چرا برنامهریزی با ایجنتها اینقدر خستهکنندهست
هوش مصنوعیخلاصهٔ کاملتر
مگی اپلتون که تو GitHub Next، یعنی بازوی تحقیق و توسعه گیتهاب، کار میکنه، این متن رو از روی سخنرانیاش تو یه کنفرانس داخلی مایکروسافت نوشته. شکایت اصلیاش از تجربه امروز برنامهریزی با ایجنته: میری تو plan mode، حدود چهل تا سوال چندگزینهای جواب میدی، از سوال هشتم خسته میشی و از اون به بعد همهش گزینه پیشنهادی رو میزنی. آخرش یه دیوار Markdown میگیری با این سوال که تأییدش میکنی یا نه، بدون اینکه بتونی مستقیم ویرایشش کنی.
به گفته نویسنده دوتا مشکل ریشهای اینجا هست. اولی چیزیه که اسمش رو «مشکل ناوبر اروپایی» میذاره، برگرفته از کتاب Plans and Situated Actions نوشته لوسی ساچمن. ناوبرهای اروپایی همه مسیر رو از قبل روی نقشه میکشیدن، ولی ناوبرهای چوکی فقط مقصد رو داشتن و تو راه با باد و موج و پرندهها تصمیم میگرفتن. ساچمن میگه نقشه فقط یه منبع ضعیف برای عمل لحظهایه، نه چیزی که بشه مو به مو اجراش کرد.
مشکل دوم خودِ محیط فکر کردنه. آدم حدود ۲۴۰ کلمه در دقیقه میخونه و ایجنت حدود ۴۵۰۰ کلمه در دقیقه مینویسه، یعنی حدود ۱۹ برابر سریعتر از ما. نتیجهش اینه که متن رو سرسری رد میکنیم، جزئیات مهم رو از دست میدیم و خسته میشیم. نویسنده معتقده بخش زیادی از فرسودگیای که آدمها از کار با ایجنت گزارش میدن، دقیقاً از همینجا میاد.
پیشنهاد او این نیست که ایجنت رو کامل وارد دنیای ما کنیم یا خودمون وارد دنیای اون بشیم. میگه چیزی که لازم داریم boundary object خوبه، یعنی یه شیء مشترک که هر گروه جور خودش ازش استفاده میکنه، مثل نقشهای که زیستشناس و سرمایهگذار هر کدوم یه جور میخوننش. plan و prompt و فایل AGENT.md الان همین نقش رو دارن، ولی همهشون برای دید ایجنت بهینه شدن نه برای آدم.
راهحلی که اسمش رو «رابط ضخیم» میذاره اینه که ایجنت کار خیلی بیشتری برای فهم آدم انجام بده: نمودار، ماشین حالت، نقشه و رابط تعاملی به جای متن خشک. مثلاً وقتی ایجنت میپرسه سایههای دیزاین سیستمت تیز باشه یا نرم یا پررنگ، جواب دادن تو ترمینال بیمعنیه، چون نه سایه فعلی رو میبینی نه نتیجه هر گزینه رو. چیزی که لازمه یه رابط وصل به اپ زندهست که بذاره همونجا تغییرش بدی و تصمیم رو برگردونی تو پلن.
یه مثال دیگه انتخاب بین سه جور پیادهسازی منطق retry بود. به جای حدس زدن، ایجنتهای فرعی هر سه راه رو روی برنچهای جدا ساختن و یه گزارش تعاملی دادن: گزینه A هر ۶۰ نقطه فراخوانی رو پوشش میده و فقط ۸ موردش قضاوت انسانی لازم داره، گزینه B هم ۶۰ تا رو پوشش میده ولی تو ۱۶ موردش رفتار کد بیصدا عوض میشه، و گزینه C فقط ۱۴ تغییر داره ولی ۴۶ نقطه دیگه اصلاً پشتیبانی نمیشن. این ایدهها تو پروژهای به اسم Chopin دنبال میشن.
نکات کلیدی:
- آدم حدود ۲۴۰ کلمه در دقیقه میخونه و ایجنت حدود ۴۵۰۰ کلمه در دقیقه مینویسه
- منبع فکری اصلی، کتاب Plans and Situated Actions (۱۹۸۷) نوشته لوسی ساچمنه
- boundary object یعنی شیء مشترکی که هر گروه به شکل خودش ازش استفاده میکنه
- به جای حدس، ایجنتهای فرعی میتونن چند راهحل رو روی برنچهای جدا بسازن و مقایسه کنن
- Chopin پروتوتایپ چندنفره و بلادرنگ GitHub Next برای برنامهریزی مشترکه
