برنامه‌ریزی با ایجنت‌ها: چرا دیوار متن کافی نیست
هوش مصنوعیClaude Opus 5.5خلاصهٔ کامل‌تر
Maggie Appleton، طراح و پژوهشگر GitHub Next، تو این متن که از یه سخنرانیش اومده، درباره‌ی برنامه‌ریزی کار نرم‌افزاری همراه با ایجنت‌ها حرف می‌زنه. شروعش با یه داستان از کتاب Plans and Situated Actions نوشته‌ی Lucy Suchman هست: دریانوردهای اروپایی از قبل مسیر رو دقیق نقشه می‌کشیدن، ولی دریانوردهای Chuukese فقط هدف رو می‌دونستن و با خوندن باد و موج و پرنده‌ها تو لحظه تصمیم می‌گرفتن. حرف Suchman اینه که پلن فقط یه منبع ضعیف برای کار لحظه‌ایه.
به گفته‌ی نویسنده، برنامه‌ریزی با ایجنت الان این شکلیه: تنها تو CLI، با plan mode یا skillای مثل /grill-me، به حدود ۴۰ سؤال چندگزینه‌ای جواب می‌دی و از سؤال هشتم به بعد خسته می‌شی و فقط گزینه‌ی پیشنهادی رو می‌زنی. آخرش یه دیوار Markdown می‌گیری که نمی‌تونی مستقیم ویرایشش کنی و فقط باید بگی بله یا نه. همکارها هم هیچ‌کدوم پلن‌های همدیگه رو نمی‌بینن.
نویسنده دو مشکل اصلی می‌بینه. اول اینکه ما مثل دریانورد اروپایی همه‌چیز رو از قبل تصمیم می‌گیریم، چون ایجنت باید تنها سفر کنه. دوم اینکه رسانه‌ی برنامه‌ریزی فقط متنه: آدم حدود ۲۴۰ کلمه در دقیقه می‌خونه و ایجنت حدود ۴۵۰۰ کلمه می‌نویسه، یعنی ۱۹ برابر سریع‌تر. نتیجه‌ش خستگی، سرسری خوندن و جا انداختن جزئیات مهمه.
راه‌حلی که پیشنهاد می‌ده boundary object هست (یعنی چیزی که بین چند گروه با دنیاهای مختلف مشترکه ولی هر گروه به شکل خودش ازش استفاده می‌کنه). الان پلن‌ها، پرامپت‌ها و فایل‌های AGENT.md بیشتر برای ایجنت بهینه شدن. نویسنده معتقده رابط بین آدم و ایجنت خیلی «نازکه» و باید ضخیم‌تر بشه؛ یعنی ایجنت با کار ارزونش لایه‌های ترجمه‌ی بصری، تعاملی و اجتماعی برای آدم بسازه.
راه دوم اینه که پلن قبل از تحویل با واقعیت برخورد کنه: subagentها روی چند branch جدا چند راه‌حل رو پیاده و مقایسه کنن. تو یکی از دموها برای منطق retry سه گزینه ساخته شد. گزینه‌ی A همه‌ی ۶۰ call site رو پوشش می‌داد و فقط ۸ تاش تصمیم‌گیری می‌خواست، B رفتار ۱۶ تا رو بی‌صدا عوض می‌کرد، و C با اینکه فقط ۱۴ تغییر داشت، ۴۶ call site رو اصلاً پشتیبانی نمی‌کرد. دموهای دیگه هم یه ابزار زنده برای تنظیم سایه‌ها و یه state machine برای دیباگ پخش‌کننده‌ی ویدیو بودن.
این ایده‌ها رو تیمش تو پروژه‌ی Chopin دنبال می‌کنه؛ یه نمونه‌ی اولیه‌ی چندنفره و real-time برای برنامه‌ریزی که روی MDX ساخته شده و آدم‌ها و ایجنت‌ها با هم توش پلن می‌نویسن و تصمیم‌ها با تاریخ و اسم ثبت می‌شن. نویسنده قبول داره که ایجنت‌ها الان تو ساختن توضیح بصری خوب نیستن و زمان inference هم یه چالشه.
نکات کلیدی:
- پلن‌ها مسیر رو جهت می‌دن ولی نمی‌تونن کل سفر رو پیش‌بینی کنن.
- آدم حدود ۲۴۰ کلمه در دقیقه می‌خونه و ایجنت حدود ۴۵۰۰ کلمه می‌نویسه؛ ۱۹ برابر اختلاف.
- آدم و ایجنت لازم نیست فهم مشترک داشته باشن؛ boundary object خوب و رابط ضخیم لازم دارن.
- subagentها می‌تونن چند راه‌حل رو روی branchهای جدا بسازن و نتیجه رو مقایسه کنن.
- Chopin یه نمونه‌ی اولیه‌ی چندنفره از GitHub Next هست که روی MDX ساخته شده.
