‏درک کد، گلوگاه جدید عصر ایجنت‌ها

Geoffrey Litt تو یه سخنرانی تو کنفرانس AI Engineer می‌گه با اینکه ایجنت‌ها دارن حجم زیادی از کد رو برامون می‌نویسن، هنوزم مهمه که خودمون کدی که می‌نویسن رو بفهمیم. به گفتهٔ نویسنده، خیلیا فکر می‌کنن دلیل این فهمیدن فقط «تأیید»ه — یعنی چک کنیم کار ایجنت درسته یا نه — ولی خودِ ایجنت‌ها دارن تو تأییدِ کار خودشون بهتر و بهتر می‌شن، پس این جواب کامل نیست.

نویسنده می‌گه دلیل اصلی یه چیز دیگه‌ست: ما می‌فهمیم که «مشارکت» کنیم. یه پروژه یه حلقهٔ تک نیست، ده‌ها بار رفت‌وبرگشت با ایجنته و برای اینکه بتونی ایدهٔ بعدی رو بدی و کارو جلو ببری، باید یه مدل ذهنیِ غنی از سیستم داشته باشی. اون این موضوع رو به مفهوم «بدهی شناختی» (cognitive debt) وصل می‌کنه: مثل بدهی فنی، کوتاه‌مدت می‌تونی نفهمی چی می‌گذره، ولی آخرش یقه‌تو می‌گیره.

برای همین، نویسنده سه تا تکنیک معرفی می‌کنه. اولیش توضیح‌های خوبه: اون یه اسکیل به اسم explain-diff ساخته که به‌جای diff خام، یه سند توضیحیِ ساختارمند می‌ده — اول پیش‌زمینه رو یاد می‌ده، بعد قبل از جزئیات شهودِ کلی رو می‌سازه، و آخرش با یه «diff ادبی» تغییرات رو مثل یه متنِ روون و مرتب توضیح می‌ده که سریع‌تر از diff خام مرور می‌شه.

یه بخش جالبش آزمونه: ته هر توضیح پنج تا سؤال دربارهٔ تغییر هست و نویسنده قانون گذاشته که تا وقتی نتونه آزمون رو رد کنه، کد رو برای بقیه نمی‌فرسته. به گفتهٔ اون، این آزمون مثل یه تنظیم‌کنندهٔ سرعته؛ چون موقع کارکردن با AI راحت ممکنه حلقه سریع‌تر از سرعتِ فهمِ آدم بچرخه.

تکنیک دوم «ریزجهان‌ها»ست، با الهام از Seymour Papert. نویسنده می‌گه ایجنت می‌تونه براش ابزارهایی بسازه که خودش باهاشون سیستم رو بفهمه — مثلاً یه دیباگر برای مرور مرحله‌به‌مرحلهٔ اجرای یه مفسر Prolog، یا یه بازیِ «مرکز فرمان» برای مهاجرت سایت شخصیش که قدم‌به‌قدم اثرِ تغییرات رو نشون می‌داد. فرقش اینه که خودت می‌فهمی، نه اینکه ایجنت جات دیباگ کنه.

تکنیک سوم فضاهای مشترکه: نویسنده می‌گه وقتی تیمی کار می‌کنی، باید با هم بفهمین. وقتی همه یه مدل ذهنیِ مشترک داشته باشن، ارتباط و ایده‌پردازی خیلی راحت‌تر می‌شه؛ برای همین (خودش تو Notion کار می‌کنه) می‌گه می‌شه ایجنت‌هایی مثل Claude و Cursor رو تو صفحات مشترک اجرا کرد تا نقشهٔ فنی‌شون از همون اول قابلِ کامنت‌گذاشتن و بحث با تیم باشه.

جمع‌بندی نویسنده اینه که هدف از AI همیشه «تقویت» بوده نه فقط «خودکارسازی». اون به رؤیای ۵۰ سال پیشِ Alan Kay اشاره می‌کنه که کامپیوتر رو یه رسانه برای یادگرفتن و فکرکردن می‌دید، و می‌گه حالا که AI ساختنِ شبیه‌سازی و ابزار آموزشی رو این‌قدر راحت کرده، به‌جای کنارکشیدن از حلقه می‌تونیم عمیق‌تر واردش بشیم.

نکات کلیدی:

• به گفتهٔ نویسنده، فهمیدنِ کدِ ایجنت‌ها فقط برای تأیید نیست، برای مشارکت تو روند خلاقانهٔ پروژه‌ست.
• «بدهی شناختی» مثل بدهی فنیه: نفهمیدنِ سیستم بالاخره کار دستت می‌ده.
• اسکیل explain-diff به‌جای diff خام یه توضیحِ ساختارمند با پیش‌زمینه و شهود می‌ده.
• آزمونِ پنج‌سؤالیِ ته توضیح مثل ترمزیه که سرعتِ حلقه رو با سرعتِ فهم آدم هماهنگ می‌کنه.
• ریزجهان‌های تعاملی (دیباگر، بازیِ مرکز فرمان) کمک می‌کنن خودت سیستم رو شهودی بفهمی.