ویرگول
ورودثبت نام
شایان میرزایی
شایان میرزاییFrontend Lead و مهندس ارشد نرم‌افزار در اسنپ‌فود. اینجا از چالش‌های واقعی ساخت محصول و کار با تیم‌ها می‌نویسم؛ از معماری فرانت‌اند و ابزارهای AI تا رهبری مهندسی و مدل‌های ذهنی تصمیم‌گیری.
شایان میرزایی
شایان میرزایی
خواندن ۹ دقیقه·۱۳ روز پیش

هفته پیش AI Engineer شدم 😉

عنوان مقاله یه کم شوخیه طبیعتاً! اگه لینکدین من رو چک کنید یا از بچه‌های اسنپ‌فود بپرسید، رول اصلی من Frontend Lead هست.

توی کار روزمره‌م، من لیدِ یه فانکشن بزرگم که ۳ تا تیم و ۶ تا دولوپر فرانت‌اند داره. روی کاغذ، کارهایی که باید هر روز انجام بدم مشخصه: مدیریت بچه‌ها، تعریف دقیق تسک‌ها، حل کردن باتل‌نک‌ها، فیدبک دادن، سلوشن و معماری درآوردن و در کل پیش بردن پروسه‌های فرانت‌اندِ فانکشنمون.

ولی خب، هیچ‌وقت خودم رو به این چارچوب و تایتل شغلی محدود ندیدم. همیشه دلم می‌خواست کارهای بیشتر و جذاب‌تری انجام بدم. برای همین، حالا که دنیای AI انقدر جذاب شده و داره همه‌چیز رو عوض می‌کنه، دلم می‌خواست توی پروسه‌های AI شرکت هم مشارکت کنم و یه قدم روبه‌جلو بردارم. توی این مسیر به ایده‌ها و پروژه‌های مختلفی کمک کردم؛ از ساختن Skillهای کاستوم و پلاگین گرفته تا اینکه کمک کنم ریپازیتوری‌های فرانت‌اندمون اصطلاحاً AI-ready بشن.

اما یکی از جذاب‌ترین اتفاقات این روزها برای من، کانسپت AI-Native SDLC بوده. توی مسیر ساختن یه ابزار داخلی جدید برای این فضا، به خودم اومدم و دیدم مایندستم از یه لید فرانت‌اند خیلی فراتر رفته و عملاً دارم کار یه AI Engineer، یه Product Engineer و یه معمار سیستم رو هم‌زمان انجام می‌دم.

توی این مقاله می‌خوام داستان این ابزاری که ساختم رو بگم و ببینیم چرا مرز بین این رول‌ها داره کمرنگ می‌شه و نقش ما به‌عنوان مهندس نرم‌افزار چجوری داره تغییر می‌کنه.


از SDLC سنتی تا AI-Native SDLC؛ واقعاً داستان چیه؟

همه‌مون با چرخه تولید نرم‌افزار یا همون SDLC (Software Development Life Cycle) آشناییم: برنامه‌ریزی، درآوردن نیازمندی‌ها، دیزاین، کد زدن، تست و دیپلوی.

الان اکثر تیم‌های فنی توی فاز AI-Assisted هستن. یعنی چی؟ یعنی همون پروسه سنتیِ قبلی سر جاشه، فقط دولوپر موقع کد زدن از Cursor یا Copilot یا Claude کمک می‌گیره تا سریع‌تر کد بزنه.

اما AI-Native SDLC یه دنیای دیگه‌ست—چیزی که توی پلی‌بوک‌های معروف مهندسی جدید (مثل راهنماهای اخیر تیم Anthropic درباره ساخت سیستم‌های ایجنتیک و فلوهای AI-native. برای مطالعه بیشتر ) خیلی روش تاکید می‌شه. ایده اصلی اینه که به‌جای اینکه فقط بخش «کد زدن» رو با AI سریع کنیم، بیایم کل چرخه تولید نرم‌افزار—از ایده و PRD گرفته تا شکستن تسک‌ها و ریویو—رو از پایه بر اساس همکاری انسان و ایجنت‌ها بازطراحی کنیم.

ما هم توی اسنپ‌فود خیلی جدی دنبال ساختن این مسیریم و کارهای جذابی هم کردیم. وقتی نشستیم به فلوهای کاری خودمون نگاه کردیم، به یه نکته جالب رسیدیم: کد زدن دیگه بزرگ‌ترین باتل‌نک ما نیست!

یکی از پرهزینه‌ترین و زمان‌برترین گلوگاه‌های ما، فاصله بین PRD (داکیومنت محصول) تا تسک‌های آماده اجرا توی Jira بود. این پروسه در حالت عادی نیاز به کلی جلسه هم‌فکری، تحلیل سلوشن‌ها، بررسی PRD، گرفتن باگ‌ها و ابهام‌های محصولی و در نهایت خُرد کردن دستی تسک‌ها داره.

مأموریت من به طور خلاصه این بود: یه ابزار توسعه بدم که پروسه تبدیل PRD تا تسک‌های Jira رو تا حد خوبی اتوماتیک کنه.

(نکته: این مثال و معماری برای آموزش ساده‌سازی شده و معماری داخلی یا پیاده‌سازی اختصاصی اسنپ‌فود رو توصیف نمی‌کنه.)


بالاخره این کار AI Engineering بود یا Product Engineering؟

وقتی وسط کارهای روتینم داشتم این ایده رو به نتیجه می‌رسوندم، دیدم وارد فضایی شدم که تایتل‌های قدیمی دیگه خیلی توش معنی ندارن.

آیا کاری که می‌کردم AI Engineering بود؟ آره، چون داشتم فلوهای ایجنت، مدیریت Context و خروجی‌های LLM رو طراحی می‌کردم.
آیا از یه زاویه دیگه Product Engineering بود؟ باز هم آره، چون داشتم دغدغه کاربر رو می‌فهمیدم، پرسونا درمی‌آوردم و تجربه کاربری طراحی می‌کردم.

واقعیت اینه که مرز بین این نقش‌ها هنوز خیلی شفاف نیست و نمی‌شه با قطعیت گفت داریم به سمت کدوم عنوان می‌ریم. ولی به نظرم اسم‌ها مهم نیستن؛ اصلِ ماجرا اون تغییر مایندستیه که لازمه داشته باشیم. این ۵ تا مورد، مهم‌ترین چیزهایی بود که توی این مسیر تجربه کردم:

۱. توسعه با AI؛ گذر از «چجوری کد بزنیم» به معماریِ تک‌نفره

قدیم‌ترها اگه می‌خواستیم یه همچین ابزاری بسازیم، باید یه تیم کوچیک تشکیل می‌دادیم: بک‌اند، فرانت‌اند، پروداکت دیزاینر و شاید QA.

اما توسعه با AI بازی رو عوض کرد. شاید مهم‌ترین تغییر برای من این بود که دیگه به‌عنوان دولوپر یا لید، درگیر این نبودم که «حالا این تیکه کد رو چجوری بنویسم؟». بخش سنگینِ کد زدن رو AI انجام می‌داد.

ذهن من کامل رفت سراغ معماری و تصمیم‌گیری‌ها:

  • چجوری استک رو انتخاب کنم که هم الان سریع بالا بیاد، هم در آینده بشه راحت ارتقاش داد؟

  • چجوری به‌عنوان یه تک‌دولوپر (Solo Builder)، کل سرویس رو از صفر تا صد بسازم، بدون اینکه کار توی مرزهای سنتی بک، فرانت، دیزاین و QA قفل بشه؟

وقتی هزینه تولید کد میاد پایین، ارزش کار ما به عنوان مهندس می‌ره یه لایه بالاتر: از متخصصِ یه فریم‌ورک، تبدیل می‌شیم به کسی که یه سیستم کامل رو معماری می‌کنه.

۲. قراره یه پروداکت واقعی بسازی (و خبری از فیگما نیست!)

در گذشته ما عادت کرده بودیم اپلیکیشن‌هایی که توسعه می‌دیم از قبل دیزاین شده باشن، User Journey مشخصی داشته باشن و کاملاً شفاف باشه که هدفشون چیه و کاربر چجوری قراره ازشون استفاده کنه.

توی این دنیای جدید، وقتی می‌خوای یه ابزار بسازی، همه‌ی این تصمیمات محصولی برمی‌گرده سمت خودت.

مثلاً توی همین پروژه، هیچ فیگما یا پروداکت منیجری نبود که به من بگه چی بسازم. صفر تا صدِ طراحی نرم‌افزار، روش‌های استفاده ازش و User Journey رو باید خودم طراحی می‌کردم. از همه مهم‌تر، باید حواسم می‌بود که این ابزار دو دسته کاربر کاملاً متفاوت داره:

  1. آدم‌های فنی (دولوپرها و لیدها): کسایی که توی کلاد (Claude) یا محیط توسعه خودشون زندگی می‌کنن و می‌خوان همون‌جا سریع کارشون راه بیفته.

  2. آدم‌های غیرفنی (مثل بچه‌های پروداکت): کسایی که نمی‌خوان درگیر کد و ترمینال بشن و یه رابط کاربری (UI) تمیز و راحت می‌خوان تا PRD رو بدن، تحلیل رو ببینن و تسک‌ها رو ببرن توی Jira.

اگه فقط یه ابزار فنی می‌ساختم، بچه‌های محصول نمی‌تونستن استفاده کنن؛ اگه فقط یه فرم ساده می‌ساختم، دست بچه‌های فنی بسته می‌شد. باید همه‌چیز رو طوری کنار هم می‌چیدم که هر دو گروه بتونن به بهترین شکل ازش استفاده کنن.

۳. شکستن دغدغه‌ها (Separation of Concerns)؛ از آخر به اول نسازیم!

اینجا می‌رسیم به یکی از بدترین اشتباهاتی که اکثر ما این روزها در مواجهه با AI انجام می‌دیم: اینکه وقتی می‌خوایم باهاش یه ابزار بسازیم، از آخرِ قضیه به اولش می‌رسیم!

چون پروسه دولوپمنت با AI به شدت راحت و سریع شده، دیگه به خودمون زحمت نمی‌دیم کاربرانمون رو درک کنیم، پرسوناها رو دربیاریم و بفهمیم اصلاً چی قراره بسازیم. مستقیماً می‌پریم وسط چت و می‌گیم: «فلان چیز رو برام بساز!»

خیلی هم سریع خروجی می‌گیریم و کار می‌کنه! ولی مشکل کجاست؟ مشکل دو هفته بعد خودش رو نشون می‌ده؛ وقتی می‌بینی ابزاری داری که همه‌ی اجزاش به هم چسبیدن (Tightly Coupled) و تغییر دادنِ کوچک‌ترین بخشش، هزینه عجیب و غریبی رو دستت می‌ذاره.

یه مهندس، حتی وقتی با AI کار می‌کنه، باید مهندسی نگاه کنه. لایه‌ها رو بچینه، Separation of Concerns داشته باشه و ماشینی بسازه که هر بخشش در آینده امکان ارتقا داشته باشه.

توی همین نرم‌افزار، من به‌جای اینکه همه‌چیز رو قاطی کنم، این معماری لایه‌ای رو چیدم:

┌─────────────────────────────────────────────┐ │ Core Engine │ │ (PRD Analysis, Context, & Task Breakdown) │ └──────────────────────┬──────────────────────┘ │ ┌─────────────────────┴─────────────────────┐ ▼ ▼ ┌─────────────────────┐ ┌─────────────────────┐ │ Shell 1 │ │ Shell 2 │ │ Custom Plugin │ │ SDK (API/Webhook) │ │ (Claude / Tech App) │ └──────────┬──────────┘ └─────────────────────┘ │ ▼ ┌─────────────────────┐ │ Custom UI │ │ (For Non-Tech / PM) │ └─────────────────────┘
  1. هسته محاسباتی (Core Engine): اول از همه، یه هسته مرکزی ساختم که کارش فقط تحلیل و منطق اصلی اپلیکیشن بود. این هسته اصلاً نمی‌دونه دکمه چیه، وب‌سایت چیه یا کلاد چیه. فقط PRD رو می‌گیره، ابهام‌ها رو درمیاره و به تسک تبدیل می‌کنه.

  2. پوسته اول (Custom Plugin): روی اون هسته، یه پلاگین کاستوم ساختم که بچه‌های فنی بتونن مستقیم توی Claude یا هر اپ دیگه‌ای ازش استفاده کنن.

  3. پوسته دوم (SDK + Custom UI): در کنارش، یه SDK ساختم که امکان استفاده از اون هسته رو با کمک API و Webhook فراهم می‌کرد. بعدش اومدم روی همین SDK یه UI کاستوم سوار کردم تا کاربرهای غیرفنی هم راحت باهاش کار کنن.

اینجوری من یه ماشین بزرگ ساخته بودم که هر قطعه‌ش می‌تونست بدون اینکه بقیه بخش‌ها رو خراب کنه، آپدیت و بهتر بشه.

۴. گاردریل‌ها (Guardrails)؛ اتوماسیون بدون اعتماد کورکورانه

وقتی داریم پروسه‌ای مثل تبدیل PRD به تسک Jira رو خودکار می‌کنیم، باید حواسمون به یه واقعیت باشه: خروجی AI احتمالیه، نه صددرصد قطعی.

اگه یه PRD پر از ابهام رو بدیم به AI و بذاریم چشم‌بسته ۲۰ تا تسک توی بک‌لاگ تیم بسازه، کار رو جلو ننداختیم؛ فقط با سرعت بالا، ابهام و به‌هم‌ریختگی تولید کردیم!

برای همین، بخش مهمی از طراحی این ابزار، گذاشتنِ ایستگاه‌های Human-in-the-Loop بود. ابزار به جای اینکه مستقیم تسک‌ها رو بریزه توی Jira، اول جاهای مبهم PRD رو به چالش می‌کشه، به لیدر یا PM اجازه می‌ده تسک‌های پیشنهادی رو ببینه و چکش‌کاری کنه، و تازه وقتی تایید شد، می‌فرستتشون توی Jira. سرعت از AI میاد، ولی قضاوت نهایی و Ownership پای خودِ ماست.

۵. امنیت، گیت و زیرساخت؛ اصول مهندسی رو دور نندازیم!

یه مشکل بزرگی که AI این روزها ایجاد کرده اینه که همه دارن یه چیزی می‌سازن، ولی خیلی‌ها نمی‌دونن چجوری باید در طول زمان مدیریتش کنن!

اینکه AI کد رو ده دقیقه‌ای بهت تحویل می‌ده، دلیل نمی‌شه اصول مهندسی نرم‌افزار رو فراموش کنیم. ما هنوز برای یه سرویس واقعی Docker می‌خوایم، فلوهای درستِ Git می‌خوایم، پایپ‌لاین CI/CD می‌خوایم و باید بلد باشیم سیستم رو روی سرور نگه داریم.

از اون طرف، بحث امنیت توی ابزارهای AI به شدت جدیه:

  • مدیریت کلیدها (Credentials): نمی‌شه کلید ابزارهای AI و توکن‌های جیرا رو همینجوری مستقیم بذاری وسط کد!

  • سطح دسترسی: ابزاری که به داکیومنت‌های محصول و بردهای Jira وصله، نباید همینجوری باز باشه و توسط هر کسی دیده بشه.

  • نگهداری در طول زمان: کی قراره لاگ‌ها، خطاها و هزینه مصرف توکن‌های این ابزار رو مانیتور کنه؟

به نظرم مسلط شدن به این بخش از خودِ پرامپت زدن مهم‌تره؛ چون اینجاست که فرق یه اسباب‌بازی موقت با یه سرویس مهندسی‌شده مشخص می‌شه.


حرف آخر: وقت یه پارادایم‌شیفت جدیه

وقتی به این چند هفته و ساختن این ابزار در کنار کارهای روتین لیدریم نگاه می‌کنم، بیش از هر وقت دیگه‌ای مطمئن می‌شم که زمان یه پارادایم‌شیفت سنگین رسیده.

ما باید کم‌کم از مایندستِ «توسعه‌دهنده‌ای که فقط کدِ یه بخش خاص رو می‌زنه» عبور کنیم و به سمت کسی بریم که می‌تونه مسئله‌ها رو ببینه، براشون ابزار بسازه، معماری سرتاسری بچینه و پروسه‌های تیم و شرکتش رو بهتر کنه.

برای اینکه این مدل فکر کنی، لازم نیست منتظر بمونی تایتل شغلیت توی چارت سازمانی بشه AI Engineer یا Product Engineer. کافیه ببینی کجای کارِ تیمت گیر داره و چطور می‌تونی سیستمی بسازی که اون گره رو باز کنه.

تجربه شما توی این فضا چطور بوده؟ هوش مصنوعی چقدر مرزهای کار روزمره شما رو جابه‌جا کرده و آیا شما هم این روزها فراتر از رول قبلیتون درگیر ساختن ابزار و تصمیم‌های محصولی شدید؟

aileadershipproductivity
۰
۰
شایان میرزایی
شایان میرزایی
Frontend Lead و مهندس ارشد نرم‌افزار در اسنپ‌فود. اینجا از چالش‌های واقعی ساخت محصول و کار با تیم‌ها می‌نویسم؛ از معماری فرانت‌اند و ابزارهای AI تا رهبری مهندسی و مدل‌های ذهنی تصمیم‌گیری.
شاید از این پست‌ها خوشتان بیاید