ویرگول
ورودثبت نام
شبنم جلیل پور
شبنم جلیل پور
شبنم جلیل پور
شبنم جلیل پور
خواندن ۱۹ دقیقه·۳ ماه پیش

انطباق معماری نرم‌افزار در عصر هوش مصنوعی

آیا در حال معاملهی کیفیت با سرعت هستیم؟

توسعه‌ی نرم‌افزار در حال تجربه‌ی یک دگردیسی است. مدل‌های زبانی بزرگ (Large Language Models یا LLMs) امروز با سرعتی بی‌سابقه در تولید کد، بازبینی تغییرات و پیشنهاد بازآرایی کد (Refactoring) مشارکت می‌کنند. بااینحال، در پس این شتاب، یک پرسش معماریِ اساسی مطرح است: آیا خروجی‌های تولیدشده در همکاری توسعه‌دهنده و هوش مصنوعی، همچنان با تصمیمات، قیود و مرزهای معماری سیستم منطبق‌اند؟ چه چیزی تضمین میکند این سرعت، به قیمت از دست رفتن معماری سیستم تمام نشود؟

این پرسش، نقطه آغاز پژوهشی است که تلاش می‌کند میان سه حوزه به‌سرعت در حال تحول یک ارتباط ساختاری برقرار کند: انطباق معماری نرم‌افزار، مدل‌های زبانی بزرگ و همکاری انسان و هوش مصنوعی.

مسئله‌ی اصلی در اینجا، صرفاً کیفیت عملکردی یا سرعت تحویل کد نیست؛ بلکه حفظ انطباق معماری (Architecture Conformance) در برابر خطر انحراف معماری (Architectural Drift) است.

بهعنوان دانشجوی فناوری اطلاعات، این پژوهش را با هدف واکاوی شکاف، میان تولید یا پیشنهاد خودکار کد توسط هوش مصنوعی، و ضرورت حفظ انطباق آن با قواعد معماری انجام دادهام. این مطالعه، با رویکرد مرور نیمه‌نظام‌مند (Semi-systematic Review)، ۳۶ سند علمی معتبر منتشرشده در فاصله سالهای ۲۰۱۸ تا ۲۰۲۶ را از پایگاه‌های داده‌ی اصلی استخراج و در چهار خوشه موضوعی تحلیل نموده است. هدف آن، بررسی انتقادی ادبیات موجود و ارائه یک چارچوب مفهومی ساختاریافته، برای ارزیابی و حاکمیت انطباق معماری در اکوسیستم‌های نرم‌افزاری مجهز به هوش مصنوعی است. در ادامه، گزارش مستندی از یافته‌های این پژوهش ارائه می‌شود:

۱. چرا این مسئله شکل گرفت؟

مدل‌های زبانی بزرگ (LLM) در سال‌های اخیر از ابزارهای تولید کد صرف فراتر رفته و به بخشی از تصمیم سازی‌های معماری و بازتعریف ساختار تیمهای مهندسی نرم‌افزار تبدیل شده‌اند. این تحول، همزمان دو مسیر پژوهشی را به یکدیگر نزدیک کرده است: کاربرد LLMها در ارزیابی انطباق معماری و همکاری انسان و هوش مصنوعی در مهندسی نرم‌افزار.

در مسیر نخست، از LLMها برای استخراج قواعد طراحی از مباحثات غیررسمی توسعه‌دهندگان، پایش سوابق تصمیمات معماری (ADR) برای کشف نقض‌های ساختاری و پشتیبانی از نگهداشت‌پذیری در حوزه‌های پیچیده استفاده شده است [14، 17، 19]. در مسیر دوم نیز ابعاد شناختی، رفتاری و مسئله اعتماد در تعامل توسعه‌دهندگان با دستیارهای هوش مصنوعی مورد بررسی قرار گرفته است [27، 28، 29]. مرور ادبیات نشان می‌دهد این حوزه هنوز در حال گذار است. مطالعات بر ضرورت حرکت از ارزیابی‌های ایستا به سمت نظارت مستمر تأکید دارند [20] و بررسی سامانه‌های چندعاملی نیز همین نیاز را برجسته می‌کند [18]. از سوی دیگر، اتکای بیش از حد به خودکارسازی می‌تواند به «زوال مهارت‌های معماری» و از دست رفتن دانش ضمنی توسعه‌دهندگان منجر شود، مگر آنکه الگوهای جدیدی برای تعامل هدفمند طراحی شود [32].

دقیقا از اینجا مسئله اصلی پژوهش شکل میگیرد: اگر LLMها در تولید، تصمیم‌گیری و ارزیابی نرم‌افزار نقش فعال داشته باشند، چگونه می‌توان از انحراف معماری جلوگیری کرد و در عین حال عاملیت و تخصص انسانی را حفظ نمود؟

مقاله برای پاسخ به این مسئله، سه شکاف را دنبال میکند.

  • نخست، قابلیت اعتماد LLMها در تشخیص نقض‌های معماری، به‌ویژه زمانی که تصمیمات به ساختار پنهان سازمانی، وابستگی‌های پیچیده میان ماژولی یا الزامات استقرار وابسته‌اند؛ شرایطی که می‌تواند به خطا، تفسیر معنایی نادرست و توهم منجر شود [17]. بنابراین، استفاده از گاردریل‌ها و دروازه‌های قطعی برای کنترل خروجی‌ها ضروری است [22].

  • دوم، با توجه به سرعت تحولات این حوزه، چارچوب‌های ارزیابی یکباره دیگر کافی نیستند [20] و در کنار آن، نیاز به معماری‌های چندعاملی خودمختار برای مدیریت عملیات پیچیده افزایش یافته است [18]. مسئله این است که چگونه می‌توان ارزیابی مستمر ابزارهای مبتنی بر LLM و ارکستراسیون سامانه‌های چندعاملی را به سمت مقیاس‌پذیری و حاکمیت معماری قابل‌اعتماد هدایت کرد.

  • سوم، ابزارهای LLM تعاملات توسعه‌دهندگان را در سطوح شناختی، عاطفی و رفتاری تغییر داده‌اند و اعتماد و فقدان درک پروژه‌ای از موانع اصلی پذیرش این سیستم‌ها هستند [28]. این مسئله در کنار خطر فرسایش تخصص انسانی [32]، این پرسش را مطرح می‌کند که چگونه می‌توان همکاری انسان و هوش مصنوعی را به‌گونه‌ای طراحی کرد که AI در نقش معمار همکار به تصمیم‌گیری سرعت ببخشد، بدون آنکه عاملیت انسانی و مهارت‌های مهندسی تضعیف شود.

بر همین اساس، مقاله با تبیین معیارهای انطباق، واکاوی الگوهای تعامل و ارائه یک چارچوب مفهومی، تلاش می‌کند پاسخی تحلیلی و انتقادی به این سه پرسش ارائه دهد و مسیر توسعه پایدار معماری نرم‌افزار در عصر هوش مصنوعی را ترسیم کند.

۲. برای فهم مسئله، ابتدا باید «انطباق معماری» را فهمید!

انطباق معماری به فرآیندی سیستماتیک گفته میشود که در آن پیاده‌سازی نهایی یک سیستم نرم‌افزاری، با معماری نهایی (Intended Architecture) تطبیق داده می‌شود تا هرگونه انحراف ساختاری شناسایی گردد [۱۰].
انحراف زمانی رخ میدهد که تغییرات تدریجی در سطح پیاده‌سازی، از تصمیمات معماری، منطق لایه‌بندی، مرزهای سرویس‌ها، ملاحظات نگهداشت‌پذیری، الزامات امنیتی یا تصمیمات ثبت شده در ADR فاصله بگیرند. اگر این فاصله گیری کنترل نشود، می‌تواند در بلندمدت به فرسایش معماری (Architectural Erosion) و کاهش انسجام ساختاری سامانه منجر شود [3].
رویکردهای کلاسیک برای پایش این انطباق را می‌توان در سه دسته کلان صورتبندی کرد:
۱. مدلسازی انعکاسی (Reflexion Modeling) به‌عنوان یکی از تکنیک‌های پایه ارزیابی ایستا، که با تعریف قوانین مشخص یا به اصطلاح نگاشت‌های اعلانی (Declarative Mapping) میان مدل‌های سطح بالا و کدهای منبع بررسی می‌شود، تا وضعیت کد نسبت به معماری، در سه گروه همگرایی یا همخوانی کامل (Convergence)، انحراف (Divergence) و عدم پیاده‌سازی (Absence) طبقه‌بندی شود [۱۰].
۲. سیاست گذاری یکپارچه در زیرساخت که با مفهوم «حاکمیت به عنوان کد» (Code as Governance) شناخته شده و قوانین و استانداردهای معماری را به کدهای قابل اجرا تبدیل می‌کند. [۵].
۳. راهکارهای تخصصی برای پایش محیط‌های پیچیده مانند معماری‌های میکروسرویس [۶] و سیستم‌های چندزبانه [۴] که به دلیل ماهیت پویای خود، چالش‌های ارزیابی پیچیده‌تری را به همراه میاورند و برای پایش خود نیازمند ابزار و روش‌های اختصاصی هستند.

در کنار این مسئله، همکاری انسان و هوش مصنوعی به‌عنوان پارادایمی نوظهور در چرخه توسعه نرم‌افزار مطرح شده است. این همکاری، پارادایمی نوظهور است که طیف وسیعی از تعاملات، از دستیاری ابزاری ساده تا عاملیت مشترک (Co-Agency) را در بر میگیرد [۲۷، ۲۹]. طبقه بندی‌های نوین، عاملیت هوش مصنوعی را از یک ابزار منفعل فراتر برده و آن را در قامت یک «هم تیمی هوش مصنوعی» (AI Teammate) تعریف می‌کنند [۲۴].
با این وجود، شواهد تجربی حاکی از آن است که نرخ پذیرش پیشنهادهای ارائه‌شده توسط هوش مصنوعی در فعالیت‌های حساسی مثل بازبینی کد، به‌مراتب پایین‌تر از بازخوردهای انسانی است؛ این مقاومت به‌ویژه در حوزه‌های نیازمند قضاوت عمیق، مانند شناسایی نقص‌های منطقی یا بهبود ساختار کد، مشهودتر است [۲۸].
این پویایی تعاملی، مفاهیم روانشناختی مهمی از جمله «سوگیری اتوماسیون» (Automation Bias) را پررنگ می‌کند؛ پدیده‌ای که در آن کاربران انسانی به دلیل اتکای بیش ازحد، خروجی‌های سیستم را بدون ارزیابی انتقادی کافی می‌پذیرند [۲۵].
برای مهار این چالش‌ها، پژوهشگران به تدوین اصول راهنمای طراحی تعامل انسان-هوش مصنوعی [۲۶] و استخراج موارد آموخته شده کاربردی، از کارگاه‌های تعاملی توسعه‌دهندگان پرداخته‌اند تا گاردریل‌های ایمن‌تری برای این همکاری‌ها بنا کنند [۳۰]. در همین بستر، LLMها از تولید کدهای پایه تا مشارکت در تصمیم‌گیری‌های پیچیده معماری وارد چرخه توسعه شده‌اند [۲۰].
مرور دستاورد این حوزه نشان میدهد که کاربرد این مدل‌ها در معماری نرم افزار شامل تولید تصمیمات طراحی [۱۵]، پایش و کشف نقض سوابق تصمیمات (ADR) در کد اصلی [۱۷]، و همچنین خودکارسازی بررسی انطباق میان مستندات غیررسمی، یعنی زبان طبیعی، و ساختار پیاده‌سازی شده است [۱۴، ۲۱].
به موازات این کاربردها، تدوین معماری‌های مرجع تخصصی برای سیستم‌های مبتنی بر LLM و ظهور رویکردهای چندعاملی (Multi-Agent Systems) برای مهندسی نرم افزار [۱۱ ,۱۸]، امکان خودکارسازی بخش‌های وسیعی از چرخه تولید را فراهم کرده‌اند؛ با این حال، کاربرد این مدل‌ها همچنان با محدودیت‌های بازدارنده‌ای مثل ضعف در قابلیت اطمینان برای استدلال‌های استراتژیک بلندمدت معماری و نیاز به راستی‌آزمایی انسانی مواجه هستند [۱۶].

از کنار هم قرار گرفتن این سه حوزه، یعنی انطباق معماری، همکاری انسان-AI و توانایی‌های LLM، پارادایم دیگری شکل می‌گیرد: حکمرانی معماری با واسطه هوش مصنوعی! این نقطه، جایگاه سنتی معمار نرم افزار را، از یک «داور نهایی» (Final Arbiter) به هم‌افزایی با هوش مصنوعی در قامت یک «معمار همکار» (Co-Architect) تغییر میدهد.


این تفویض اختیار، ریسک‌های ساختاری پنهانی مانند «زوال مهارت‌های معماری» (Architectural Deskilling) را مطرح می‌کند؛ جایی که اتکای بیش از حد به پیشنهادهای خودکار، ممکن است توانایی تحلیل انتقادی و قدرت تشخیص انحرافات پیچیده معماری توسط متخصصان انسانی را در بلندمدت تحلیل ببرد. مبانی مقابله با این ریسک‌ها را می‌توان در چارچوب‌های هوش مصنوعی انسان‌محور (Human-Centered AI) ردیابی کرد؛ این اصول تأکید دارند که خودکارسازی (Decision Support) باید قضاوت و عاملیت انسانی را تقویت و تکمیل کند، نه آنکه جایگزین آن شود [۳۱، ۳۳، ۳۲].

۳. از مرور ادبیات تا سه محور اصلی مسئله

مرور انتقادی ادبیات این مطالعه، نشان می‌دهد که انحراف و فرسایش معماری همچنان یکی از بنیادی‌ترین چالشهای چرخه حیات توسعه سیستم‌های نرم‌افزاری هستند؛ [۳]. هرچند پژوهش‌های مختلفی برای ارزیابی انطباق، بازرسی و مهندسی معکوس انجام شده، رویکردهای سنتی در برابر پیچیدگی اکوسیستم‌های نرم‌افزاری معاصر با محدودیت‌هایی روبه‌رو هستند و نیاز به حرکت به سمت الگوهای مبتنی بر هوش مصنوعی و مدل‌های زبانی بزرگ دارند [۳].

  • محور اول: مرزهای ساختاری و محدودیت‌های رویکردهای سنتی

    در ادبیات، یکپارچگی لایه‌بندی و وابستگی‌ها و یکپارچگی مرزهای سرویس/مؤلفه از معیارهای مهم انطباق معماری‌اند و مدل‌های انعکاسی (Reflexion Modeling) یکی از روش‌های اصلی ارزیابی ایستا برای پایش این مرزها محسوب می‌شوند [۱۰]. با این حال، وابستگی به الگوریتم‌های پیچیده و نگاشت دستی معماری به کد، اثربخشی این روش‌ها را محدود کرده است [۲]. رویکردهای مربوط به نگهداری‌پذیری، امنیت، ردیابی تصمیمات معماری (ADR)، حاکمیت به مثابه کد و انطباق مستمر نیز توسعه یافته اند [۱]، [۷]، [۵]، [۸]؛ اما این روش‌ها همچنان انسانمحور، ایستا و وابسته به پیکربندیهای دستی هستند و هزینه بالای نگاشت سیستم به معماری، مانع پذیرش آنها در صنعت است [۳]. این ضعف در سیستم‌های چندزبانه نیز، با وجود استفاده از زبان‌هایی مانند OCL، همچنان باقی است [۴].

  • محور دوم:

    استخراج معنایی قواعد و ارکستراسیون مبتنی بر LLM

    در پاسخ به محدودیت رویکردهای ایستا، ارزیابی معماری به سمت استنتاجه‌ای معناشناختی و پویا حرکت کرده است. LLMها می‌توانند قواعد طراحی را از گفت‌وگوهای غیررسمی توسعه‌دهندگان استخراج و به آزمون‌های انطباق تبدیل کنند [۱۴] و میان مستندات متنی و مدل‌های معماری ارتباط برقرار کنند [۲۱]. همچنین، ارزیابی کد در برابر سوابق تصمیمات معماری (ADR) و کشف ناهماهنگی‌های پنهان، ظرفیت آنها را در تضمین ردیابی‌پذیری تصمیمات در کد نشان میدهد [۱۲، ۱۷]. در کنار آن، سیستم‌های چندعاملی با استفاده از حلقه‌های تأییدکننده-بهینه‌ساز و تحلیل پویای تغییرات، امکان مدیریت یکپارچه‌تر فرایند توسعه و همگام‌سازی تصمیمات معماری با ساختار پروژه را فراهم کرده‌اند [۱۵، ۱۸، ۱۹، ۲۳].

  • محور سوم: پارادایم هم‌تیمی انسان-هوش مصنوعی

ورود هوش مصنوعی به توسعه نرم‌افزار، تعامل انسان و ماشین را از رویکرد ابزارمحور به سمت تیم‌های انسان-هوش مصنوعی تغییر داده و AI به‌عنوان یک هم‌تیمی فعال عمل میکند [۲۴]. موفقیت این همکاری به شکل‌گیری مدلهای ذهنی مشترک وابسته است؛ یعنی AI باید علاوه بر وظیفه کدی، محدودیت‌های معماری و قصد راهبردی توسعه‌دهنده را نیز درک کند [۲۴، ۲۵]. نبود این درک مشترک میتواند به فرسایش معماری منجر شود [۲۷]. با این وجود، هماهنگی شناختی میان انسان و AI شکننده است و در مقیاس معماری‌های سازمانی بزرگ، حفظ آن میان یک انسان و یک عامل واحد به یک گلوگاه شناختی تبدیل می‌شود [۲۴]؛ بنابراین، گذار به ارکستراسیون سیستم‌های چندعاملی ضروری می‌شود.

در جمع‌بندی، ادبیات سه شکاف اصلی را نشان می‌دهد: وابستگی به پیکربندی دستی، فقدان درک کلان‌نگر در مدل‌های احتمالی و خطر توهم‌زایی معنایی [۱۷]. بر این اساس، پنج معیار انطباق شامل یکپارچگی لایه‌ها، مرزهای سرویس، مرزهای نگهداری، مرزهای امنیتی و ردیابی تصمیمات، در کنار پنج الگوی تعاملی، برای ایجاد محیط‌های کنترل‌شده و مهار این ریسک‌ها مطرح می‌شوند [۱، ۷، ۲۲، ۲۳].

۴. نگاشت مفهومی الگوهای تعامل انسان-هوش مصنوعی با معیارهای انطباق معماری

بخش اول: چرا این چارچوب لازم است؟

نکته‌ی کلیدی این است که استفاده از هوش مصنوعی در معماری نرم‌افزار نباید فقط در حد استفاده از یک ابزار باقی بماند؛ بلکه باید به سمت شکل‌گیری یک تیم واقعی انسان و هوش مصنوعی حرکت کند که درک مشترکی از پروژه دارند [24]. مشکل از اینجا شروع می‌شود که مدل‌های زبانی بزرگ ذاتاً احتمالاتی عمل می‌کنند، یعنی همیشه پاسخ قطعی و تضمین‌شده نمی‌دهند. پس همین ویژگی باعث می‌شود وقتی این مدل‌ها با منطق‌های پیچیده‌ی نرم‌افزاری روبه‌رو شوند، به‌راحتی معماری سیستم را دچار فرسایش کنند [30].

راه حل این است که الگوهای تعامل (نحوه‌ی همکاری انسان و AI) را به‌طور مستقیم به معیارهای انطباق معماری وصل کنیم. با این کار، مدل زبانی دیگر یک جعبه سیاه نیست، بلکه به یک ابزار قانونمند و قابل کنترل تبدیل می‌شود [23]. اگر این اتصال شکل نگیرد، هوش مصنوعی نمی‌تواند تصمیمات معماری را در طول زمان دنبال کند و این تصمیمات به مرور فراموش می‌شوند — پدیده‌ای که میتوان آن را «فراموشی معماری» نامید [13].

بخش دوم: هر الگوی تعامل با کدام معیار درگیر است؟

بررسی نشان می‌دهد پنج الگوی تعامل انسان-AI، هم می‌توانند از معماری محافظت کنند و هم می‌توانند تهدیدش کنند — بستگی دارد چگونه استفاده شوند.

۱) استخراج قاعده (از ADR یا PR): این الگو بیشترین کمک را به دو معیار می‌کند: ردیابی تصمیمات معماری (ADR) در کد، و حفظ یکپارچگی لایه‌ها و وابستگی‌ها. کاری که این الگو انجام می‌دهد ساده اما مؤثر است: بحث‌های غیررسمی توسعه‌دهندگان را مستقیماً به تست‌های اجرایی معماری تبدیل می‌کند، بدون نیاز به مدلسازی‌های رسمی و سنگین [14, 34]. نتیجه اینکه کد منبع کمتر از تصمیمات کلان معماری فاصله می‌گیرد [17].

۲) برنامه‌نویسی دونفره و پیشنهاد بازآرایی: این الگوها روی مرزهای نگهداری‌پذیری و مرزهای سرویس/کامپوننت اثر می‌گذارند. مشکل اینجاست که کدهای پیشنهادی AI معمولاً پیچیدگی چرخ‌های (Cyclomatic Complexity) و حجم کد را بالا می‌برند، که می‌تواند نگهداری‌پذیری را به‌شدت آسیب بزند [35]. برای همین، این نوع همکاری حتماً باید زیر نظارت مستقیم توسعه‌دهنده باشد [27].

۳) تولید خودکار PR توسط AI (پرخطرترین الگو): این الگو بزرگترین خطر را برای امنیت و یکپارچگی کل سیستم دارد. مدل‌های زبانی ممکن است خطاهایی تولید کنند که ظاهراً درست اجرا می‌شوند اما در عمل زیرساخت یا پروتکل‌های ارتباطی را در لایه‌های عمیق‌تر نقض می‌کنند [36]. برای کنترل این ریسک، استفاده از چند عامل هوش مصنوعی برای بررسی متقاطع این PRها، خطای توهم را به‌طور مؤثری کاهش می‌دهد [36].

بخش سوم: این چارچوب کجای فرآیند توسعه قرار میگیرد؟

برای جلوگیری از انحراف معماری، این چارچوب باید به‌عنوان یک لایه‌ی نظارتی داخل خط لوله‌ی CI/CD جاسازی شود، نه اینکه جدا از فرآیند توسعه باشد. رویکرد پیشنهادی ادبیات این است که حاکمیت معماری در قالب «حاکمیت به عنوان کد» وارد اتوماسیون شود [5].

۵. تحلیل، بحث و نتیجه گیری:)

باید این را بدانیم که استفاده از مدل‌های زبانی بزرگ در معماری نرم‌افزار، هم فرصت است و هم چالش. از یک‌سو، برای تیم‌های کوچک و استارتاپی که توان مالی استخدام معمار تمام وقت را ندارند، AI می‌تواند نقش «معمار همکار» را ایفا کند: با استخراج خودکار قواعد از بحث‌های غیررسمی تیم [14]، تبدیل سریع توافقات به تست انطباق معماری، و کاهش بار ذهنی توسعه‌دهنده از طریق برنامه‌نویسی دونفره [27]، بنابراین سرعت تصمیم‌گیری اولیه بالا می‌رود و از انباشت بدهی فنی جلوگیری می‌شود [13].

اما این مزایا با دو محدودیت جدی همراه است! اول، مسئله‌ی دقت: چون مدل‌های زبانی ماهیتی احتمالاتی دارند، در استدلال‌های منطقی پیچیده و بررسی دقیق مدل‌ها دچار خطا و توهم می‌شوند [16]، و در تشخیص نقض‌هایی که به پیکربندی زیرساخت یا دانش پنهان سازمانی وابسته‌اند ضعیف عمل می‌کنند [17]. به همین دلیل AI هرگز نباید جایگزین تحلیل ایستای سنتی شود، بلکه باید در نقش مشاور باقی بماند [22, 23].

دوم، مسئله‌ی اعتماد بیش از حد: تکیه‌ی زیاد به AI می‌تواند مهارت معماری و تفکر انتقادی مهندسان را تضعیف کند [32]، ممکن است خطر تأیید کورکورانه‌ی کد بدون درک روی معماری تاثیرگذار باشد [30] — کدی که معمولاً پیچیدگی و نگهداری‌پذیری را هم بدتر می‌کند [35]. جالب اینجاست که با وجود لحن مؤدبانه‌ی AI که توسعه‌دهندگان آن را می‌پسندند، خودشان هم قبول دارند که بازبینی کاملاً ماشینی می‌تواند به از دست رفتن دانش استراتژیک تیم منجر شود [28]. در نهایت، همکاری انسان-AI باید کارهای خسته‌کننده را کم کند، نه اینکه به قیمت از دست رفتن مهارت‌های پایه‌ای برنامه نویسی و درک معماری تمام شود [29].

در نتیجه، انحراف معماری همیشه یکی از سخت‌ترین چالش‌های چرخه‌ی عمر نرمافزار بوده، اما با ورود مدل‌های زبانی بزرگ و همکاری انسان-AI، وارد مرحله‌ی تازه‌ای شده است. ابزارهای تحلیل ایستای قدیمی، چون به تنظیمات دستی وابسته‌اند، قواعدشان انعطاف ندارد و درک کلان و معنایی کافی ندارند، دیگر برای اکوسیستم‌های نرم‌افزاری امروزی که سریع و پیچیده هستند کافی نیستند. در این شرایط، مدل‌های زبانی به لطف قدرت استنتاجشان می‌توانند نقش یک معمار همکار را بازی کرده و تصمیم‌گیری معماری را سریع‌تر کنند. اما چون ماهیت این مدل‌ها احتمالاتی است، خطر توهم معنایی و سوگیری اتوماسیون بالاست، که مستقیماً به فرسایش ساختاری کدبیس منجر می‌شود.

نتیجه‌ی اصلی این پژوهش، ارائه‌ی یک چارچوب مفهومی یکپارچه است که پنج معیار انطباق معماری را با پنج الگوی تعامل انسان-AI به‌طور ساختاریافته به هم وصل می‌کند و خلأهای نظارتی موجود را پر میکند. تحلیل‌ها نشان می‌دهند که اگر الگوهای تعامل AI بدون کنترل رها شوند، سیستم به سرعت به سمت کد درهم‌تنیده، اتصال شدید بین میکروسرویس‌ها و انباشت بدهی فنی می‌رود.

و درنهایت

این پژوهش چگونه انجام شد؟

این مطالعه، از رویکرد مرور نیمه‌نظام‌مند ادبیات (Semi-Systematic Literature Review) پیروی می‌کند. جست‌وجوی اولیه در پایگاههای داده معتبر Scopus، IEEE Xplore، ACM Digital Library و SpringerLink انجام شد. بازه زمانی جست‌وجو به انتشارات ۲۰۱۸ تا ۲۰۲۶ محدود گردید. با توجه به نوظهور بودن فناوری‌های مرتبط با مدل‌های زبانی بزرگ، در دسته کاربردهای مبتنی بر LLM، بر مقالات منتشرشده از سال ۲۰۲۳ به بعد تأکید ویژه‌ای شد.
مقالات بررسی شده، برای تدوین ساختار مفهومی پژوهش در چهار خوشه موضوعی مجزا دسته‌بندی شدند:
خوشه ۱: ۱۰ مقاله؛ انطباق و فرسایش معماری، و حکمرانی به مثابه کد
خوشه ۲: ۱۵ مقاله؛ نقش LLM در معماری و مهندسی نرم‌افزار
خوشه ۳: ۷ مقاله؛ همکاری انسان و AI و اعتماد توسعه‌دهنده
خوشه ۴: ۴ مقاله؛ هوش مصنوعی انسان محور و چارچوب‌های بنیادین
این خوشه‌بندی، شالوده اصلی برای طراحی و استدلال‌های چارچوب مفهومی پژوهش را فراهم آورده است.
البته پژوهش محدودیت‌های روش شناختی خود را نیز در نظر گرفته است؛ از جمله احتمال از قلم افتادن برخی منابع مرتبط که در پایگاه‌های داده بررسی نشده قرار دارند، سوگیری انتخاب به دلیل اعمال معیارهای غربالگری توسط پژوهشگر به صورت انفرادی، و نوسان اصطلاحات نوظهور در حوزه LLMها.
به دلیل پویایی و سرعت بالای تحول در حوزه LLMها، برخی اصطلاحات کلیدی همچون «Co-Architect» یا «Verifier-Optimizer Loop» هنوز در ادبیات آکادمیک استانداردسازی نشده‌اند و تعاریف ارائه شده، برآیندی از ترکیب و تفسیر نگارنده از منابع در دسترس است.

منابع استفاده شده:

[1] M. Bayar et al., "An Architecture Assessment Model: Holistic Evaluation of Software Architecture," IEEE Access, 2025.

  [2] F. Chen, L. Zhang, and X. Lian, "An improved mapping method for automated consistency check between software architecture and source code," IEEE 20th International Conference on Software Quality, Reliability and Security (QRS), 2020.

  [3] N. Ali, S. Baker, R. O'Crowley, S. Herold, and J. Buckley, "Architecture consistency: State of the practice, challenges and requirements," Empirical Software Engineering, 2018.

  [4] R. Rahimi and R. Khosravi, "Architecture Conformance Checking of Multi-Language Applications."

  [5] J. Panasiuk, "Automated Architectural Control: Implementing the Governance as Code," IEEE 6th International Conference on Electrical, Control and Instrumentation Engineering (ICECIE), 2024.

  [6] C. Cao et al., "CATMA: Conformance Analysis Tool For Microservice Applications," IEEE/ACM 46th International Conference on Software Engineering: Companion Proceedings (ICSE-Companion), 2024.

  [7] K. Tuma et al., "Checking security compliance between models and code," Software and Systems Modeling, 2023.

  [8] A. Bucaioni et al., "Continuous Conformance of Software Architectures," IEEE 21st International Conference on Software Architecture (ICSA), 2024.

  [9] A. Bucaioni et al., "Reference architectures modelling and compliance checking," Software and Systems Modeling, 2023.

  [10] L. Passos, R. Terra, M. T. Valente, R. Diniz, and N. Mendonça, "Static Architecture-Conformance Checking: An Illustrative Overview," IEEE Software, 2010.

  [11] A. Bucaioni et al., "A Functional Software Reference Architecture for LLM-Integrated Systems," IEEE 22nd International Conference on Software Architecture Companion (ICSA-C), 2025.

  [12] G. Morales et al., "A Large Language Model Approach to Code and Privacy Policy Alignment," IEEE International Conference on Software Analysis, Evolution and Reengineering (SANER), 2024.

  [13] A. Bucaioni et al., "Artificial Intelligence Support for Software Architecture Practice: A Systematic Review and Future Directions," ACM Transactions on Software Engineering and Methodology, 2025.

  [14] A. Lucena, E. L. G. Alves, and J. Brunet, "Language Models as Architectural Gatekeepers: Automating Conformance Checking from Natural Language," SBES, 2025.

  [15] R. Dhar, K. Vaidhyanathan, and V. Varma, "Can LLMs Generate Architectural Design Decisions? - An Exploratory Empirical study," 2024.

  [16] S. Batsakis et al., "Model Checking Using Large Language Models - Evaluation and Future Directions," Electronics, 2025.

  [17] R. Su et al., "Evaluating Large Language Models for Detecting Architectural Decision Violations," 2026.

  [18] J. He, C. Treude, and D. Lo, "LLM-Based Multi-Agent Systems for Software Engineering: Literature Review, Vision and the Road Ahead," 2025.

  [19] N. Petrovic, L. Mazur, and A. Knoll, "LLM-Based Approach for Enhancing Maintainability of Automotive Architectures," 2nd International Generative AI and Computational Language Modelling Conference (GACLM), 2025.

  [20] L. Schmid et al., "Software Architecture Meets LLMs: A Systematic Literature Review," 2025.

  [21] J. Keim and A. Koziolek, "Towards Consistency Checking between Software Architecture and Informal Documentation."

  [22] N. Leburu, "Trust-Aware Orchestration Architecture for LLM-Assisted Workflows in Multi-Tenant Enterprise Systems," IEEE Access, 2026.

  [23] M. A. Ahmed et al., "VeriGen: An LLM-Augmented Framework for End-to-End Automation of Software Development Lifecycle-From Requirements Specifications to Code Generation," IEEE Access, 2026.

  [24] R. Zhang, N. J. McNeese, G. Freeman, and G. Musick, "An Ideal Human: Expectations of AI Teammates in Human-AI Teaming," Proc. ACM Hum.-Comput. Interact. (CSCW), 2020.

  [25] M. J. McGrath, A. Duenser, J. Lacey, and C. Paris, "Collaborative human-AI trust (CHAI-T): A process framework for active management of trust in human-AI collaboration," Computers in Human

  [26] S. Amershi et al., "Guidelines for Human-AI Interaction," CHI Conference on Human Factors in Computing Systems, 2019.

  [27] C. Treude and M. A. Gerosa, "How Developers Interact with AI: A Taxonomy of Human-AI Collaboration in Software Engineering," 2025.

  [28] A. Alami and N. Ernst, "Human and Machine: How Software Engineers Perceive and Engage with AI-Assisted Code Reviews Compared to Their Peers," IEEE/ACM 18th International Conference on Cooperative and Human Aspects of Software Engineering (CHASE), 2025.

  [29] V. Stray, A. Barbala, and V. T. Wivestad, "Human-AI Collaboration in Software Development: A Mixed-Methods Study of Developers' Use of GitHub Copilot and ChatGPT," FSE Companion, 2025.

  [30] M. Hamza et al., "Human-AI Collaboration in Software Engineering: Lessons Learned from a Hands-On Workshop," IEEE/ACM International Workshop on Software-Intensive Business (IWSiB), 2024.

  [31] D. Lo, "Human-Centered AI for Software Engineering: Requirements, Reflection, and Road Ahead," 16th Innovations in Software Engineering Conference (ISEC), 2023.

  [32] S. Abrahão et al., "Software Engineering by and for Humans in an AI Era," ACM Transactions on Software Engineering and Methodology, 2025.

  [33] T. Capel and M. Brereton, "What is Human-Centered about Human-Centered AI? A Map of the Research Landscape," CHI, 2023.

  [34] G. Leonardi et al., "LLM-Orchestrated Conformance Checking in Stroke Care Without Computer-Interpretable Guidelines," 2026.

  [35] S. Zhong et al., "Human-AI Synergy in Agentic Code Review," 2026.

 [36] S. Abuzakuk et al., "RIVA: Leveraging LLM Agents for Reliable Configuration Drift Detection," EuroMLSys, 2026.

...............................................................................................................................................

امیدوارم این پژوهش براتون مفید بوده باشه.

اين مطلب، بخشي از تمرين‌هاس درس معماری نرم‌افزار در دانشگاه شهيدبهشتی است. مشتاق نظرات، انتقادات و پیشنهاداتتون هستم!

چکیده و خلاصه تمام این موارد، در کانال آپارات بنده ارائه شده؛ خوشحال می‌شم اگر بهش سری بزنید :)

هوش مصنوعیمهندسی نرم افزارمعماری نرم افزارمعماری نرم افزار بهشتی
۰
۰
شبنم جلیل پور
شبنم جلیل پور
شاید از این پست‌ها خوشتان بیاید