دیزاین سیستمت رو برای هوش مصنوعی آماده کن
هوش مصنوعی
فرانتاندخلاصهٔ کاملتر
نویسنده (Vitaly Friedman) میگه نمونهاولیههایی که با هوش مصنوعی ساخته میشن معمولاً نتیجهٔ یکدست و خوبی نمیدن، چون کلی ناهماهنگی ریز توی خود دیزاین سیستم پخش شده: تصمیمهایی که گرفته شدن ولی هیچجا مستند نشدن، مقدارهای hard-coded که هیچوقت تمیز نشدن، و اینکه زیادی به خود AI تکیه میکنیم تا از روی mockup و فلوها خودش حدس بزنه چی به چیه.
به گفتهٔ نویسنده، راهحل اینه که تصمیمهای طراحی رو مثل زیرساخت ببینیم. یعنی هر بار که یه تصمیم میگیریم — حتی تصمیم دربارهٔ اینکه کارها رو چطور اولویتبندی کنیم — باید یهجوری راهشو به اون فایل مشخصاتی پیدا کنه که AI بعداً ازش میخونه. این مقاله یه راهنمای عملی از Hardik Pandya (از Atlassian) رو معرفی میکنه که دقیقاً همینو دنبال میکنه.
قلب کار سه تا لایهست. اولیش spec fileهاست: فایلهای Markdown ساختارمند که قانونهای فاصلهگذاری، انتخاب رنگ، نحوهٔ استفاده از کامپوننتها و اولویتها توشون نوشته شده. چون اینها فایل متنیان، هم خیلی ارزونترن و هم دقیقتر، چون دیگه لازم نیست AI از روی mockup الگو تشخیص بده و به جاش راهنمای مشخص میگیره.
لایهٔ دوم token layer هست: یه فهرست بهروز از همهٔ tokenهایی که تو دیزاین سیستم استفاده میشن. اینجوری AI همیشه از یه مجموعهٔ بسته و اسمدار انتخاب میکنه، نه اینکه خودش یه مقدار بهظاهر منطقی سرهم کنه. لایهٔ سوم هم یه audit scriptه که هر چی AI اشتباه میکنه رو میگیره: نمونهاولیه رو اسکن میکنه و هر مقدار hard-coded رو علامت میزنه.
نویسنده ابزار FigmaLint رو هم معرفی میکنه؛ یه پلاگین رایگان Figma برای بررسی tokenها، stateها، دسترسپذیری، پیدا کردن instanceهای جداشده و مقدارهای hard-coded و آمادهسازی مستندات. به گفتهٔ نویسنده مخصوصاً وقتی با vendorها و طرفهای ثالثی کار میکنی که دیزاین سیستم خودشونو بهت میدن، خیلی به کارت میاد.
یه نکتهٔ دیگه اینه که وقتی دیزاین سیستم آپدیت میخوره، یه sync routine باید مشخص کنه کدوم spec fileها لازمه بهروز بشن، تا AI همیشه نسخهٔ فعلی رو بخونه نه یه نسخهٔ قدیمی. نویسنده چند تا نمونهٔ آمادهٔ AI رو هم مثال میزنه مثل Atlassian و Carbon که فایل llms.txt دارن.
جمعبندی نویسنده اینه که AI بهتنهایی نمیتونه بدهی فنی یا بدهی طراحی رو حل کنه و کاملاً به تصمیمهای شفاف و اصول مشخص وابستهست. هر چی طراحها دقیقتر و عمدیتر AI رو هدایت کنن، نتیجه بهتر میشه — و این یعنی باید دیزاین سیستم رو مرتب نگه داشت و تصمیمها رو مدام به فایلهای Markdown منتقل کرد.
نکات کلیدی:
- ناهماهنگی خروجی AI ریشهش تو تصمیمهای مستندنشده و مقدارهای hard-coded دیزاین سیستمه
- تصمیمهای طراحی رو مثل زیرساخت ببین و توی فایلهای متنی مستند کن
- سه لایه: spec file (قانونهای Markdown)، token layer (مجموعهٔ بستهٔ متغیرها)، audit script
- spec fileهای متنی از تشخیص الگو روی mockup هم ارزونترن هم دقیقتر
- FigmaLint برای ممیزی tokenها، stateها و مقدارهای hard-coded خوبه
