وقتی خودِ نگهدارندهٔ پروژه AIزدهست
هوش مصنوعیخلاصهٔ کاملتر
نویسنده تعریف میکنه که با یه پروژهٔ متنباز به اسم dirge روبهرو شده که آشکارا و بیپرده با هوش مصنوعی مولد توسعه داده میشه، هم تو کد و هم تو PRها. میگه معمولاً همین اول کار ازش دلزده میشد، چون کلی خروجیِ بیکیفیت اون بیرون هست؛ ولی چون از طریق مقالهٔ خودِ سازنده دربارهٔ ایدههایی برای استفادهٔ مؤثر از LLMهای کوچیکتر باهاش آشنا شد، کنجکاو شد و نصبش کرد.
به گفتهٔ نویسنده، این یه نقطهٔ شیرینِ کمتحسینشده برای توسعهٔ کمکگرفته از AI ه: وقتی کسی به کیفیت کد و صنعتگری اهمیت میده و هدفهای مشخصی داره، یه ایجنتِ خوبنظارتشده میتونه سرعت کدنویسی رو خیلی زیاد کنه. میگه به کدی که یه برنامهنویس قویِ ناظر تولیدش کرده دستکم بهاندازهٔ کدِ دستیِ خودش اعتماد داره، و خودش هم همینجوری از این ابزارها استفاده میکنه.
حالا اتفاق اصلی: نویسنده دو تا باگ کوچیک پیدا کرد و براشون ایشو ثبت کرد، ضمن عذرخواهی بابت کمبود جزئیات. ولی باگ ساده ۱٫۵ ساعت بعد و باگ پیچیده ۳ ساعت بعد — همراه با تست رگرسیون جامع — رفع شدن. اینجا یهو فهمید که PRهای خودش تقریباً لازم نیستن و اگه چیزی باشه فقط کارو کند میکنن؛ نگهدارنده لازم نیست وقت بذاره مشارکت اونو بفهمه، چون یه ایشوی خوب دقیقاً یه prompt برای هوش مصنوعیِ خودشه که ازش یه راهحل بسازه و تا حد استاندارد خودش صیقلش بده.
نویسنده جمعبندی میکنه که بیشتر بحثهای این روزها دربارهٔ اینه که وقتی آدمهای مجهز به LLM سراغ پروژههای سنتی میرن چی میشه؛ ولی حالتِ برعکس — پروژههایی که نگهدارندهشون از مشارکتکنندهها هم به AI مشتاقتره — خیلی کمتر دیده شده. این فقط اولین تجربهٔ اوئه، ولی انتظار داره این گردشکار رایجتر بشه: مشکل داری؟ فقط ایشو رو بنویس. کماسترس برای همه.
نکات کلیدی:
- تجربهٔ مثبت با پروژهای که نگهدارندهش سنگین از هوش مصنوعی مولد استفاده میکنه
- باگها فقط چند ساعت بعد از ثبت ایشو، با تست رگرسیون، رفع شدن
- بینش اصلی: یه ایشوی خوب عملاً یه prompt برای AIِ نگهدارندهست
- تو این مدل، مشارکت با ایشوی دقیق میتونه از فرستادن PR مفیدتر باشه
