یکی از مهارتهای کلیدی در مهندسی هوش مصنوعی، کار کردن با Coding Agentها است. توانایی شما در هدایت این Agentها، هم برای نوشتن کد و هم برای انجام کارهای غیرکدنویسی مثل تحلیل داده یا مدیریت عملیات سیستم، باعث میشود بتوانید کارهای بسیار بیشتری انجام دهید.
سرعت پیشرفت Coding Agentها باعث شده این مهارت نیز با سرعت زیادی در حال تغییر باشد؛ حتی سریعتر از بسیاری از مهارتهای سطح بالای دیگر در مهندسی AI. Agentهای اختصاصی مثل Claude Code، Codex و Cursor و Agentهای متنباز مثل OpenCode و Pi، هم از طریق بهبود Harness و هم از طریق بهبود مدلها، با جهشهای قابلتوجه پیشرفت میکنند.
بنابراین مسلط ماندن به نحوه استفاده از Coding Agentها نیازمند یک فرایند مداوم از آزمایش، ساختن و یادگیری است.
یک Workflow نسبتاً ثابت و سطحبالا برای ساخت نرمافزار با این Agentها بود. مراحل اصلی عبارتاند از:
این مرحله شامل دو بخش است:
ایدهپردازی و بررسی اولیه که ممکن است شامل تحقیق، آزمایش، و شناخت Codebase موجود باشد.
نوشتن Specification که نیازمندیها، طراحی فنی و معماری را مشخص میکند و پس از آن یک برنامه اجرایی تهیه میشود.
همچنین ممکن است برنامه را بازبینی کنید تا فرضیات کلیدی را به چالش بکشید و مواردی مثل مشکلات امنیتی، Overengineering یا سایر خلأها را بررسی کنید.
در این مرحله نرمافزار را میسازید، تست میکنید و صحت آن را بررسی میکنید؛ با ایجاد تعادل مناسب میان استقلال Agent و نظارت انسان.
این مرحله شامل:
سپردن ساخت نرمافزار به Agent، با سطح مناسبی از استقلال.
بررسی خروجی Agent از طریق تستهای خودکار و/یا بررسی انسانی.
در این مرحله:
نرمافزار را Deploy میکنید؛ احتمالاً با استفاده از یک Pipeline مربوط به CI/CD یا مراحل تأیید انسانی.
از Agentها برای مشاهده Logها، پیدا کردن مشکلات، پیشنهاد بهبودها و حتی اجرای آن بهبودها استفاده میکنید.
این Workflow در سطح کلی، بسیار شبیه همان روشی است که قبل از ظهور Coding Agentها برای ساخت نرمافزار استفاده میشد.
اما حالا تمرکز ما بسیار کمتر روی نوشتن خود کد است و بیشتر روی این موارد قرار دارد:
تصمیمگیری درباره اینکه چه چیزی باید ساخته شود
طراحی معماری
نوشتن Specification
بررسی و اعتبارسنجی خروجی
مدت زمان هر مرحله میتواند بسته به پروژه بسیار متفاوت باشد و حتی بعضی مراحل ممکن است حذف شوند.
برای مثال، Specification یک Prototype کاملاً جدید (Greenfield) ممکن است فقط در قالب یک Prompt کوتاه نوشته شود؛ در حالی که Specification یک پروژه موجود (Brownfield) با کاربران زیاد، ممکن است نیازمند زمان و دقت بسیار بیشتری برای نوشتن و اعتبارسنجی باشد.
علاوه بر این، این Workflow کاملاً Iterative است و توسعهدهندگان باتجربه میدانند چه زمانی بازخورد یک مرحله باید باعث بازگشت به مرحلهای قبلی شود.
مثلاً اگر Verification شکست بخورد، میدانند چگونه Agent را هدایت کنند تا دوباره سیستم را بسازد و خطاها را برطرف کند. یا اگر Monitoring مشکلی را شناسایی کند، میدانند چگونه از Agentها بخواهند سیستم را اصلاح و دوباره Deploy کنند.
برای استفاده مؤثر از Coding Agentها در این Workflow، مهارتهای کلیدی عبارتاند از:
هدایت Workflow
فعال کردن استقلال Agent
بازبینی کار
سفارشیسازی Agent و محیط آن
درک مبانی Coding Agentها
شما باید بدانید چگونه در هر مرحله از Workflow بالا حرکت کنید.
این یعنی تصمیم بگیرید در هر مرحله چه مقدار کار را انسان و چه مقدار را Agent انجام دهد و چه زمانی لازم است برای Iteration به مرحله قبلی برگردید.
این کار نیازمند درک عمیق Trade-offهای میان سرعت، هزینه، ریسک فنی و میزان تلاش انسانی است.
در نتیجه باید بتوانید تصمیم بگیرید:
چقدر باید از ابتدا تحقیق و برنامهریزی کنید.
چه زمانی مسئولیت بخشهای حساس را همچنان نزد انسان نگه دارید.
چگونه معماری را انتخاب کنید.
چه میزان جزئیات در Artifactهای برنامهریزی، مثل Specification، بنویسید.
چگونه کار را به مراحل کوچک و قابلاعتبارسنجی تقسیم کنید.
وقتی از Coding Agent در مراحل مختلف Workflow استفاده میکنید، باید سطح استقلال آن را تعیین کنید.
آیا باید دائماً عملکردش را زیر نظر داشته باشید و بهصورت Interactive با آن رفتوبرگشت داشته باشید؟ یا یک بخش بزرگتر از کار را به آن واگذار کنید؟
چه زمانی باید یک هدف مشخص تعیین کنید و اجازه دهید Agent خودش در یک Loop ادامه دهد تا به نتیجه برسد؟
علاوه بر این، باید Context Agent را بهدقت مدیریت کنید.
با عبور پروژه از مراحل مختلف، باید تشخیص دهید چه زمانی لازم است نکات مهمی که یاد گرفتهاید، بازخورد کاربران و فرضیات پروژه ــ حتی فرضیاتی که در میانه ساخت پروژه تغییر کردهاند ــ ثبت شوند تا Agent در مراحل بعدی بتواند از آنها استفاده کند.
همچنین باید تصمیم بگیرید چه زمانی بهتر است چند Agent را بهصورت موازی روی بخشهای مختلف یک مسئله اجرا کنید؛ چه این هماهنگی توسط انسان انجام شود و چه توسط یک Agent سطح بالاتر.
همچنین باید نحوه مدیریت توجه انسان میان چند Session همزمان Agentها را مشخص کنید.
در نهایت باید بدانید چگونه Agentها را بهشکل امن اجرا کنید؛ یعنی Permissionها را تنظیم کنید و برای عملیات حساس Gate قرار دهید تا توسعه با سرعت مناسب پیش برود، در حالی که ریسکهایی مثل نشت اطلاعات، از دست رفتن داده یا آسیبهای دیگر محدود بماند.
خروجی یک Coding Agent قطعی و قابلپیشبینی نیست.
از قبل نمیدانیم چه ایدههای خوبی ممکن است ارائه دهد و چه Bugهایی ممکن است ایجاد کند.
بنابراین Review و Verification خروجی یکی از مراحل کلیدی است تا مطمئن شویم نتیجه همان چیزی است که میخواستیم و اگر نبود، Agent را دوباره هدایت کنیم.
باید Testing و Validation متناسب با نوع Task طراحی کنید و در صورت نیاز هم Behavioral Verification و هم Functional Verification انجام دهید.
ممکن است User Flowها را نیز تست کنید؛ حتی میتوانید از Agent بخواهید Screenshotهایی بهعنوان مدرک موفقیت یا شکست ارائه کند.
برای ارزیابیهای کیفی و رفتاری نیز میتوان از Eval Setها، و در برخی موارد از روشهایی مثل LLM-as-a-Judge استفاده کرد.
همچنین باید تصمیم بگیرید چه مقدار از این تستها باید Automated باشند.
در بعضی Workflowها میتوان تمام Testing و Validation را کاملاً خودکار کرد تا Agent بتواند خودش کارش را بررسی کند و تشخیص دهد که آیا Task را با موفقیت به پایان رسانده یا نه.
البته باید خود Testها را هم ارزیابی کنید تا مطمئن شوید واقعاً با هدف شما مطابقت دارند و اگر ندارند، آنها را بهبود دهید.
علاوه بر این، میتوانید از Agentic Code Review و Auditهای امنیتی و معماری مبتنی بر AI استفاده کنید.
وقتی Review توسط AI کافی نیست، باید بهصورت هدفمند بررسی انسانی رفتار کد ــ و در موارد کمتری خود کد ــ را وارد فرآیند کنید و همزمان بررسی کنید که چگونه میتوان این Review را در آینده بیشتر خودکار کرد.
در نهایت، باید Deployment را نیز Verify کنید و میتوانید Monitoring و Incident Management را هم با استفاده از Agentها عملیاتی کنید.
توانایی شما در بهروزرسانی هم Agent و هم محیطی که Agent در آن کار میکند باعث میشود Agent بتواند Context موردنیاز خود را سریعتر دریافت کند، به ابزارهای مناسب دسترسی داشته باشد و نرمافزار را درست و با کارایی مناسب بسازد.
باید بدانید چگونه مواردی مثل موارد زیر را با Agent یکپارچه کنید:
Pluginها
MCP Serverها
گاهی نیز لازم است این موارد را حذف یا سادهسازی کنید؛ مثلاً وقتی یک مدل جدید دیگر به Skill قدیمی نیاز ندارد.
میتوانید از Hookها برای خودکارسازی بخشهای تکراری فرآیند توسعه استفاده کنید؛ مثلاً Trigger کردن Code Reviewهای خودکار یا Pipelineهای CI/CD.
همچنین باید محیطی را که Agent در آن کار میکند مدیریت کنید.
برای مثال، میتوانید Context دائمی Agent را در فایلهایی مثل AGENTS.md یا CLAUDE.md بهروزرسانی کنید و اطلاعاتی درباره موارد زیر در اختیارش قرار دهید:
ساختار Codebase
فرضیات مهم معماری
Code Style
الگوهای دسترسی به داده
باید بدانید چگونه State را میان Sessionهای مختلف و همچنین میان Agentهای موازی حفظ کنید و یادگیریهای Agent را در طول زمان جمعآوری کنید؛ مثلاً با اجرای Retrospective بعد از هر Run و ثبت اینکه چه چیزهایی درست یا اشتباه کار کردهاند.
همچنین باید بتوانید Conventionها و ساختارهای منسجمی در Codebase ایجاد کنید تا Agent بتواند بهراحتی در آن حرکت کند و هر از گاهی Debt ایجادشده توسط Agent را پاکسازی کنید.
وقتی در یک تیم کار میکنید، باید به نحوه هماهنگکردن Context میان Agentهای توسعهدهندگان مختلف نیز توجه داشته باشید.
در نهایت، برای اینکه بتوانید در طول این فرآیند تصمیمهای خوبی بگیرید، باید درک مناسبی از نحوه کار Coding Agentها داشته باشید:
چگونه در Codebase جستوجو و اطلاعات موردنیاز را بازیابی میکنند.
چگونه Context Window خود را مدیریت میکنند.
عملیات مختلف، مثل Tool Callها و MCP Serverها، چگونه روی Context تأثیر میگذارند.
Agentها و Subagentها چگونه با یکدیگر تعامل میکنند.
چگونه با قرار دادن یک Harness در اطراف یک LLM، یک Agent ساخته میشود.
این دانش باعث میشود Agent دیگر یک Black Box نباشد و بتوانید Failure Modeهای مختلف را تشخیص دهید؛ برای مثال:
Overengineering یک راهحل ساده
از دست دادن دقت و سختگیری به دلیل نبود فرآیند Verification مشخص
متوقف شدن قبل از رسیدن به هدف
انجام عملیاتی که میتواند باعث حذف فایلها یا آسیب به دادههای Production شود
همچنین این دانش کمک میکند وضعیت Agent را بهتر درک کنید و با ارائه Prescription یا Context مناسب، آن را بهتر هدایت کنید.
هنگام Monitoring یک Run نیز این درک به شما کمک میکند سریعتر متوجه شوید Agent از مسیر اصلی منحرف شده و نیاز به دخالت شما دارد.
به نظرم شبکههای اجتماعی اغلب توضیحات بیش از حد سادهشدهای درباره نحوه استفاده از Coding Agentها ارائه میدهند.
برای مثال، گاهی مفید است که Agentها را برای ساعتها کاملاً Autonomous رها کنید و میلیونها یا حتی دهها میلیون Token مصرف کنند.
اما در حال حاضر، کاربرد عملی Taskهای بسیار طولانی (Long-Horizon)، مخصوصاً در مقایسه با هزینه آنها، بیش از اندازه بزرگنمایی شده است.
در عوض، بیشتر استفادههای مؤثر از Coding Agentها یک فرآیند پیچیده و بسیار Iterative هستند و توانایی شما در مداخله بهموقع و استفاده از قضاوت حرفهای، معمولاً نتایج بسیار بهتری ایجاد میکند.
مهارت شما در استفاده از Coding Agentها باعث میشود به یک Builder مؤثر تبدیل شوید.
و همین موضوع به شما امکان میدهد علاوه بر اجرای کار، کل فرآیند ساخت محصول را نیز هدایت کنید.

برای آشنایی بیشتر: Andrew Ng