‏قانون Brooks برای ایجنت‌ها هم صدق می‌کنه

Fred Brooks سال ۱۹۷۵ تو کتاب The Mythical Man-Month گفت اضافه کردن نیرو به یه پروژهٔ نرم‌افزاری عقب‌افتاده، اونو دیرتر می‌کنه. نویسندهٔ این مقاله معتقده همین قانون با تغییرات خیلی کم برای ایجنت‌های هوش مصنوعی هم صدق می‌کنه. حرف اصلیش اینه که AI نوشتن کد رو ارزون کرده و گلوگاه رفته سمت تصمیم‌گیری، بررسی و هماهنگی. یعنی AI هر هماهنگی‌ای که سازمان از قبل داره رو بزرگ‌تر می‌کنه، نه اینکه درستش کنه.

اول اینکه خروجی واقعاً بزرگ شده. Cursor با صدها ایجنت تو حدود یه هفته یه مرورگر با بیشتر از یه میلیون خط کد ساخت و Anthropic با یه تیم ایجنت موازی یه کامپایلر C ساخت که Doom و کرنل لینوکس رو بیلد می‌کنه. ولی خود سازنده‌ها می‌گن اینا آزمایشن، نه محصول. به گفتهٔ نویسنده، خروجی فقط وقتی مقیاس می‌گیره که یکی ساختار طراحی کنه: سلسله‌مراتب، یه مرجع طراحی واحد، هدف مکتوب و تست‌های قوی.

نویسنده سه بخش از استدلال Brooks رو مرور می‌کنه. تقسیم کار: یه مطالعهٔ Google Research نشون داد ستاپ‌های چندایجنتی برنامه‌ریزی ترتیبی رو ۳۹ تا ۷۰ درصد بدتر می‌کنن، ولی رو کاری که تمیز تقسیم می‌شه حدود ۸۰ درصد بهترش می‌کنن. ارتباط: تعداد کانال‌های بین n نفر می‌شه n(n-1)/2. تو آزمایش اول Cursor که ایجنت‌ها همه هم‌سطح بودن، بیست تا ایجنت به اندازهٔ دو سه تا کار می‌کردن و بیشتر وقتشون منتظر بودن.

Cursor بعداً با یه سلسله‌مراتب از ایجنت‌های planner و worker مشکلو حل کرد. نویسنده می‌گه این راه‌حل‌ها همون راه‌حل‌های خود Brooks هستن: «تیم جراحی» و «یکپارچگی مفهومی» (یعنی طراحی باید از یه ذهن یا چند ذهن هم‌نظر بیاد). اینا هماهنگی بین ایجنت‌ها رو حل می‌کنن، ولی هماهنگی بین آدم‌هایی که تصمیم می‌گیرن ایجنت‌ها برای چی باشن رو نه. بخش سوم یعنی آموزش هم کامل از بین نمی‌ره: هدف و استراتژی حالا باید به شکل context و spec نوشته بشه و به‌روز بمونه.

نکتهٔ تازهٔ مقاله اینه که سرعت تولید از سرعت خوداصلاحی جلو زده. code review و تست برای سرعت آدم تنظیم شده بودن. حالا هماهنگی ضعیف خودشو به شکل صف نشون می‌ده: PRهایی که منتظر review موندن، فیچرهایی که کسی نخواسته و چند ایجنت که یه مشکلو به چند روش حل کردن. داده‌های Faros AI از بیشتر از ۱۰ هزار توسعه‌دهنده نشون می‌ده تعداد تغییرات کد دو برابر شده ولی معیارهای شرکت ثابت مونده و میانهٔ زمان review تو دیتاست ۲۰۲۶ تا ۴۴۱ درصد بالا رفته.

پیشنهاد نویسنده سه تا تغییر ساختاریه، چون به گفتهٔ Craig Larman «فرهنگ دنبال ساختار میاد». اول، کار AI رو با ارزش برای مشتری بسنجید، نه با تعداد خط یا PR. دوم، قبل از بیشتر کردن ایجنت‌ها روی هدف مشترک و مکتوب سرمایه‌گذاری کنید. سوم، ظرفیت review و validation رو با سرعت جدید تولید هماهنگ کنید. سؤال درست اینه که آیا می‌دونیم ازشون چی می‌خوایم، نه اینکه چند تا ایجنت راه بندازیم.

نکات کلیدی:

• قانون Brooks (۱۹۷۵): اضافه کردن نیرو به پروژهٔ عقب‌افتاده، اونو دیرتر می‌کنه
• مطالعهٔ Google Research: ستاپ چندایجنتی برنامه‌ریزی ترتیبی رو ۳۹ تا ۷۰ درصد بدتر و کار قابل تقسیم رو حدود ۸۰ درصد بهتر کرد
• تو طراحی بدون سلسله‌مراتب Cursor، بیست ایجنت فقط بازده دو سه ایجنت رو داشتن
• Faros AI: تغییرات کد دو برابر، معیارهای شرکت ثابت و زمان review تو دیتاست ۲۰۲۶ تا ۴۴۱ درصد بیشتر
• Dario Amodei سرعت کلی حاصل از مدل‌های کدنویسی رو اون موقع حدود ۱۵ تا ۲۰ درصد تخمین زد
• طبق مطالعهٔ داخلی Anthropic، بیشتر مهندس‌ها فقط ۰ تا ۲۰ درصد کارشونو می‌تونن کامل بسپرن به AI