شما احتمالاً به جای افزایش بهره‌وری، در حال تقویت نقاط ضعف خود هستید. تصور کنید ابزاری که قرار بود شما را سریع‌تر کند، در واقع شما را کندتر کرده است.
به نقل از مطالعه‌ای در سال ۲۰۲۵ توسط METR، برنامه‌نویسان ارشد متن‌باز که از هوش مصنوعی در پروژه‌های بالغ استفاده می‌کردند، ۱۹٪ کندتر از آنچه انتظار داشتند عمل کردند؛ این در حالی است که پیش‌بینی اولیه آن‌ها افزایش ۲۴ درصدی سرعت بود.
این شکاف عمیق به دلیل تکیه بر «کدنویسی حسی» (Vibe Coding) است؛ یعنی ارسال پرامپت و امیدواری به نتیجه، به جای «مهندسی عامل‌محور» (Agentic Engineering). بر اساس اعلام آندره کارپاتی (Andrej Karpathy) در ۴ فوریه ۲۰۲۶، استاندارد جدید دیگر نوشتن مستقیم کد نیست، بلکه ارکستراسیون عامل‌ها (Agents) است.
ریشه این مشکل در «مسئله ۷۰ درصد» است که ادی عثمانی (Addy Osmani) در اواخر سال ۲۰۲۴ مطرح کرد: هوش مصنوعی زاینده (Generative AI) بخش بزرگی از راهکار را سریعاً تولید می‌کند، اما در ۳۰ درصد پایانی که شامل موارد خاص (Edge Cases) و یکپارچه‌سازی در محیط عملیاتی است، شکست می‌خورد.
برای حل این بحران، باید گردش‌کار مبتنی بر مشخصات (Spec-driven workflow) را جایگزین پرامپت‌های کورکورانه کرد. این متدولوژی شامل چهار مرحله است: مشخص کردن، برنامه‌ریزی، تعیین وظایف و پیاده‌سازی. ابزارهای کلیدی این مسیر عبارت‌اند از:
- GitHub Spec Kit: تعریف ساختار پروژه از طریق فایل‌های constitution.md و spec.md.
- Anthropic Superpowers: افزونه‌ای برای اجبار به اجرای ریچوال‌های توسعه آزمون‌محور (TDD).
قلب این سیستم، فایل CLAUDE.md است؛ سندی در ریشه پروژه که به عنوان حافظه عامل عمل کرده و استانداردهای کدنویسی و الگوهای ضد (Anti-patterns) را ذخیره می‌کند. همان‌طور که در تحلیل قبلی ما درباره‌ی توانایی‌های کلود (Claude) در حل مسائل پیچیده بیوانفورماتیک اشاره کردیم، قدرت مدل نه با پرامپت‌های بهتر، بلکه با گاردریل‌های سخت‌گیرانه‌تر آزاد می‌شود.
دو تاکتیک اثرگذار در این روش عبارت‌اند از: استفاده از «حالت برنامه‌ریزی» (Plan Mode) برای طراحی معماری بدون تغییر کد، و ترفند «نویسنده-بازبین»؛ یعنی استفاده از دستور /clear برای پاک‌سازی کانتکست پیش از درخواست بازبینی کد (Diff) تا مدل دچار توهمات مدل ذهنی قبلی نشود.
طبق گزارش «رادار تکنولوژی» ثات‌ورکس (ThoughtWorks) در آوریل ۲۰۲۶، تیم‌هایی که این نظم را ندارند، دچار «بدهی شناختی» (Cognitive Debt) می‌شوند. اکنون سوال این نیست که آیا مدل توانمند است یا خیر، بلکه این است که آیا گردش‌کار شما می‌تواند ریاضیاتِ خطاهای احتمالی متوالی را تحمل کند؟
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گام بعدی شما
- فایل
CLAUDE.mdرا به ریشه پروژه‌های خود اضافه کنید تا استانداردهای کدنویسی را برای AI تثبیت کنید. - پیش از پیاده‌سازی، از «حالت برنامه‌ریزی» برای ترسیم معماری استفاده کنید تا از خطاهای منطقی جلوگیری شود.
- برای بازبینی کدها، حتماً کانتکست را پاک کنید تا مدل دچار تاییدات نادرست (Confirmation Bias) نشود.
گفتگو