[wd_asp id=1]
فرض کنید میخواهید حاصل یک محاسبه طولانی را به دست بیاورید. اگر ماشینحساب نداشته باشید، باید اعداد را روی کاغذ بنویسید، محاسبه را مرحلهبهمرحله جلو ببرید و در پایان هم احتمال دارد یک اشتباه کوچک، نتیجه کل محاسبه را تغییر دهد.
حالا همان اعداد را وارد ماشینحساب کنید. کاری که ممکن بود چند دقیقه زمان ببرد، در چند ثانیه انجام میشود. ماشینحساب ریاضیات را حذف نکرده است؛ بلکه بخش وقتگیر و تکراری محاسبه را به ابزاری سپرده که آن کار را سریعتر انجام میدهد.
هوش مصنوعی در حال ایجاد تغییر مشابهی در برنامهنویسی است. برای ساخت یک قابلیت ساده، دیگر همیشه لازم نیست تمام کد را خطبهخط از ابتدا بنویسید، برای هر خطا چند صفحه مستندات و نتیجه جستجو را بررسی کنید یا کدهای تکراری را دوباره بسازید. ابزارهای AI میتوانند کد پیشنهاد دهند، خطا را بررسی کنند، کد موجود را توضیح دهند و حتی بخشی از یک پروژه را براساس توضیحات شما ایجاد کنند.[1]
“Where any developer can go from idea, to code, to software all in natural language.”
یعنی AI همان امکانی است که توسعهدهنده میتواند با زبان طبیعی از ایده به کد و از کد به نرمافزار برسد
اما این سادگی یک سؤال مهم ایجاد میکند: برنامهنویسی با هوش مصنوعی دقیقاً چگونه انجام میشود و چقدر از کار را واقعاً میتوان به AI سپرد؟ در این راهنما از تعریف ساده کدنویسی با AI شروع میکنیم، ابزارها و روش انجام کار را میبینیم و در نهایت مشخص میکنیم برای پروژههای مختلف تا کجا میتوان روی هوش مصنوعی حساب کرد.
برنامهنویسی با هوش مصنوعی یا AI-Assisted Coding یعنی استفاده از ابزارها و مدلهای AI برای کمک به فرایند توسعه نرمافزار؛ از تولید و تکمیل کد تا توضیح کد، پیدا کردن خطا، نوشتن تست، Refactor و ایجاد قابلیتهای جدید.
بنابراین وقتی درباره «کدنویسی با AI» صحبت میکنیم، الزاماً منظور این نیست که هوش مصنوعی یک نرمافزار کامل را بدون دخالت شما تحویل دهد. گاهی AI فقط خط بعدی کد را پیشنهاد میکند و گاهی یک Agent میتواند فایلهای پروژه شما را بررسی کند، چند فایل را تغییر دهد، دستورهای Terminal را اجرا کند و نتیجه را بررسی کند. قابلیت دقیق به ابزاری که استفاده میکنید بستگی دارد.[1][2]
برای مثال، فرض کنید میخواهید تابعی بنویسید که قیمت محصول و درصد تخفیف را دریافت کند و قیمت نهایی را برگرداند. میتوانید منطق تابع را خودتان خطبهخط بنویسید یا خواسته را برای AI توضیح دهید:
تابعی با JavaScript بنویس که قیمت و درصد تخفیف را دریافت کند و قیمت نهایی را برگرداند.هوش مصنوعی میتواند براساس این درخواست کد اولیه را پیشنهاد دهد. از این مرحله به بعد، وظیفه شما فقط دریافت خروجی نیست؛ باید ببینید کد واقعاً همان کاری را انجام میدهد که انتظار دارید یا خیر.
در سادهترین شکل، شما خواسته خود را با یک Prompt مشخص میکنید و AI براساس دستور و Context در اختیارش، کد مناسب را پیشنهاد میدهد. GitHub Copilot برای مثال میتواند هنگام تایپ کد پیشنهاد بدهد یا توضیحی را که با زبان طبیعی نوشتهاید به کد تبدیل کند.[3]
در ابزارهای Agentic این فرایند یک مرحله جلوتر میرود. Agent میتواند هدف شما را بپرسد، فایلهای مرتبط را پیدا کند، تغییرات لازم را انجام دهد، دستور اجرا کند و نتیجه کار را بررسی کند. Cursor نیز Agent خود را سیستمی معرفی میکند که میتواند Codebase را جستجو کند، فایلها را ویرایش کند و دستورهای Terminal را اجرا کند.[2]
پس یک مدل ساده برای درک فرایند میتواند این باشد:
Prompt ← Context ← تولید یا تغییر کد ← اجرا ← بررسی ← اصلاح
نکته مهم در این مسیر، مرحله بررسی است. تولیدشدن کد به معنی درستبودن آن نیست.
کاربرد AI در برنامهنویسی به نوشتن چند خط کد محدود نیست. ابزارهای جدید میتوانند در مراحل مختلف توسعه، از شکلگیری یک قابلیت تا بررسی خطا و تست آن، نقش داشته باشند. GitHub برای Copilot قابلیتهایی مانند پیشنهاد کد، پاسخ به سؤال درباره کد، کمک در Command Line و انجام برخی وظایف توسعه را ارائه میکند.[1]
یکی از ملموسترین کاربردها این است که چیزی را که میخواهید با زبان طبیعی توضیح دهید.
یک فرم ثبتنام با نام، شماره موبایل و ایمیل بساز. قبل از ارسال فرم، معتبر بودن ایمیل و شماره موبایل را بررسی کن.هرچه نیاز را دقیقتر توضیح دهید، Context بهتری برای تولید خروجی در اختیار AI قرار میگیرد.
اگر خودتان در حال نوشتن کد باشید، AI میتواند ادامه یک Function، شرط، Query یا Block را پیشنهاد کند. در این حالت قرار نیست کنترل پروژه را به هوش مصنوعی واگذار کنید؛ AI بیشتر شبیه ابزاری برای کاهش تایپ کلمات و دستورات و کارهای تکراری عمل میکند.
GitHub Copilot برای نمونه هنگام تایپ، پیشنهادهای Inline ارائه میکند.[3]
فرض کنید برنامه با این پیام متوقف شده است:
TypeError: Cannot read properties of undefinedبهجای اینکه فقط بپرسید «این خطا چیه؟»، کد مرتبط، Error، رفتاری که انتظار داشتید و اتفاقی که واقعاً افتاده است را در اختیار AI قرار دهید.
این Context به مدل کمک میکند مسئله را بهتر تحلیل کند. کافیست برای برطرف شدن مشکل متن زیر را به Ai بدهید
✅ بعد از کلیک روی دکمه ثبت، این TypeError را دریافت میکنم. انتظار دارم اطلاعات فرم داخل آرایه ذخیره شود. کد مربوط به Submit و متن کامل Error را بررسی کن و علت خطا را توضیح بده.
اگر با یک Codebase قدیمی روبهرو شدهاید یا قطعه کدی را نمیشناسید، میتوانید از AI بخواهید منطق آن را توضیح دهد.
این تابع را مرحلهبهمرحله توضیح بده و مشخص کن ورودی، خروجی و شرایط خطای آن چیست.این کاربرد برای یادگیری و اصلاح و آپدیت کدهای قدیمی نیز مفید است؛ بهشرط اینکه توضیح AI را جایگزین بررسی کد و مستندات معتبر نکنید.
AI میتواند برای Refactoring هم استفاده شود. مثلاً یک تابع طولانی را به توابع کوچکتر تقسیم کند، نام متغیرها را خواناتر کند یا راهی برای حذف کدهای تکراری پیشنهاد دهد.
در پروژه واقعی، معیار اصلی این نیست که کد جدید «تمیزتر به نظر برسد». باید بررسی کنید رفتار قبلی حفظ شده، Testها پاس میشوند و تغییر جدید مشکل تازهای ایجاد نکرده است.
نوشتن Test و Documentation از کارهایی است که میتوان بخشی از آن را به AI سپرد. Coding Agentهای جدید حتی میتوانند کد را تغییر دهند و Testها را اجرا کنند. OpenAI نیز Codex را Agent کدنویسی معرفی میکند که میتواند روی Repository کار کند، فایلها را تغییر دهد، دستور اجرا کند و Test انجام دهد.[4]
اگر AI میتواند کد بنویسد، سؤال بعدی طبیعی است: با آن دقیقاً چه چیزی میتوان ساخت؟
پاسخ به زبان برنامهنویسی، APIهای در دسترس، ابزار AI، سطح پیچیدگی پروژه و دانش شما بستگی دارد. در عمل میتوان از AI برای ساخت بخشی از یک پروژه یا حتی نسخه اولیه پروژههای مختلف استفاده کرد. Coding Agentها نیز میتوانند روی چند فایل کار کنند و قابلیتهای جدید بسازند.[2]
میتوانید برای ایجاد بخشهای مختلف یک ربات تلگرام از AI کمک بگیرید؛ از دریافت پیام و تعریف Command گرفته تا اتصال ربات به API یا پایگاه داده.
مثلاً بهجای درخواست کلی یک ربات تلگرام بساز، مسئله را دقیقتر تعریف کنید:
یک ربات تلگرام با Python میخواهم که کاربر شماره سفارش را ارسال کند، شماره را اعتبارسنجی کند و وضعیت سفارش را از API دریافت و نمایش دهد.هوش مصنوعی میتواند ساختار اولیه را ایجاد کند، اما اطلاعاتی مانند Token، دسترسی API، امنیت، Hosting و مدیریت خطا همچنان باید درست طراحی شوند.
همین منطق درباره پیامرسانهایی مانند بله نیز وجود دارد. اگر سرویس موردنظر API و مستندات توسعه داشته باشد، میتوانید مستندات و نیاز پروژه را در اختیار AI قرار دهید و برای نوشتن بخشهای مختلف ربات از آن کمک بگیرید.
دانش قبلی مدل را جایگزین مستندات فعلی API نکنید. Endpointها، پارامترها یا روش احراز هویت ممکن است تغییر کنند. ابتدا مستندات معتبر را بررسی کنید و سپس از AI برای پیادهسازی استفاده کنید.
اگر سایت وردپرسی دارید و یک قابلیت اختصاصی کوچک نیاز دارید، AI میتواند در تولید ساختار اولیه افزونه، Hookها، Functionها و بخش مدیریتی کمک کند.
یک افزونه وردپرس بساز که در صفحه محصولات یک فیلد مدت گارانتی اضافه کند و مقدار آن را زیر قیمت محصول نمایش دهد.اما کدی که روی WordPress و بهخصوص WooCommerce اجرا میشود میتواند به اطلاعات کاربران، سفارشها یا Database دسترسی داشته باشد. بنابراین در پروژه واقعی، کد تولیدشده باید از نظر امنیت، سازگاری و اثر روی سایت بررسی شود.
AI میتواند برای ساخت یا تغییر Templateها، Functionها و اجزای Front-end قالب نیز کمک کند.
بااینحال ساخت قالب فقط تولید HTML و CSS نیست. Responsive بودن، Performance، Accessibility، سازگاری با WordPress، ساختار Templateها و نگهداری آینده نیز بخشی از تصمیم هستند.
ماشینحساب آنلاین، فرمهای اختصاصی، داشبورد، ابزار تبدیل داده، ابزارهای SEO، صفحات تعاملی و Web Appهای کوچک از نمونههایی هستند که میتوان برای ساخت آنها از AI کمک گرفت.
هرچه پروژه از یک Prototype ساده به نرمافزار واقعی با کاربر، Login، پرداخت، اطلاعات حساس و Database نزدیک شود، نیاز به بررسی فنی نیز بیشتر میشود.
گاهی اصلاً به سایت یا اپلیکیشن نیاز ندارید. مثلاً میخواهید صدها فایل CSV را بخوانید، ستون خاصی را استخراج کنید و خروجی جدید بسازید. AI میتواند برای چنین کاری یک Script بنویسد و شما بهجای انجام دستی کار، آن را خودکار کنید.
این دقیقاً یکی از جاهایی است که کدنویسی با AI میتواند زمان انجام کارهای تکراری را کاهش دهد.
اما اگر بخواهید یک مرحله جلوتر بروید چه؟ اگر اصلاً نخواهید درگیر جزئیات کد شوید و بیشتر تمرکزتان روی این باشد که به AI بگویید چه چیزی میخواهید و نتیجه را مرحلهبهمرحله هدایت کنید، به مفهومی به نام Vibe Coding نزدیک میشویم.
یکی از سادهترین روشها برای تجربه ساخت نرمافزار با هوش مصنوعی، Vibe Coding یا وایب کودینگ است.
در این روش بهجای اینکه تمام جزئیات پیادهسازی را خودتان خطبهخط مشخص کنید، نتیجه موردنظر را با زبان خودتان حتی زبان فارسی برای یک Coding Agent توضیح میدهید و پروژه را با Promptهای متوالی جلو میبرید.
برای مثال:
یک ربات تلگرام بساز که کاربر شماره سفارش را وارد کند و وضعیت سفارش را ببیند.نسخه اولیه ساخته میشود. بعد میگویید:
یک دکمه ارتباط با پشتیبانی هم اضافه کن.بعد:
اگر شماره سفارش اشتباه بود، پیام مناسب نمایش بده.در نتیجه مسیر ساخت نرمافزار بیشتر شبیه یک گفتوگوی متوالی میشود:
خواسته شما ← Prompt ← تولید یا تغییر پروژه ← مشاهده نتیجه ← درخواست اصلاح ← نسخه جدید
در شکل خالص Vibe Coding، تمرکز کاربر بیشتر روی نتیجهای است که میخواهد تا جزئیات کدی که پشت آن نتیجه نوشته شده است. همین ویژگی باعث شده این روش برای Prototype، ابزارهای شخصی و افرادی که میخواهند ایده خود را سریعتر آزمایش کنند جذاب باشد.
اما این سادگی محدودیت هم دارد. اگر بدون درک کافی از کد وارد پروژه حساس شوید، ممکن است نتوانید مشکل امنیتی، تصمیم معماری اشتباه یا کدی را که نگهداری آن دشوار است بهموقع تشخیص دهید.
تفاوت اصلی در این نیست که در یک روش برنامهنویس وجود دارد و در دیگری AI جای او را گرفته است. تفاوت در این است که چه مقدار از فرایند تولید، بررسی و تغییر کد را میتوان به ابزار هوش مصنوعی سپرد.
جدول زیر تفاوت این دو روش را از نظر اجرای کار نشان میدهد. هدف جدول این نیست که یکی را بهطور مطلق بهتر از دیگری معرفی کند؛ بلکه مشخص میکند AI کدام بخشهای فرایند را تغییر داده است.
| برنامهنویسی سنتی | برنامهنویسی با AI |
|---|---|
| بخش زیادی از کد را خودتان مینویسید | AI میتواند بخشی از کد را تولید کند |
| برای بسیاری از مسائل جستجو و مستندات را بررسی میکنید | میتوانید مسئله را مستقیماً برای AI توضیح دهید |
| Error را تحلیل و برای راهحل جستجو میکنید | AI میتواند در تحلیل Error و پیشنهاد اصلاح کمک کند |
| کدهای تکراری را دستی مینویسید | بخشی از کدهای تکراری را میتوان سریعتر تولید کرد |
| Refactor و Test عمدتاً دستی انجام میشود | AI میتواند برای Refactor و تولید Test کمک کند |
| تصمیم نهایی با توسعهدهنده است | تصمیم نهایی همچنان باید با توسعهدهنده باشد |
پس معیار اصلی، حذف برنامهنویس نیست. AI روش انجام بخشی از کار برنامهنویسی را تغییر داده است.
برای شروع، خیر اما برای کنترل مطمئن پروژههای سنگین تولید شده، دانش برنامهنویسی اهمیت زیادی پیدا میکند.
ابزارهای AI امکان تولید کد از زبان طبیعی را فراهم کردهاند. GitHub در آموزش Copilot توضیح میدهد که این ابزار میتواند قطعه کد، Function و حتی برنامه تولید کند. بااینحال همان مستندات هشدار میدهند کدی را که درک نمیکنید بدون بررسی نپذیرید.[5]
بنابراین پاسخ به هدف شما بستگی دارد.
AI میتواند سرعت اجرای بسیاری از کارها را افزایش دهد. میتوانید Boilerplate را بسپارید، درباره Codebase سؤال کنید، Test تولید کنید، Error را بررسی کنید و از Agent بخواهید تغییر مشخصی را روی چند فایل اعمال کند.
در این حالت AI جای دانش فنی شما را نمیگیرد؛ توان اجرایی آن دانش را گسترش میدهد.
باز هم میتوانید پروژههای ساده بسازید، مخصوصاً اگر از ابزارهای Agentic یا Vibe Coding استفاده کنید.
مشکل زمانی شروع میشود که خروجی ظاهراً کار میکند اما شما نمیتوانید کیفیت فنی آن را ارزیابی کنید.
یک فرم ممکن است اطلاعات را ثبت کند، اما آیا ورودیها امن هستند؟ یک ربات ممکن است پاسخ دهد، اما Token بهدرستی نگهداری شده؟ یک فروشگاه ممکن است در مرورگر شما کار کند، اما در شرایط خطا چه اتفاقی میافتد؟
کارکردن ظاهری نرمافزار با درستبودن فنی آن یکی نیست.
هر Vibe Coding نوعی استفاده از AI برای توسعه نرمافزار است، اما هر برنامهنویسی با AI را نباید Vibe Coding نامید.
فرض کنید Developer از GitHub Copilot میخواهد یک Function بنویسد. کد پیشنهادی را میخواند، منطق آن را بررسی میکند، Test مینویسد و در صورت نیاز تغییرش میدهد. این نمونه روشن AI-Assisted Coding است.
در مقابل، در Vibe Coding ممکن است کاربر بگوید:
صفحه ورود بساز.بعد نتیجه را ببیند و بگوید:
فراموشی رمز عبور هم اضافه کن.سپس:
ظاهر صفحه را سادهتر کن.در این حالت تمرکز اصلی روی هدایت نتیجه با زبان طبیعی است و ممکن است کاربر بخش زیادی از کد تولیدشده را مستقیماً بررسی نکند.
مرز مهم این دو روش، وجود AI نیست؛ میزان درگیری شما با جزئیات فنی و بررسی کد است.
برای پروژهای که فقط میخواهید یک ایده را سریع آزمایش کنید، این رویکرد میتواند جذاب باشد. اما هرچه پروژه به اطلاعات حساس، پرداخت، کاربران واقعی و فرایندهای مهم کسبوکار نزدیک شود، Review و Test اهمیت بیشتری پیدا میکند.
بهترین AI برای برنامهنویسی بدون مشخصکردن نوع هدف از کد نویسی پرسش دقیقی نیست. ابزاری که برای تکمیل کد داخل IDE مناسب است الزاماً همان ابزاری نیست که برای انجام یک Task چندفایلی یا ساخت Prototype انتخاب میکنید.
بهجای انتخاب ابزار براساس تبلیغات، ابتدا مشخص کنید از AI چه کاری میخواهید.
برای سؤالوجواب درباره کد، طراحی راهحل، توضیح Error و تولید قطعات کد میتوان از ChatGPT استفاده کرد. برای وظایف Agentic نیز OpenAI، Codex را بهعنوان Coding Agent ارائه میکند که میتواند روی Codebase کار کند، فایلها را تغییر دهد، دستور اجرا کند و Test انجام دهد.[4]
اگر فقط یک Function میخواهید، نوع تعامل شما با زمانی که میخواهید Agent روی یک Codebase کار کند متفاوت است.
GitHub Copilot یک AI Coding Assistant است که میتواند هنگام تایپ پیشنهاد کد بدهد و درباره کد به سؤالهای شما پاسخ دهد. GitHub همچنین قابلیتهایی برای برنامهریزی و ایجاد تغییرات کد در اختیار Copilot قرار داده است.[1]
اگر بخش زیادی از کار شما داخل IDE انجام میشود، پیشنهاد کد در همان محیط میتواند فرایند کار را روانتر کند.
Claude Code یک ابزار Agentic برای کار روی پروژههای نرمافزاری است. کاربر میتواند درخواست خود را مطرح کند و Context پروژه را در اختیار آن قرار دهد.[6]
انتخاب این ابزار نیز باید براساس نوع پروژه، محیط توسعه، نیاز به Context و Workflow تیم انجام شود.
Cursor یک محیط کدنویسی AIمحور است که قابلیتهای Agentic را در کنار محیط توسعه قرار میدهد. Agent آن میتواند Codebase را جستجو کند، چند فایل را تغییر دهد و Command اجرا کند.[2]
برای مثال میتوانید به Agent بگویید:
یک فرم Login با Email و Password به صفحه اصلی اضافه کن.و Agent فایلهای مرتبط را بررسی و تغییرات لازم را اعمال میکند.
ابزار را براساس کاری که باید انجام شود انتخاب کنید، نه صرفاً تعداد قابلیتهایی که در صفحه معرفی آن نوشته شده است.
اگر تا اینجا با AI کدنویسی نکردهاید، از پروژه بزرگ شروع نکنید. پیشنهاد ما برای شروع برنامه نویسی با Ai ، یادگیری وایب کودینگ است. برای شروع میتوانید از مسیر زیر جلو بروید:
پروژه کوچک باعث میشود بتوانید خروجی را راحتتر بررسی کنید و بفهمید هر Prompt چه تغییری ایجاد کرده است. برای شروع میتوانید یکی از مثالهای زیر را انتخاب کنید:
Prompt خوب الزاماً Prompt طولانی نیست؛ Prompt باید اطلاعات لازم برای تصمیم درست را منتقل کند.
❌ یک سایت بساز.
✅ یک صفحه فارسی با HTML، CSS و JavaScript بساز که کاربر قیمت و درصد تخفیف را وارد کند و بعد از کلیک روی دکمه، قیمت نهایی را نمایش دهد. اطلاعات داخل مرورگر پردازش شوند و نیازی به Backend نیست.
در درخواست دوم، تکنولوژی، ورودی، خروجی و محدودیت مشخص شده است.
اگر میخواهید یک سیستم بزرگ بسازید، تمام Featureها را در اولین Prompt درخواست نکنید. ابتدا نسخه پایه را بسازید و سپس مرحلهبهمرحله قابلیتهای جدید اضافه کنید.
اعتبارسنجی ورودی را اضافه کن.پیام خطا اضافه کن.ظاهر موبایل را اصلاح کن.این روش تشخیص مشکل را سادهتر میکند؛ چون میدانید آخرین تغییر چه بوده است.
اینکه AI بدون Error کد تحویل داده، اثبات نمیکند نرمافزار درست کار میکند.
سناریوهای مختلف را آزمایش کنید. اگر ماشینحساب تخفیف ساختهاید، عدد صفر، مقدار منفی، درصد بیشتر از ۱۰۰، ورودی خالی و متن را هم امتحان کنید.
خروجی AI یک پیشنهاد یا پیادهسازی است، نه تضمین صحت.
اگر برنامه Error داد، اطلاعات لازم را همراه آن ارسال کنید. اطلاعات مفید معمولاً شامل موارد زیر هستند:
هرچه مسئله را دقیقتر تعریف کنید، احتمال اینکه AI روی مسئله واقعی تمرکز کند بیشتر میشود.
اگر AI همزمان Authentication، Database، ظاهر سایت و API را تغییر دهد و برنامه خراب شود، تشخیص منشأ مشکل دشوار میشود.
تغییرات را کوچک نگه دارید و بعد از هر مرحله نتیجه را بررسی کنید.
در پروژه واقعی استفاده از Version Control نیز اهمیت زیادی دارد؛ چون باید بدانید چه چیزی تغییر کرده و در صورت نیاز بتوانید تغییر نامناسب را برگردانید.
فرض کنید هیچ پروژهای نداریم و میخواهیم یک To-Do List ساده بسازیم. هدف این مثال آموزش JavaScript نیست؛ میخواهیم فرایند همکاری با AI را ببینیم.
مسیر کلی ما این است:
ایده ← Prompt ← کد ← اجرا ← بررسی ← اصلاح ← نتیجه
بهجای گفتن یک To-Do List بساز، نیاز را مشخص میکنیم و اگر دوره وایب کودینگ را دیده باشیم، عیناً عبارت زیر را برای AI میگوییم:
یک To-Do List فارسی با HTML، CSS و JavaScript بساز. کاربر بتواند عنوان کار را وارد کند و با کلیک روی دکمه «اضافه کردن»، کار در فهرست نمایش داده شود. همه فایلها را جداگانه بده و توضیح بده هر فایل چه کاری انجام میدهد.AI نسخه اولیه را تولید میکند. حالا قبل از درخواست Feature بعدی، همان نسخه را اجرا کنید.
بررسی کنید آیا کار اضافه میشود، اگر Input خالی باشد چه اتفاقی میافتد و صفحه در موبایل قابل استفاده است یا خیر.
حالا درخواست جدید را مطرح میکنیم:
برای هر کار یک دکمه حذف اضافه کن. فقط فایلهایی را که نیاز به تغییر دارند اصلاح کن و تغییرات را توضیح بده.دوباره پروژه را اجرا و نتیجه را بررسی میکنیم.
در مرحله بعد میتوانیم قابلیت جدید را با یک درخواست مستقل اضافه کنیم:
کنار هر کار Checkbox اضافه کن. وقتی کار انجام شد، ظاهر آن تغییر کند اما از فهرست حذف نشود.این روش یک مزیت مهم دارد: اگر بعد از این تغییر مشکلی ایجاد شود، محدوده بررسی کوچکتر است.
فرض کنیم بعد از حذف یک آیتم، وضعیت برخی آیتمها اشتباه میشود.
بهجای:
❌ خراب شد درستش کن.
میگوییم:
✅ بعد از حذف آیتم دوم، Checkbox آیتم بعدی وضعیت اشتباه نشان میدهد. انتظار دارم وضعیت هر Task مستقل بماند. منطق حذف و شناسه Taskها را بررسی کن و قبل از تغییر کد علت مشکل را توضیح بده.
اینجا AI را از ماشین تولید کد به ابزار تشخیص مسئله تبدیل کردهایم.
بعد از تکمیل پروژه، فقط ظاهر آن را نگاه نکنید.
ورودی خالی را امتحان کنید. چند Task مشابه بسازید. چند مورد را حذف کنید. صفحه را Refresh کنید و ببینید آیا قرار بوده اطلاعات حفظ شوند یا خیر.
اگر انتظار دارید اطلاعات بعد از Refresh باقی بمانند اما چنین چیزی در نیاز اولیه نگفتهاید، مشکل الزاماً از AI نیست؛ نیاز پروژه کامل تعریف نشده است.
این مثال یک درس مهم دارد: کیفیت کدنویسی با AI فقط به مدل وابسته نیست. تعریف مسئله، Context، بررسی خروجی و نحوه هدایت مرحلهای پروژه نیز روی نتیجه اثر دارند.
سرعت بالای تولید کد میتواند خودش باعث یک اشتباه شود: چون تغییرات سریع اتفاق میافتند، فرصت کمتری برای فکرکردن به اثر هر تغییر میگذاریم.
❌ چون AI کد را نوشته و صفحه اجرا شده، پس کد درست است.
✅ رفتار نرمافزار، Errorها، Testها و در پروژههای حساس مسائل امنیتی را بررسی کنید.
مستندات آموزشی GitHub نیز توصیه میکنند کدی را که کاملاً درک نمیکنید بدون بررسی استفاده نکنید.[5]
❌ یک فروشگاه اینترنتی حرفهای بساز.
این Prompt درباره تکنولوژی، پرداخت، کاربران، محصولات، Database، نقشها و دهها تصمیم دیگر چیزی نمیگوید.
✅ مسئله را به Requirementهای کوچک و قابل بررسی تقسیم کنید.
❌ از AI بخواهید در یک مرحله ساختار Database، Login، ظاهر صفحات و API را تغییر دهد.
✅ تغییر را کوچک کنید، نتیجه را بررسی کنید و بعد سراغ مرحله بعد بروید.
Token، Password، کلید API، اطلاعات واقعی کاربران و Secretهای پروژه را مثل متن معمولی داخل Prompt قرار ندهید.
قبل از استفاده از یک ابزار AI در پروژه سازمانی، مشخص کنید چه دادهای برای سرویس ارسال میشود، چه دسترسیهایی به Agent دادهاید و سیاست امنیتی سازمان چه اجازهای میدهد. Coding Agentها میتوانند به فایلها و ابزارهای اجرایی دسترسی داشته باشند؛ بنابراین سطح دسترسی بخشی از تصمیم فنی است، نه یک تنظیم بیاهمیت.[7]
اگر برنامهنویسی را فقط تایپکردن کد تعریف کنیم، AI همین حالا میتواند بخش قابلتوجهی از این فعالیت را انجام دهد. Coding Agentهای فعلی قادرند Feature بسازند، Bug را بررسی کنند، فایلها را تغییر دهند و Test اجرا کنند.[2][4]
اما توسعه نرمافزار فقط نوشتن Syntax نیست.
قبل از نوشتن کد باید بدانید مسئله چیست. بعد باید درباره معماری، داده، دسترسی کاربران، امنیت، رفتار سیستم هنگام خطا، Performance، نگهداری و موضوعات دیگر تصمیم بگیرید.
به همین دلیل سؤال کاربردیتر این نیست:
«آیا هوش مصنوعی برنامهنویس را حذف میکند؟»
سؤال بهتر این است:
«کدام بخش از کار برنامهنویس را میتوان به هوش مصنوعی سپرد و کدام تصمیمها همچنان نیازمند دانش فنی هستند؟»
پاسخ این سؤال نیز برای همه پروژهها یکسان نیست.
اگر قرار است یک Script شخصی برای تغییر نام فایلها بنویسید، ریسک یک تصمیم اشتباه با زمانی که روی سیستم پرداخت یک فروشگاه کار میکنید یکسان نیست.
هرچه هزینه خطا بیشتر باشد، بررسی انسانی و کنترل فنی اهمیت بیشتری پیدا میکند.
AI را نباید با یک حکم کلی مناسب یا نامناسب ارزیابی کرد. نوع پروژه، حساسیت اطلاعات، هزینه خطا و توانایی شما برای بررسی خروجی تعیین میکنند چه مقدار از کار را میتوان به آن سپرد.
میتوانید آزادی بیشتری برای آزمایش داشته باشید. یک ابزار شخصی، ماشینحساب، Script یا Prototype جای مناسبی برای یادگیری نحوه کار با AI است.
اگر نتیجه اشتباه باشد، معمولاً هزینه اصلاح محدود است.
AI میتواند فاصله بین ایده و Prototype را کمتر کند. میتوانید Feature اولیه را بسازید، رفتار کاربر را بررسی کنید و پیش از سرمایهگذاری بیشتر، فرضیه خود را آزمایش کنید.
اما Prototype و Production یک چیز نیستند.
کدی که برای نمایش یک ایده کافی است، الزاماً برای صدها یا هزاران کاربر واقعی آماده نیست.
معیار تصمیم باید سختگیرانهتر شود.
Test، Security، Logging، Backup، Performance، Maintainability و Code Review اهمیت پیدا میکنند. در این شرایط بهتر است AI را بخشی از فرایند توسعه بدانید، نه مرجع نهایی تصمیم.
با پروژهای شروع کنید که بتوانید نتیجه آن را خودتان بررسی کنید.
ساخت یک ماشینحساب یا ابزار شخصی برای شروع منطقیتر از سیستم پرداخت یا افزونهای است که اطلاعات حساس کاربران را پردازش میکند.
اگر هدف شما بیشتر این است که ایده را توضیح دهید و AI بخش عمده مسیر ساخت را جلو ببرد، Vibe Coding میتواند نقطه شروع جذابتری باشد.
اگر برنامهنویس هستید، لازم نیست Workflow خود را یکباره تغییر دهید. یکی از کارهای تکراری را انتخاب کنید: تولید Test، توضیح کد قدیمی، Refactor یک Function یا بررسی Error. ابتدا ببینید AI در همان نقطه چه مقدار زمان شما را کاهش میدهد و خروجی آن چقدر قابل اعتماد است.
اگر تازه برنامهنویسی را شروع کردهاید، AI را فقط بهعنوان تولیدکننده جواب نبینید. از آن بخواهید کد را توضیح دهد، درباره علت انتخاب راهحل سؤال کنید و کدی را که نمیفهمید بدون بررسی وارد پروژه نکنید.
و اگر اصلاً برنامهنویس نیستید اما ایدهای دارید که مدتهاست میخواهید آن را به یک ابزار، ربات یا نرمافزار تبدیل کنید، مسیر جدیدی پیش روی شما قرار گرفته است. میتوانید خواسته را با زبان طبیعی توضیح دهید، نتیجه را ببینید و مرحلهبهمرحله AI را برای رسیدن به نسخه موردنظر هدایت کنید.
در این حالت قدم بعدی شما یادگیری Syntax یک زبان نیست؛ میتوانید ابتدا با Vibe Coding آشنا شوید و ببینید چطور میتوان از توضیح یک ایده به ساخت نسخه قابل اجرا رسید.
در ادامه به چند سؤال پرتکرار درباره کدنویسی با AI پاسخ میدهیم.
بله. ابزارهای AI میتوانند از روی توضیحات زبان طبیعی کد تولید کنند و Coding Agentها حتی قادرند روی چند فایل پروژه تغییر ایجاد کنند.[2] اما توانایی تولید کد با توانایی بررسی کیفیت آن یکسان نیست. برای پروژههای حساس و واقعی، دانش فنی یا Review توسط فرد متخصص اهمیت بیشتری دارد.
یک پاسخ ثابت وجود ندارد. GitHub Copilot برای پیشنهاد کد و کار در Workflow توسعه قابلیتهای مختلفی دارد؛ Cursor محیط و Agent کدنویسی ارائه میکند و Codex برای انجام وظایف Agentic روی Codebase طراحی شده است.[1][2][4] ابزار را براساس نوع Task، محیط توسعه و میزان کنترلی که نیاز دارید انتخاب کنید.
مدلهای AI میتوانند قطعات کد و حتی برنامه تولید کنند و Coding Agentها میتوانند وظایف بزرگتری مانند ایجاد Feature، تغییر چند فایل و اجرای Test را انجام دهند.[4] اما «کامل» بودن یک برنامه به Requirement، امنیت، تست، استقرار و نگهداری آن بستگی دارد. تولید کد فقط بخشی از ساخت نرمافزار است.
برای شروع با برخی ابزارها الزاماً لازم نیست زبان برنامهنویسی بلد باشید، چون میتوانید درخواست را با زبان طبیعی مطرح کنید. بااینحال شناخت زبان و تکنولوژی پروژه، توانایی شما برای بررسی و اصلاح خروجی AI را افزایش میدهد.
در AI-Assisted Coding معمولاً توسعهدهنده از AI برای کمک به کدنویسی استفاده میکند اما همچنان کد و تصمیمهای فنی را بررسی میکند. در Vibe Coding تمرکز میتواند بیشتر روی توصیف نتیجه و هدایت AI با زبان طبیعی باشد و کاربر لزوماً تمام کد تولیدشده را خطبهخط بررسی نمیکند.
نباید صرفاً به دلیل تولیدشدن توسط AI آن را معتبر فرض کنید. کد باید متناسب با ریسک پروژه بررسی، اجرا و تست شود. هرچه پروژه حساستر باشد، Code Review، Security Review و Test اهمیت بیشتری پیدا میکنند.
AI در حال خودکارکردن بخشهایی از تولید و تغییر کد است، اما توسعه نرمافزار شامل تشخیص مسئله، طراحی سیستم، امنیت، نگهداری و تصمیمهای فنی نیز میشود. در نتیجه برای تصمیم عملی بهتر است بهجای سؤال کلی درباره «حذف برنامهنویس»، بررسی کنید در پروژه مشخص شما کدام وظایف را میتوان با ریسک قابل قبول به AI سپرد.
این محتوا با روش گردآوری، تطبیق و بازنویسی منابع معتبر انگلیسیزبان تدوین شده است و ترجمه مستقیم یک منبع واحد نیست. برای قابلیتهای فنی ابزارها تا جای ممکن از مستندات رسمی همان ابزار استفاده شده است.
مثالهای ماشینحساب، ربات تلگرام، ربات بله، افزونه وردپرس و پروژه To-Do List در این مقاله مثالهای آموزشی و فرضی هستند و بهعنوان تجربه واقعی پروژههای مدیروب ارائه نشدهاند. همچنین توصیههای مربوط به انتخاب پروژه و میزان بررسی کد، تحلیل اجرایی مقاله براساس سطح ریسک پروژه هستند و نباید با ادعاهای رسمی سازندگان ابزارها یکسان در نظر گرفته شوند.