های سطحی و فوری داده است. نویسنده اشاره می‌کند که اگر او ابتدا چارچوب‌ها، قوانین، مهارت‌ها و اسناد طراحی را به مدل بدهد، خروجی مدل تقریباً همان چیزی است که خودش می‌نوشت، اما بدون طی کردن مسیر سخت تفکر.
• زوال یادگیری: یادگیری از طریق مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — شبیه خواندن خلاصه یک فرمول ریاضی بدون به کار بردن آن است که در نهایت فرآیند یادگیری را بی‌فایده می‌کند. این چالش یادگیری در حالی رخ می‌دهد که برخی تلاش می‌کنند با رویکردهای جدید در آموزش تعاملی، نقش AI را از یک پاسخ‌دهنده ساده به یک تسهیل‌گر آموزشی تغییر دهند.
• بدهی فنی: نویسنده ادعا می‌کند استفاده از LLMها بدون تفکر انتقادی عمیق (یا به قول او «بدون مغز»)، فقط باعث تولید بی‌وقفه بدهی فنی (Technical Debt) می‌شود. او معتقد است اگر معیاری واقعی برای بهره‌وری وجود داشت که سرعت، قابلیت نگهداری، هزینه و بدهی فنی را هم می‌سنجید، LLMها هرگز درخشان به نظر نمی‌رسیدند.

شکاف «زرنگی» فنی

مشکل اصلی، از دست رفتن «یادگیری از طریق انجام دادن» است. نویسنده به تعریف لغت‌نامه مریم-وبستر از کلمه Savvy اشاره می‌کند: «داشتن یا نشان دادن درک، فهم یا تیزبینی، به‌ویژه در مسائل عملی».

در مهندسی سنتی، اشتباه کردن اصلی‌ترین مکانیسم رشد است: انجام بده، اشتباه کن، یاد بگیر، تکرار کن و رشد کن. اما با LLMها، مدل اشتباه را فوراً اصلاح می‌کند؛ انسان باتجربه به دلیل تجربه قبلی خود خطا را می‌بیند، اما درس آن را درونی نمی‌کند چون با چالش واقعی روبرو نشده است. این نوع فقدان درونی‌سازی منجر به نوعی بدهی شناختی می‌شود که برخی برنامه‌نویسان را به بازگشت به روش‌های سنتی و تایپ دستی کدها سوق داده است.

علاوه بر این، یک رابطه انگلی شکل گرفته است؛ ارائه‌دهندگان LLM از اصلاحاتی که مهندسان باسابقه روی خروجی‌ها انجام می‌دهند برای آموزش مدل‌های خود استفاده می‌کنند. در واقع، آن‌ها «زرنگی» انسانی را می‌دزدند تا همان تخصصی را اتوماتیک کنند که یک مهندس ارشد را ارزشمند می‌کند. این چرخه باعث می‌شود انسان دیگر نتواند «زرنگی» خود را تمرین داده و حفظ کند. این تغییر رویکرد از مهندسی عمیق به اتکای صرف به پرامپت، شباهت زیادی به شکست عامل‌های هوش مصنوعی در جایگزینی زیرساخت‌های سخت‌گیرانه دارد، جایی که مهندسی پرامپت نمی‌تواند جایگزین مهندسی شاسی و زیرساخت شود.

این یعنی هویت «سازنده» برای توسعه‌دهندگان مدرن در خطر است. وقتی یک ایده در چند ثانیه به پروتوتایپی با کیفیت کد مناسب تبدیل می‌شود، پاداش روانی خلق کردن از بین می‌رود. تنها رضایت باقی‌مانده برای نویسنده، تلاش دستی برای راه‌اندازی یک ماشین لینوکس برای استنتاج (Inference) بود؛ کاری که هنوز نیاز به مهندسی واقعی داشت و او آن را «بسیار لذت‌بخش» توصیف کرد.

این وضعیت یک بحران در منتورینگ برنامه‌نویسان جونیور ایجاد می‌کند. اگر «تقلا» و سختی از مراحل اولیه مسیر شغلی حذف شود، نسل بعدی شهود لازم برای تشخیص خطاهای ظریف و پرخطری که LLMها معمولاً نادیده می‌گیرند را نخواهند داشت.

در آینده باید منتظر ظهور جنبجندهایی مانند «کدنویسی آهسته» (Slow Coding) یا چارچوب‌های آموزشی باشیم که عمداً استفاده از AI را محدود می‌کنند تا رشد شناختی دانشجویان مهندسی حفظ شود.

گام بعدی شما

• برای حفظ تفکر انتقادی، سعی کنید ابتدا راهکار مسئله را روی کاغذ طراحی کنید و سپس برای پیاده‌سازی از AI کمک بگیرید.
• در پروژه‌های حساس، بخش‌هایی از کد را عمداً بدون کمک AI بازنویسی کنید تا عضلات ذهنی خود را تقویت کنید.
• اگر منتور هستید، دانش‌آموزان را تشویق کنید تا ابتدا با خطاهای مدل دست‌وپنجه نرم کنند و سریعاً جواب نهایی را نگیرند.

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