‏Software 3.0: وقتی پنجره کانتکست تبدیل به برنامه می‌شه

آندره کارپاتی اخیراً توی رویداد Sequoia Ascent 2026 یه گفتگوی صمیمی داشت که خلاصه‌اش رو توی بلاگش منتشر کرده. موضوع اصلی اینه که دنیای نرم‌افزار داره وارد یه فاز کاملاً جدید می‌شه که اون بهش می‌گه Software 3.0، و این تغییر برای بنیان‌گذاران استارتاپ‌ها پیامدهای خیلی جدی داره.

کارپاتی می‌گه از دسامبر ۲۰۲۵ یه جهش واقعی حس کرد؛ ابزارهایی مثل Claude Code، Codex و Cursor دیگه فقط کمک‌دست نبودن، بلکه می‌تونستن بلوک‌های بزرگ‌تری از کار رو باهم و با اطمینان بیشتری انجام بدن. به همین خاطر می‌گه هیچ‌وقت تو کل عمرم به اندازه الان احساس نکردم که دارم عقب می‌مونم — نه به خاطر اینکه برنامه‌نویسی سخت‌تر شده، بلکه چون کل گردش کار عوض شده.

سه نسل نرم‌افزار رو اینطور توضیح می‌ده: در Software 1.0 انسان‌ها مستقیم کد می‌نوشتن. در Software 2.0 انسان‌ها دیتاست و هدف تعریف می‌کردن و برنامه داخل وزن‌های شبکه عصبی یاد می‌گرفت. در Software 3.0 انسان‌ها از طریق پرامپت، کانتکست، ابزار، مثال و دستورالعمل با LLM برنامه‌نویسی می‌کنن. پنجره کانتکست تبدیل به اصلی‌ترین اهرم می‌شه و LLM مثل یه مفسر روی اون عمل می‌کنه.

یکی از جالب‌ترین مثال‌هایی که می‌زنه پروژه MenuGen هست. نسخه سنتی این اپ کارهایی مثل OCR، تولید تصویر، فرانت‌اند، پرداخت، احراز هویت و زیرساخت نیاز داشت. اما نسخه Software 3.0 اش؟ فقط عکس منو رو به یه مدل multimodal می‌دی و مستقیم ازش می‌خوای تصویر غذاها رو روی منو رندر کنه. یعنی خیلی از اجزای اپ اصلاً وجود ندارن. نتیجه‌گیری کارپاتی: هوش مصنوعی فقط راه سریع‌تری برای ساختن اپ‌های قدیمی نیست — بعضی اپ‌ها اصلاً نباید دیگه به شکل اپ وجود داشته باشن.

کارپاتی یه فریم‌ورک ساده برای فهمیدن اینکه AI کجا سریع‌تر پیشرفت می‌کنه ارائه می‌ده: نرم‌افزار سنتی کارهایی رو اتوماتیک می‌کنه که بشه صریح تعریف‌شون کرد؛ LLM‌ها کارهایی رو اتوماتیک می‌کنن که بشه تأییدشون کرد. هر جا یه سیگنال موفقیت یا شکست واضح وجود داشته باشه (مثل پاس شدن تست، اجرا شدن برنامه، یا نتیجه بنچمارک)، مدل می‌تونه یاد بگیره و تمرین کنه. این توضیح می‌ده چرا coding agentها خیلی بهتر از chatbotهای معمولی به نظر می‌رسن.

مفهوم "Jagged Intelligence" هم جالبه. کارپاتی می‌گه مدل‌ها نه یه‌دست قوی‌اند و نه یه‌دست ضعیف. توانایی یه مدل تابعیه از: قابلیت تأیید تسک، توجه لابراتوار حین آموزش، پوشش داده، و ارزش اقتصادی. مثلاً شطرنج: وقتی GPT-4 تو شطرنج بهتر شد، لزوماً به خاطر ارتقاء هوش کلی نبود؛ احتمالاً داده شطرنج بیشتری توی mix آموزشی بوده. پس سوال کاربردی برای بنیان‌گذار اینه: آیا تسک من توی "ریل" مدل قرار داره؟

در انتها بین دو مفهوم تفاوت می‌ذاره: Vibe Coding کف رو بالا می‌بره — یعنی تقریباً هر کسی می‌تونه با توصیف خواسته‌هاش نرم‌افزار بسازه. Agentic Engineering سقف رو بالا می‌بره — یه دیسیپلین حرفه‌ای برای هماهنگ کردن ایجنت‌های ناقص با حفظ صحت، امنیت و کیفیت. مثالش اینه که ایجنتش توی MenuGen سعی کرد خریدهای Stripe رو از طریق ایمیل به حساب Google وصل کنه — که منطقی به نظر می‌رسه ولی اشتباهه چون این دو ایمیل می‌تونن متفاوت باشن. یه مهندس ایجنتیک باید بدونه کجا مداخله کنه.

نکات کلیدی:

• دسامبر ۲۰۲۵ یه نقطه عطف بود؛ ایجنت‌های کدنویسی حسابی قابل‌اعتمادتر شدن
• Software 3.0 یعنی پنجره کانتکست = برنامه، و LLM = مفسر
• بعضی اپ‌ها اصلاً نباید دیگه به شکل اپ وجود داشته باشن — مدل می‌تونه مستقیم ورودی رو به خروجی تبدیل کنه
• AI جایی سریع‌تر پیشرفت می‌کنه که تسک قابل تأیید باشه (تست، بنچمارک، اجرا)
• Jagged Intelligence: مدل‌ها بسته به داده آموزشی و توجه لاب، توی بعضی حوزه‌ها عالی و بعضی جاها ضعیف‌ان
• Vibe Coding برای پروتوتایپ خوبه؛ Agentic Engineering برای کارهای جدی نیاز به نظارت انسانی داره