‏زوال مهارت در دوران ایجنت‌ها

ادی عثمانی تو این پست می‌نویسه که قضاوت امروزش از هزاران تکرار کوچیک اومده: دیباگ کردن خطاها، ریویو کد بقیه و زندگی کردن با انتزاع‌هایی که تا وقتی یه سیستم واقعی فشار نیاورده بود خوب به نظر می‌رسیدن. ایجنت‌ها حالا بیشتر این کارها رو رد می‌کنن. به گفتهٔ او اگه سه سال تو این حرفه باشی، کدِ باورپذیر سریع‌تر از توانایی تو برای قضاوت دربارهٔ اون می‌رسه.

نویسنده می‌گه کار خوب با ایجنت روی دو تا توانایی سواره: تخصص عمیق، یعنی اون‌قدر دامنهٔ مسئله رو بشناسی که بتونی خروجی خوب رو تعریف کنی، و قضاوت کاربردی، یعنی همون شناخت رو به یه پلن روشن با کانتکست، محدودیت، تست و راه راستی‌آزمایی تبدیل کنی. مهارت‌هایی که پیشنهاد می‌ده تمرین بشن هم همینان: تصمیم‌گیری، مشخص‌کردن خواسته، هدایت ایجنت و راستی‌آزمایی نتیجه.

جالب‌ترین عدد مقاله از یه مطالعهٔ ۲۰۲۶ آنتروپیک میاد که مهندس‌های تازه‌کار رو موقع یادگیری کتابخانهٔ پایتونی Trio بررسی کرده: کسایی که از دستیار AI استفاده کردن تو آزمون بعدی ۵۰٪ گرفتن و گروهی که دستی کار کرده بود ۶۷٪. داخل همون گروه AI، بهترین نتیجه‌ها مال کسایی بود که سؤال مفهومی می‌پرسیدن و توضیح می‌خواستن، نه اونایی که مدل رو مثل یه ماشین تحویل کد می‌دیدن. خود نویسنده تأکید می‌کنه این مطالعه کوتاه‌مدت و روی یک کتابخونه بوده.

در مقابل، یه مطالعهٔ دیگهٔ آنتروپیک روی حدود ۴۰۰٬۰۰۰ سشن Claude Code نشون داده حتی تخصص متوسط در همون تسک، شانس رسیدن به موفقیت تأییدشده رو بالا می‌بره. جمع‌بندی نویسنده اینه که راستی‌آزمایی کفه و تخیل سقف: بدون تخصص نمی‌فهمی خروجی کجا خرابه، و بدون تصور اولیه اصلاً نمی‌دونی چی بخوای. خودش هم می‌گه ایجنت‌ها رو تهاجمی استفاده می‌کنه، تا جایی که یه بار اشتباهی از پروژهٔ اشتباه خواسته دارک‌مود اضافه کنه.

توصیهٔ عملی‌اش یه لوپ دوطرفه‌ست: هر تکرار خوب باید هم تو رو تیزتر کنه هم ایجنتت رو. چون سشن‌ها می‌میرن و حافظه هم قابل اتکا نیست، درسی که به دست اومده بهتره به شکل یه قانون لینت، یه تست، یه محدودیت تایپ یا چند خط تو lessons.md تو خود مخزن ثبت بشه تا ایجنت بعدی پیداش کنه. او هشدار می‌ده تو همین کار هم زیاده‌روی نکنید و فقط چیزهای واقعاً مشخص و مفید رو نگه دارید.

نکات کلیدی:

• مطالعهٔ ۲۰۲۶ آنتروپیک روی کتابخانهٔ Trio: گروه AI ۵۰٪ و گروه دستی ۶۷٪ در آزمون بعدی.

• بررسی حدود ۴۰۰٬۰۰۰ سشن Claude Code: تخصص متوسط در همون تسک، شانس موفقیت تأییدشده رو بالا می‌بره.

• تسک تمام‌شده لزوماً یه تکرار یادگیری نیست؛ درس معمولاً از خطا میاد نه از دور بی‌نقص.

• Skill و MCP یه روال مفید رو کدگذاری می‌کنن ولی نمی‌گن کِی فرض‌هاشون با سیستم تو جور نیست.

• درس‌ها رو بیرون از چت نگه دارید: قانون لینت، تست، محدودیت تایپ یا فایل lessons.md تو مخزن.