سادگی کد در برابر پیچیدگی عامل‌ها؛ چالش جدید برنامه‌نویسان حرفه‌ای

تصور کنید برای ساخت یک اپلیکیشن سادهٔ لیست کارهای روزانه (Todo App) سراغ یک عامل هوش مصنوعی می‌روید، اما پیش از آنکه حتی یک خط کد کاربردی نوشته شود، تمام سهمیهٔ توکن‌های هفتگی شما در ۱۲ ساعت به پایان می‌رسد. این اتفاق دقیقاً برای یک مهندس نرم‌افزار در ۲۳ اوت ۲۰۲۶ رخ داد که قصد داشت از قابلیت‌های اتوماسیون Pol استفاده کند.

این وضعیت نشان‌دهندهٔ اصطکاک شدید میان دو گروه از کاربران است. از یک سو مهندسان حرفه‌ای هستند که برای کد‌های بهینه و سبک ارزش قائل‌اند و از سوی دیگر «کدنویسان احساسی» یا Vibe Coders؛ کاربرانی که فقط به دنبال نتیجه‌ای سریع و یک‌باره هستند و حاضرند حجم عظیمی از محاسبات را بسوزانند تا هرگز مجبور به خواندن یا اصلاح کد نباشند. هوش مصنوعی زاینده (Generative AI) — شبیه به آشپزی که برای اطمینان از خوش‌طعم شدن غذا برای کسی که هیچ تجربه‌ای در چشیدن ندارد، مقدار زیادی ادویهٔ گران‌قیمت اضافه می‌کند — اکنون در حال تغییر رفتار است.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، رفتار مدل‌ها مستقیماً تحت تأثیر داده‌های آموزشی و بازخوردهای کاربران است. به گزارش وب‌سایت insufferable.dev، عامل Pol میلیاردها توکن (Token) — تکه‌های کوچکی از متن، شبیه برش‌های یک کیک طولانی که مدل تکه‌تکه می‌خورد — را نه برای ساخت اپلیکیشن، بلکه برای یک سازمان‌دهی وسواس‌گونه مصرف کرد. خروجی این فرآیند شامل موارد زیر بود:

• یک پوشهٔ پروژه تقریباً خالی.
• یک زیرپوشهٔ عظیم برای تست‌ها که پر بود از هش‌های sha256 تولیدشده با دقت زیاد.
• هزاران تست برای حالت‌های حدی (Edge Cases) که احتمالاً هیچ کاربر انسانی هرگز با آن‌ها مواجه نمی‌شود.

طبق تحلیل نویسنده، این رفتار یک نقص تصادفی نیست. میلیون‌ها Vibe Coder مدل‌ها را آموزش داده‌اند تا هر چیز را در یک مرحله (One-shot) و بدون خطا تحویل دهند. در نتیجه، مدل‌ها اکنون به صورت پیش‌فرض به سمت مهندسی بیش‌ازحد می‌روند و ۱۰ برابر بیشتر از نیاز واقعی توکن مصرف می‌کنند تا خروجی‌ای بی‌نقص برای کاربرانی بسازند که توانایی دیباگ کردن کد را ندارند. این چالش با شکست عامل‌های توسعه در مواجهه با نیازهای واقعی کاربران همسو است که نشان می‌دهد ابزارهای فعلی هنوز با پیچیدگی‌های محیط عملیاتی فاصله دارند.

برای توسعه‌دهنده حرفه‌ای، این وضعیت تبدیل به یک «مالیات Vibe» شده است. وزن‌ها (Weights) — همان تنظیمات داخلی مدل که تعیین می‌کند کدام مسیر برای پاسخ مناسب‌تر است — اکنون به جای توسعهٔ تکرارپذیر و سبک، به نفع پوشش تست‌های وسواسی تغییر کرده‌اند. شما در واقع هزینهٔ محاسباتیِ یک توری ایمنی را می‌پردازید که برای افرادی طراحی شده که کدنویسی بلد نیستند. در این راستا، جایگزینی الگوهای مهندسی با روش‌های غیرساختاریافته می‌تواند راهکاری برای بازگرداندن نظم و بهینگی به کدنویسی خودکار باشد.

این تغییر نشان می‌دهد که با افزایش استقلال عامل‌ها، رفتار «متوسط» کاربران، بازدهی پیش‌فرض ابزارها را تعیین می‌کند. اگر اکثریت کاربران «جادو» را به «شفافیت» ترجیح دهند، ابزارها به‌طور سیستماتیک حجیم و ناکارآمد می‌شوند. این مسئله یادآور محدودیت‌های مقیاس‌پذیری در عامل‌های هوش مصنوعی است که در آن مهندسی حلقه به عنوان جایگزینی برای پرامپت‌نویسی ساده پیشنهاد شده است.

برنامه‌نویسان احتمالاً باید محدودیت‌های سخت‌گیرانه‌تری اعمال کنند یا از مدل‌های کوچک‌تر و تخصصی‌تر استفاده کنند تا از این اتلاف منابع جلوگیری کنند. عصر عامل‌های همه‌منظوره با بنچمارک‌های بالا، ممکن است هزینه‌های پنهانی ایجاد کند که سودآوری آن‌ها برای مهندسان باسابقه زیر سؤال برود.

گام بعدی شما

• در پرامپت‌های سیستمی خود صراحتاً دستور دهید که از تولید تست‌های تکراری و معماری‌های پیچیده برای پروژه‌های کوچک خودداری شود.
• برای کارهای ساده، به‌جای مدل‌های غول‌پیکر از مدل‌های زبانی کوچک (SLM) استفاده کنید تا کنترل بیشتری روی مصرف توکن داشته باشید.
• مدل‌های عامل‌محور را با محدودیت‌های سخت‌گیرانه در مورد تعداد دفعات فراخوانی ابزارها (Tool Use) تنظیم کنید.

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