در دنیای توسعه نرمافزار، نحوهی تولید کد شاید از بیرون هیجانانگیز بهنظر برسه—کدهایی که با یک پرامپت تولید میشن، خروجی هوش مصنوعی هستن یا حتی از دل فورومها بیرون کشیده میشن. اما برای ما، بهعنوان یک تیم یا سازمان، اینکه چطور کد نوشته شده، اهمیتی نداره.
ما به چیزی که وارد کدبیس میشه اهمیت میدیم.
وقتی روی دکمهی “Approve” کلیک میکنیم، تنها چند سوال کلیدی تو ذهنمونه:
خروجی درست کار میکنه؟
سه ماه دیگه قابل فهمه؟
میشه بهراحتی تغییرش داد؟
و اینجاست که تضاد اصلی خودش رو نشون میده.
ما میتونیم تشخیص بدیم که این کد رو آدم نساخته. یا حداقل یکی از اعضای تیم ما نساخته. چون هیچکدوم از ما یک سیستم HTTP fetching از صفر نمینویسه وقتی یه کتابخونهی آماده براش داریم. هیچکدوم کلاس نمینویسیم وقتی تیممون روی معماری فانکشنال توافق کرده.
کدی که با LLM نوشته شده میتونه تمیز، تستشده و حتی خوانا باشه، ولی اگر با اصول پروژهی ما ناسازگاره، یعنی یک خطر بالقوه برای نگهداری بلندمدت.
ما دههها وقت گذاشتیم تا الگوهایی بسازیم که نرمافزارهای قابل نگهداری تولید کنیم. بزرگترین چالشی که داشتیم همیشه تغییرپذیری پس از انتشار بوده. و حالا برگشتیم به مرحلهای که فقط میخوایم سریعترین نسخهی ممکن از محصول رو بیرون بدیم — انگار سرعت تنها معیار موفقیته.
اما مشکل اینجاست: ما داریم prototypeها رو productionize میکنیم.
از توسعهدهندگانمون نمیخوایم که جلوی استفاده از LLM رو بگیرن. برعکس، ما میخوایم بهتر ازش استفاده کنن. چون LLM یک ابزار فوقالعادهست، ولی فقط در صورتی که درست تغذیه بشه:
پرامپتهای دقیقتر بنویسید.
محدودیتها و کانتکستهای پروژه رو به مدل منتقل کنید.
به مدل مثالهای مشابه نشون بدید.
بگید چه کتابخونهای استفاده بشه و چرا.
قابلیت نگهداری کد رو به شانس وزنهای یک مدل نسپارید.
تیمهای فنی باید یادشون بیاد که مسئولیتشون فقط “نوشتن کدی که کار میکنه” نیست. مسئولیت ما ساختن یک سیستم نرمافزاری پایداره — سیستمی که بشه روش حساب کرد، توسعهاش داد، و مهمتر از همه، بهش اعتماد کرد.
رفرنس اصلی : alexkondov - I Know When You're Vibe Coding
با کمک جی پی تی .