ویرگول
ورودثبت نام
فرزین
فرزینبرنامه‌نویس، یک عدد عاشق کتاب
فرزین
فرزین
خواندن ۶ دقیقه·۳ ماه پیش

چرا رویکرد «Specs to Code» معمولاً شکست می‌خورد؟ نگاهی به Workflow مت پاوکاک برای توسعه نرم‌افزار با هوش مصنوعی

اگر مدتی با ابزارهایی مثل ChatGPT، Claude یا Gemini کدنویسی کرده باشید، احتمالاً این تجربه برایتان آشناست: یک پرامپت طولانی و دقیق می‌نویسید، همه نیازمندی‌ها را توضیح می‌دهید و انتظار دارید در چند دقیقه یک قابلیت کامل تحویل بگیرید. اما نتیجه معمولاً آن چیزی نیست که انتظارش را داشتید. بخشی از کد درست است، بخشی دیگر با معماری پروژه هم‌خوانی ندارد، چند تصمیم اشتباه گرفته شده و هرچه گفتگو جلوتر می‌رود، احساس می‌کنید مدل بیشتر از قبل مسیر را گم می‌کند.

مت پاوکاک (Matt Pocock) در کارگاه Workflow for AI Coding معتقد است مشکل از مدل‌ها نیست؛ مشکل از روشی است که ما با آن‌ها کار می‌کنیم. از نگاه او، هوش مصنوعی پارادایم جدیدی برای مهندسی نرم‌افزار نساخته است؛ بلکه باعث شده اهمیت همان اصول قدیمی مهندسی نرم‌افزار بیشتر از قبل شود.

در واقع، تمام Workflow پیشنهادی او بر یک ایده ساده بنا شده است:

مدل‌های زبانی حافظه و مدل ذهنی پایدار ندارند. آن‌ها فقط Context فعلی را می‌بینند. بنابراین اگر Context را درست مدیریت نکنیم، کیفیت خروجی به‌تدریج افت می‌کند.

تقریباً تمام پیشنهادهای پاوکاک را می‌توان نتیجه همین محدودیت دانست.


۱. قبل از نوشتن کد، روی درک مسئله توافق کنید

یکی از رایج‌ترین اشتباهات، استفاده از رویکرد Specs to Code است؛ یعنی یک سند طولانی از نیازمندی‌ها را به مدل بدهیم و از آن بخواهیم مستقیماً کد تولید کند.

در نگاه اول این روش منطقی به نظر می‌رسد، اما معمولاً نتیجه خوبی ندارد. دلیلش این است که مطمئن نیستیم مدل مسئله را دقیقاً همان‌طور که ما در ذهن داریم فهمیده باشد. اگر برداشت اولیه اشتباه باشد، تمام کدی که بعداً تولید می‌شود نیز بر همان برداشت اشتباه بنا خواهد شد.

به همین دلیل پاوکاک از روشی به نام Grill Me استفاده می‌کند.

در این روش، به جای اینکه مدل فوراً کدنویسی را شروع کند، از او می‌خواهیم ابتدا ما را «سؤال‌پیچ» کند. هر ابهامی را پیدا کند، فرضیاتش را بیان کند، سناریوهای مختلف را بررسی کند و حتی مسئله را با زبان خودش توضیح دهد. هدف این نیست که چند سؤال بپرسد؛ هدف این است که انسان و مدل به یک تصویر مشترک از مسئله برسند.

تا زمانی که این درک مشترک (Shared Understanding) شکل نگرفته، هنوز زمان مناسبی برای نوشتن کد نیست.


۲. درک مشترک را به یک مرجع تبدیل کنید

وقتی انسان و مدل به درک مشترکی از مسئله رسیدند، نباید آن را فقط در تاریخچه چت رها کرد.

پاوکاک پیشنهاد می‌کند این توافق در قالب یک PRD (Product Requirements Document) ثبت شود. منظور او یک سند طولانی و رسمی نیست؛ بلکه سندی است که هدف پروژه، محدودیت‌ها، رفتار مورد انتظار سیستم و تصمیم‌های مهم را ثبت می‌کند تا بعداً هم انسان و هم هوش مصنوعی بتوانند به آن مراجعه کنند.

به این ترتیب، هر بار لازم نیست همه چیز را دوباره توضیح بدهید و احتمال تغییر تدریجی برداشت مدل نیز کمتر می‌شود.


۳. پروژه را به برش‌های عمودی تقسیم کنید، نه لایه‌های افقی

بعد از مشخص شدن مقصد، نوبت اجرای پروژه است.

اینجا یکی دیگر از اشتباهات رایج رخ می‌دهد. بسیاری از ما پروژه را به شکل افقی پیش می‌بریم؛ ابتدا دیتابیس، سپس API، بعد رابط کاربری و در نهایت اتصال همه آن‌ها به یکدیگر.

مشکل این روش این است که ممکن است ساعت‌ها یا حتی روزها کد بنویسید، بدون اینکه بتوانید یک قابلیت کامل را اجرا و ارزیابی کنید.

پاوکاک پیشنهاد می‌کند پروژه را به Vertical Slice یا Tracer Bullet تقسیم کنیم.

یعنی هر مرحله، یک قابلیت کوچک اما کامل را از ابتدا تا انتها پیاده‌سازی کنیم؛ از رابط کاربری گرفته تا منطق برنامه و پایگاه داده. این کار دو مزیت مهم دارد: اول اینکه خیلی زود متوجه می‌شوید آیا مسیر درستی را انتخاب کرده‌اید یا نه، و دوم اینکه هر وظیفه برای هوش مصنوعی کوچک‌تر و متمرکزتر می‌شود. هرچه Context محدودتر باشد، احتمال انحراف مدل نیز کمتر خواهد بود.


۴. اگر می‌خواهید بخشی از کار را به AI بسپارید، تست‌ها باید راهنما باشند

یکی از ایده‌های جالب پاوکاک این است که فرآیند توسعه را به دو شیفت تقسیم می‌کند.

در Day Shift، انسان درباره طراحی، معماری و تصمیم‌های مهم فکر می‌کند. در Night Shift، هوش مصنوعی یا Agentها وظایف مشخصی را که از قبل تعریف شده‌اند انجام می‌دهند؛ حتی زمانی که شما پشت سیستم نیستید.

اما این مدل فقط زمانی قابل اعتماد است که پروژه تست‌های خوبی داشته باشد.

از نگاه پاوکاک، تست‌ها فقط ابزاری برای پیدا کردن باگ نیستند؛ آن‌ها نقش قطب‌نما را برای هوش مصنوعی بازی می‌کنند. مدل از روی تست‌ها متوجه می‌شود رفتار صحیح سیستم چیست و آیا تغییری که ایجاد کرده، قابل قبول است یا نه.

به همین دلیل او روی توسعه تست‌محور (TDD) تأکید می‌کند. در این رویکرد، مدل ابتدا تست را می‌بیند، سپس کد را برای عبور از آن تست می‌نویسد و در پایان کد را بازآرایی می‌کند. این چرخه باعث می‌شود حتی در اجرای خودکار نیز احتمال انحراف کمتر شود.


۵. معماری خوب، فقط برای انسان‌ها نیست

یکی از بخش‌های جذاب این کارگاه، ارجاع پاوکاک به کتاب Philosophy of Software Design است.

او توضیح می‌دهد که معماری خوب فقط به توسعه‌دهندگان کمک نمی‌کند؛ بلکه کار هوش مصنوعی را هم ساده‌تر می‌کند.

به‌جای اینکه سیستم از تعداد زیادی ماژول کوچک با مسئولیت‌های پراکنده تشکیل شده باشد، بهتر است از Deep Modules استفاده کنیم؛ ماژول‌هایی که رابط ساده‌ای دارند اما پیچیدگی داخلی را درون خود پنهان کرده‌اند.

برای مثال، ممکن است فقط یک متد به نام processPayment() داشته باشید، اما تمام جزئیات مربوط به اعتبارسنجی، ثبت لاگ، مدیریت خطا، تلاش مجدد و ارتباط با درگاه پرداخت در داخل همان ماژول مدیریت شود.

در این حالت، انسان و هوش مصنوعی هر دو فقط با یک Interface ساده سروکار دارند و لازم نیست هم‌زمان ده‌ها جزئیات مختلف را در ذهن نگه دارند. این دقیقاً همان چیزی است که مدیریت Context را آسان‌تر می‌کند.


۶. در نهایت، چیزی باقی می‌ماند که قابل واگذاری نیست

با وجود تمام پیشرفت‌های هوش مصنوعی، پاوکاک معتقد است آخرین مرحله توسعه همچنان باید در اختیار انسان باقی بماند.

او این بخش را Taste می‌نامد.

ممکن است همه تست‌ها سبز باشند و هیچ خطای فنی وجود نداشته باشد، اما هنوز سؤال‌های مهمی باقی می‌ماند:

  • آیا این API واقعاً طراحی خوبی دارد؟

  • آیا نام‌گذاری‌ها واضح و قابل فهم هستند؟

  • آیا این تجربه کاربری لذت‌بخش است؟

  • آیا این راه‌حل همان چیزی است که اگر یک سال دیگر به پروژه برگردیم، هنوز از آن دفاع خواهیم کرد؟

این‌ها سؤال‌هایی هستند که پاسخشان فقط از روی تست‌ها به دست نمی‌آید. اینجا تجربه، سلیقه و قضاوت مهندسی انسان وارد میدان می‌شود.


جمع‌بندی

شاید مهم‌ترین نکته‌ای که از این کارگاه می‌توان یاد گرفت این باشد که استفاده حرفه‌ای از هوش مصنوعی، بیش از آنکه به نوشتن پرامپت‌های پیچیده وابسته باشد، به مدیریت صحیح Context وابسته است.

وقتی مسئله را به‌درستی درک می‌کنیم، آن را مستند می‌کنیم، پروژه را به بخش‌های کوچک‌تر تقسیم می‌کنیم، تست‌های قابل اعتماد می‌نویسیم و معماری مناسبی طراحی می‌کنیم، هوش مصنوعی به ابزاری بسیار قدرتمند تبدیل می‌شود.

اما اگر انتظار داشته باشیم با یک پرامپت چندصفحه‌ای تمام پروژه را به مدل بسپاریم، معمولاً نتیجه چیزی نخواهد بود جز کدی که در ظاهر کار می‌کند، اما در عمل نگهداری و توسعه آن دشوار است.

شاید به همین دلیل باشد که پاوکاک در پایان کارگاه می‌گوید آینده مهندسی نرم‌افزار کمتر درباره «کدنویسی بیشتر» است و بیشتر درباره «تصمیم‌های بهتر» خواهد بود؛ تصمیم‌هایی که هنوز مسئولیت آن‌ها بر عهده انسان است.

هوش مصنوعی
۰
۰
فرزین
فرزین
برنامه‌نویس، یک عدد عاشق کتاب
شاید از این پست‌ها خوشتان بیاید