وایب کدینگ در یک جمله؛ چه کاری می‌کند و چه کاری نمی‌کند

هر چند وقت یک‌بار یک اصطلاح تازه در دنیای نرم‌افزار سر و صدا می‌کند و «وایب کدینگ» یکی از تازه‌ترین‌های چند سال اخیر است. عده‌ای آن را آغاز یک دوران تازه در تولید نرم‌افزار می‌دانند و عده‌ای دیگر آن را یک مُد زودگذر می‌خوانند. واقعیت جایی میان این دو نگاه قرار دارد. در این مقاله سعی می‌کنیم وایب کدینگ را در یک جمله تعریف کنیم، بعد صادقانه ببینیم این تعریف در عمل چه معنایی دارد و کجا واقعاً به کار می‌آید.

وایب کدینگ در یک جمله

وایب کدینگ یعنی توصیف‌کردن چیزی که می‌خواهید به زبان طبیعی برای یک ابزار هوش مصنوعی، و پذیرفتن و اجرای کدی که تولید می‌کند بدون آنکه لزوماً خط‌به‌خط آن را بخوانید یا بفهمید؛ تمرکز روی «حسِ درست بودنِ نتیجه» است، نه روی مهندسیِ دقیق زیرِ آن.

این اصطلاح را نخستین‌بار برای توصیف شیوه‌ای از کار با مدل‌های زبانی به کار بردند که در آن کاربر بیشتر شبیه یک ناظر و راهنما عمل می‌کند تا یک برنامه‌نویس سنتی. برای شرح کامل‌تر این مفهوم و مثال‌های عملی‌تر می‌توانید راهنمای کامل وایب کدینگ را در مرچت‌جی‌پی‌تی بخوانید.

چرا این اصطلاح این‌قدر سر و صدا کرد

تا چند سال پیش، نوشتنِ نرم‌افزار همیشه با یادگیریِ یک زبانِ برنامه‌نویسی شروع می‌شد. حالا مدل‌های زبانیِ بزرگ می‌توانند از روی یک توضیحِ فارسی یا انگلیسیِ ساده، کدی بنویسند که کار می‌کند. این جهش، مرزِ بینِ «کسی که برنامه می‌نویسد» و «کسی که فقط از نرم‌افزار استفاده می‌کند» را کمرنگ کرده است. وایب کدینگ دقیقاً همین فاصله را پر می‌کند: کسی که هیچ‌وقت یک خط کد ننوشته، حالا می‌تواند با گفت‌وگو، چیزی بسازد که واقعاً اجرا می‌شود. همین موضوع باعث شده هم هیجانِ زیادی ایجاد شود و هم نگرانیِ زیادی دربارهٔ کیفیت و امنیت.

چه کاری می‌کند

وایب کدینگ در جاهایی که سرعتِ رسیدن به یک نتیجهٔ کارکردی مهم‌تر از کیفیتِ مهندسیِ آن است، واقعاً کارآمد است.

• ساخت سریع نمونهٔ اولیه برای آزمودن یک ایده پیش از سرمایه‌گذاری روی آن
• اجازه‌دادن به کسی که برنامه‌نویس نیست تا بدون یادگیری چند سالهٔ سینتکس، یک ابزار کوچک برای خودش بسازد
• خودکارسازی کارهای تکراری شخصی، مثل یک اسکریپت برای مرتب‌کردن فایل‌ها یا خواندن یک فایل اکسل
• ساخت نسخهٔ آزمایشیِ یک ویژگی برای نشان‌دادن به تیم، پیش از آنکه تصمیمِ نهاییِ ساخت گرفته شود

چه کاری نمی‌کند

اینجا بخشی است که کمتر دربارهٔ آن صحبت می‌شود، ولی برای تصمیم‌گیریِ درست حیاتی است.

• وایب کدینگ هیچ ضمانتی دربارهٔ امنیتِ کد تولیدشده نمی‌دهد؛ اگر کد را نخوانید، نمی‌دانید چه حفره‌ای در آن مانده
• جایگزینِ فهمِ معماریِ نرم‌افزار نیست؛ وقتی پروژه بزرگ شود، تصمیم‌های ساختاری را کسی باید بگیرد که آن‌ها را می‌فهمد
• خطاهای پنهان و لبه‌ای (edge case) را خودش پیدا نمی‌کند؛ مدل زبانی چیزی را تست می‌کند که از او بخواهید، نه چیزی که فراموش کرده‌اید
• برای کدی که قرار است سال‌ها نگه‌داری شود، بدون مستندسازی و بازخوانیِ انسانی، به مرور تبدیل به بدهیِ فنی می‌شود

یک نکتهٔ دیگر هم هست: وایب کدینگ کارِ تیمی را به‌خودیِ‌خود حل نمی‌کند. وقتی چند نفر روی یک پروژه کار می‌کنند، هماهنگیِ کدها، نام‌گذاریِ یکدست و مستندسازی باز هم لازم است، حتی اگر بخشِ اعظمِ کدِ اولیه را یک مدلِ زبانی نوشته باشد.

کجا جواب می‌دهد، کجا نه

جدولِ زیر یک نگاهِ سریع به سناریوهای رایج است. این فهرست کامل نیست، ولی منطقِ تصمیم‌گیری را نشان می‌دهد.

یک نمونهٔ عملی

یک پرامپتِ نمونه برای شروعِ یک وایب کدینگِ ساده، مثلاً یک ابزار شخصیِ کوچک، این‌طور به نظر می‌رسد:

یک اسکریپت پایتون بنویس که یک فایل CSV را می‌خواند،
ردیف‌های تکراری را حذف می‌کند و خروجی را در فایل جدیدی ذخیره می‌کند.
اگر ستون <email> خالی بود، آن ردیف را هم حذف کن.

نکتهٔ مهم این است که حتی در چنین سناریوی ساده‌ای هم بهتر است خروجی را روی چند نمونه داده امتحان کنید، نه اینکه فقط به نتیجهٔ اول اعتماد کنید. اگر پاسخ اول کار نکرد، بهتر است نتیجه را با ابزار دوباره اجرا کنید و توضیح دهید دقیقاً کجا اشتباه بود، نه اینکه از صفر شروع کنید. این رفت‌وبرگشتِ کوتاه، خودِ ماهیتِ وایب کدینگ است: شما مسیر را با گفت‌وگو اصلاح می‌کنید، نه با ویرایشِ مستقیمِ کد.

یک قاعدهٔ ساده برای تشخیص

اگر بخواهید این همه را در یک قاعدهٔ ساده خلاصه کنید، این‌طور بگویید: هر جا شکستِ پروژه فقط وقتِ شما را هدر می‌دهد، وایب کدینگ ارزشِ امتحان‌کردن را دارد. هر جا شکستِ پروژه به پولِ کسی، دادهٔ کسی یا اعتمادِ کسی آسیب می‌زند، باید کندتر رفت و کد را با دقتِ بیشتری بررسی کرد، حتی اگر همان کد را هم یک ابزارِ هوش مصنوعی نوشته باشد.

جمع‌بندی

• وایب کدینگ یعنی اعتماد به «حسِ درستِ» نتیجه، نه بررسیِ خط‌به‌خط کد؛ این هم قوتِ آن است و هم محدودیتش
• برای نمونهٔ اولیه، ابزارِ شخصی و کارهای کم‌ریسک، ابزارِ بسیار کارآمدی است
• برای هر چیزی که با پول، داده‌های حساس یا ترافیکِ واقعی سروکار دارد، باید کد را خواند، فهمید و به‌طورِ سنتی هم بازبینی کرد
• اگر می‌خواهید مسیر یادگیریِ منظم‌تری برای این حوزه داشته باشید، نقشهٔ راهِ وایب کدینگ نقطهٔ شروعِ خوبی است
• بهترین کاربردِ وایب کدینگ، جایی است که هزینهٔ اشتباه پایین و سرعتِ یادگیری از آزمون‌وخطا بالاست