نرم‌افزاری که خودش رو بهتر می‌کنه دیگه دور نیست
هوش مصنوعیخلاصهٔ کامل‌تر
Boris Tane که سال‌ها ابزار observability ساخته، تو این مقاله می‌گه ایجنت‌ها الان می‌تونن یه اپ رو یه‌جا بنویسن، دیپلوی کنن و مانیتورینگش رو هم وصل کنن. ولی مسیر یه‌طرفه‌ست: نرم‌افزار کلی سیگنال تولید می‌کنه، مثل لاگ، trace، آنالیتیکس، session replay و تیکت پشتیبانی، و تقریباً هیچ‌کدومش خودکار به ایجنت برنمی‌گرده. هنوز یه آدم باید اینا رو بخونه، به هم ربطشون بده و تصمیم بگیره چی درست بشه.
هر سیگنال هم ابزار خودش رو داره: مهندس‌ها Datadog، مدیر محصول Amplitude، طراح FullStory و پشتیبانی Zendesk. نویسنده اسم کسی رو که از داشبورد اسکرین‌شات می‌گیره و تو Claude Code پیست می‌کنه می‌ذاره meat proxy، یعنی آدمی که فقط داده رو بین دو تا ماشینی جابه‌جا می‌کنه که خودشون می‌تونستن مستقیم با هم حرف بزنن. به گفته‌اش MCPها و connectorها فقط این پروکسی رو سریع‌تر می‌کنن، ولی هنوز تو پروکسی هستی.
اتوماسیون‌هایی مثل «هر وقت Sentry یه issue جدید باز کرد، بررسیش کن و PR بده» هم به نظر نویسنده کافی نیستن. چون فقط چیزی رو می‌بینن که یکی قبلاً تصمیم گرفته ارزش دیدن داره. مشکل‌های شناخته‌شده سریع حل می‌شن، ولی مشکل‌هایی که هیچ alertی براشون نیست و احتمالاً بیشترین مشتری رو از دستت می‌گیرن، هیچ‌وقت دیده نمی‌شن.
نویسنده نرم‌افزار رو به یه شبکه عصبی تشبیه می‌کنه: کد وزن‌هاشه و سیگنال‌های کاربرها خروجیش. forward pass یعنی تبدیل خواسته به کد، که ایجنت‌ها تقریباً حلش کردن. backpropagation یعنی مقایسه خروجی با چیزی که می‌خواستی و برگردوندن این فاصله به کد، که هنوز دستی و نهایتاً هفته‌ای یه بار تو جلسه برنامه‌ریزی انجام میشه. به گفته‌اش حالا که هوش مصنوعی ارزونه، میشه backprop رو هم بهش سپرد.
پس نقش آدم‌ها چی میشه؟ نویسنده می‌گه همه باید fitness function تعریف کنن، یعنی معیار عددی «بهتر». مثلاً مهندس‌ها p99 latency و نرخ خطا، تیم محصول activation و retention، طراح‌ها rage click و drop-off، و پشتیبانی تعداد تیکت و CSAT. سختیش اینه که این معیارها گاهی با هم تضاد دارن، مثلاً checkout سریع‌تر می‌تونه تشخیص تقلب رو ضعیف کنه. نمونه پیشنهادیش یه ایجنت زمان‌بندی‌شده‌ست که هر صبح اهدافی مثل p99 checkout زیر ۳۰۰ میلی‌ثانیه و نرخ خطای زیر ۰.۱٪ رو چک کنه و برای هر انحراف PR بده. نویسنده خودش هم داره محصولی به اسم Polylane برای همین کار می‌سازه.
نکات کلیدی:
- سیگنال‌های production (لاگ، trace، replay، تیکت) هنوز دستی به ایجنت‌های کدنویسی برمی‌گرده
- اتوماسیون‌های مبتنی بر alert فقط مشکل‌های از قبل شناخته‌شده رو می‌بینن
- تشبیه نویسنده: نوشتن کد forward passـه و یادگیری از سیگنال‌ها backpropagation
- نقش آدم‌ها تعریف fitness functionهاست، مثل p99 latency، activation یا تعداد تیکت روزانه
- این معیارها با هم تضاد دارن و وزن‌دهی بهشون سخت‌ترین بخش کاره
