فراتر از جستجوی ساده: نبرد بر سر معماری هوش مصنوعی در کدنویسی

تغییر پارادایم در توسعه نرم‌افزار با هوش مصنوعی

توسعه‌دهندگان در دنیای هوش مصنوعی دیگر تنها به مدل‌های زبانی بزرگ (LLM) تکیه نمی‌کنند؛ بلکه تمرکز اصلی به سمت هارنس‌ها (Harnesses) تغییر یافته است؛ نرم‌افزارهایی که نقش لایه مدیریت و کنترل مدل‌ها را ایفا کرده و تعیین می‌کنند مدل‌ها چه چیزی ببینند و چه اقداماتی انجام دهند.

دو رویکرد متمایز در مدیریت زمینه

در حالی که برخی شرکت‌ها مانند Anthropic با مدل «هارنس مینیمال»، بر سادگی و انعطاف‌پذیری تأکید دارند، شرکت‌هایی نظیر Augment Code مسیر متفاوتی را در پیش گرفته‌اند. وینی پرنتی، معاون مهندسی Augment Code، معتقد است برای پروژه‌های بزرگ و خصوصی، جستجوی معنایی (Semantic Retrieval) بر پایه پایگاه داده برداری، مزیت رقابتی ایجاد می‌کند.

«هوشمندتر شدن مدل‌ها به معنای دسترسی خودکار آن‌ها به زمینه پروژه نیست. سیستم‌های مهندسی‌شده برای مدیریت زمینه، کلید دستیابی به خروجی‌های باکیفیت با کمترین هزینه هستند.»

چالش‌های هزینه‌ و بدهی فنی

یکی از دغدغه‌های اصلی تیم‌های مهندسی، هزینه توکن‌ها و ایجاد بدهی فنی توسط عوامل هوش مصنوعی است. پرنتی تأکید می‌کند که:

• مدل‌های هوش مصنوعی در نوشتن کدهای اجرایی عالی هستند، اما در نگارش مشخصات فنی (Specs) به نظارت دقیق انسانی نیاز دارند.
• عوامل هوش مصنوعی ممکن است کدها را تکراری تولید کنند، که نیازمند «اسپرینت‌های متمرکز» برای کاهش بدهی فنی است.
• با رشد مدل‌های متن‌باز و کوچک‌تر، انتظار می‌رود که در آینده، کارهای روتین به مدل‌های ارزان‌تر سپرده شده و مدل‌های پیشرفته برای مسائل پیچیده رزرو شوند.

آینده توسعه‌ نرم‌افزار

صرف‌نظر از اینکه کدام رویکرد در یک سال آینده پیروز میدان باشد، توافق عمومی بر این است که قضاوت مهندسی نه تنها از بین نرفته، بلکه با افزایش سرعت و مقیاس تولید نرم‌افزار، ارزش آن دوچندان شده است. تصمیمات نادرست در محیط‌های خودکار می‌تواند هزینه‌های سنگین‌تری نسبت به گذشته به همراه داشته باشد.