نکته) شما نمی‌تونید حتی با کلاد Fable 5 به راحتی بخواین که با سی++ بیاد همچین چیزی رو زیر چند دقیقه بسازه! چون باید همهٔ این اصول رو بهش آموزش بدی و یک پرامپت کامل مهندسی شده بنویسی.

اما این مخزنی که من ساختم ببین چیه که فقط با یه پرامپت ساده خودش می‌فهمه باید چه کار بکنه.
اینکه بهش بگی یه ماشن حساب ساده بنویس، تشخیص بده باید بره از چی استفاده کنه، چطوری طراحیش کنه، چطوری معماری پیاده کنه، چطوری کامپایلر رو تنظیم کنه و کلی دنگ و فنگ دیگه...

بماند که چه کارش کردم روی GPT ساده که بیشتر از چت کردن هیچی حالیش نیست شما نتیجهٔ معادل Claude رو می‌گیری. 😉😂 حالا همین مخزن رو بده به کلاد یا کدکس ببین نتیجش چه می‌شود.

در کل این مثالی هست که یاد بگیرید چطور می‌شه ساختار‌ها رو به هوش مصنوعی آموزش داد. مثالی که حتی ۱٪ از چیزی نیست که می‌تونم ازش بسازم.

امان از دست شما جنی‌دار‌ها.
دونیت رو نگه‌دارید برای یک نسخهٔ جدی‌تر.
همون ستاره و بازنشر پست روی لینکدین کنید کافیه فعلاً.

به مرور یه مدل منتشر می‌کنم که خودش شامل نسخهٔ گرافیکی هست به عنوان یک دستیار؛ روی اون نسخه می‌تونید مستقیم با جنی هم درگیر بشید واسه و برنامه بسازید. 😉

هرکسی ایده‌ای داشت می‌تونه با اکتفا به همین مخزن بر پایهٔ این فناوری‌هایی که براش تعریف کردم پیاده‌سازی کنه یه چیزایی یاد می‌گیره.

اگه چیز خوبی باشه می‌تونم ازش حمایت کنم یا حتی خودمم روی توسعش کمک کنم تا ایدتون رو به یک محصول واقعی‌تر و دقیق‌تر تبدیل کنید.

خب این هم نمونه‌ای از ZipGame مشابه لینکدین که با همون مخزنی که آموزش دادم با سی++ ساخته شد.

هستش ++C هست و رابطش QML.
نه از کلاد و نه از کدکس استفاده نکردم :) فقط GPT ساده.

این است قدرت آموزش.

کل پرامپتی که دادم به عمد، به فارسی! و خیلی ساده.
عمراً بتونی بدون این مخزنی که نوشتم GPT رو مجبور کنی همچین خروجی‌ای با سی++ برات بده، ساختار مدرن، طراحی با QML، ساختار و معماری درست و از همه بدتر کراس‌پلتفرم!

۱۰۰ هزار جنی میدم بهت اگه بتونی فقط با یه پرامپت به OpenAI حالی کنی که این ساختاری که گفتم رو باید پیاده کنه.

محال ممکنه. 😉

شاید بگی چیزی نیست! ولی خیلی حرفه به چت‌جی‌پی‌تی بگی همچین چیزی بساز.
شاید برای HTML و یه صفحهٔ ساده همچین کاری سادست، اما عمراً بتونی همچین چیزی رو با یک زبان کامپایلری پیاده کنی! چون باید هزاران خط پرامپت بنویسی تا فقط بفهمه چطور باید بند و بساط سی++ رو برات سر هم کنه! حالا طراحیش به کنار 😂

وای که چه چیز‌هایی به مغزم نرسید با این آزمایش، منتظر چیز‌های هیجان‌انگیز عجایب غرایب باشید.

اگه می‌خوای دقیقاً ببینی چه چیز‌هایی رو چطوری به این مخزن آموزش دادم این لینک رو دریاب:

https://github.com/thecompez/ai-for-modern-cpp/tree/main/docs/agent

کلاً برای عامل‌های هوشمند قالب‌های متعددی از معماری، طراحی و مهندسی رو در فایل‌های md تعریف می‌کنیم.

برای مثال این بخش برای معماری پروژه‌هاست:

https://github.com/thecompez/ai-for-modern-cpp/blob/main/docs/agent/ARCHITECTURE.md

این مورد برای مدل‌های طراحی و الگو‌های محدوده‌دار:

https://github.com/thecompez/ai-for-modern-cpp/blob/main/docs/agent/PATTERNS.md

این بخش رو هم بیشتر از همشون دوست دارم چون مهندسی نسبتی رابطهٔ بین QML و ++C رو براش پیاده کردم، چیزی که هیچ یک از عامل‌های هوشمند در موردش درک درست حسابی ندارن.

https://github.com/thecompez/ai-for-modern-cpp/blob/main/docs/agent/QT_QUICK_UI.md

این هم جالبه، مربوط به موضوع چند سکویی هست، مثلاً پروژهٔ شما اگه حس کنه که قرار هست روی مثلاً روی دسکتاپ و موبایل اجرا بشه، خودش بر مبنای این بخش معماری درستش رو درک می‌کنه و عیناً همینی که من براش یاد دادم رو پیاده خواهد کرد:

https://github.com/thecompez/ai-for-modern-cpp/blob/main/docs/agent/PLATFORM_BOUNDARIES.md

یا مثلاً قوائد مربوط به ماژول‌ها:

https://github.com/thecompez/ai-for-modern-cpp/blob/main/docs/agent/MODULES.md

درک این مخزن برای خیلی‌ها ممکنه سخت باشه، و طبیعی هم هست چون با سرعت عجیب غریبی هوش مصنوعی داره همه چیز رو دگرگون می‌کنه.

شخصاً چند روزی هست به خاطر برخی مسائل به دنبال این بودم که چطور خودم رو با این موضوع هماهنگ کنم یا یجورایی عقب نیفتم، چیزی که به ذهنم رسید آموزش برای انتقال تجربه بود نه صرفاً یک علم. چون هوش مصنوعی زندگی نمی‌کنه، الگو رو تکرار می‌کنه.

بنابراین چی می‌شه اگه تجربهٔ چندین سالهٔ خودم رو به عنوان متخصص کامپیوتر براش تعریف کنم؟
شاید بگیم خب هوش مصنوعی مگه الآن متوجه این تخصص نیست؟ بله هست! اما صرفاً یک الگوی از پیش تعریف شده رو براش آموزش دادن یعنی مثل اینکه کتابخانه‌ای داشته باشی هر جا لازم به کتابی بود شما به اون مراجعه کنی! اما خب مشاوره یا استاد راهنمایی وجود نداره که به شما بگه کدوم کتاب در مورد چه موضوعی می‌تونه انتخاب تأکیدی و درست باشه.

آزمایشی که انجام شد، نتیجش می‌تونه به ساخت یک عنوان جالب تبدیل بشه.
من بهش می‌گم «معمار مهندسی نرم‌افزارِ عامل‌محور»!

وظایف این حوزه این‌ها هستند:

- عامل باید چه دانشی داشته باشد؟
- از چه قواعدی پیروی کند؟
- چه ابزارهایی در اختیارش باشد؟
- به کدام فایل‌ها، سامانه‌ها و اطلاعات دسترسی داشته باشد؟
- چگونه وظیفه را طبقه‌بندی کند؟
- چه زمانی اجازهٔ تغییر کد داشته باشد؟
- چگونه خروجی خود را کامپایل، آزمایش و اعتبارسنجی کند؟
- شکست‌ها و اصلاحات انسانی چگونه به دانش دائمی تبدیل شوند؟
- مخزن تو دقیقاً نمونه‌ای از همین رویکرد است. این مخزن خودش را یک پایگاه دانش اجرایی معرفی می‌کند که - به عامل‌های کدنویس یاد می‌دهد چگونه مخزن را درک، طراحی، اصلاح، اعتبارسنجی و بازبینی کنند؛ آن هم از طریق ترکیب قواعد، مسیریابی وظایف، الگوها، نمونهٔ اجرایی و ارزیابی رفتار عامل.

مهندسی نرم‌افزار عامل‌محور، حوزه‌ای از مهندسی نرم‌افزار است که به طراحی دانش، قواعد، ابزارها، دسترسی‌ها، گردش‌کارها و سازوکارهای ارزیابی موردنیاز برای همکاری قابل‌اعتماد عامل‌های هوشمند با تیم‌های توسعه می‌پردازد.

در این مدل، مسئله فقط این نیست که «عامل بتواند کد تولید کند». مسئله این است که عامل:

- معماری سازمان را بفهمد؛
- استانداردهای همان تیم را رعایت کند؛
- تصمیم‌هایش قابل‌ردیابی باشد؛
- بدون شواهد واقعی ادعای موفقیت نکند؛
- تغییرات را بسازد، آزمایش کند و بازبینی کند؛
- از اصلاحات مهندسان ارشد یاد بگیرد.
- چرخهٔ اجباری تعریف‌شده در مخزن تو نیز دقیقاً همین منطق را پیاده می‌کند: بررسی درخواست و قواعد، شناخت زیرسامانه، انجام کوچک‌ترین تغییر صحیح، پیکربندی، ساخت، آزمون، بازبینی و ارائهٔ شواهد واقعی.

چیزی که در ذهنم هست تبدیل شدن یک مدل یا عامل به ابزار اتصال نیست؛ بلکه انتقال دانش ضمنی شرکت، استانداردهای معماری، روش توسعه، کنترل کیفیت و تجربهٔ مهندسان ارشد را به یک سامانهٔ قابل‌فهم و قابل‌اجرای عامل‌ها است.

این موضوع در پژوهش‌های جدید نیز با مفهوم تبدیل دانش سازمانی به دانش اجرایی عامل‌ها، همراه با اعتبارسنج‌ها، حاکمیت و کنترل سطح خودمختاری مطرح شده است.

در این طرح یک معمار مهندسی نرم‌افزار عامل‌محور ابتدا تیم، مخزن‌ها و فرایندهای یک سازمان را ممیزی می‌کند. سپس مشخص می‌کند عامل‌های هوشمند کجا واقعاً ارزش ایجاد می‌کنند و کجا استفاده از آن‌ها خطرناک، پرهزینه یا بی‌فایده است.

وظایف اصلی این نقش می‌تواند شامل این موارد باشد:

۱) ممیزی آمادگی عامل‌محور
بررسی می‌کند که آیا معماری، مستندات، آزمون‌ها، CI/CD، تقسیم مسئولیت‌ها و دانش داخلی شرکت برای استفاده از عامل‌های هوشمند آماده هستند یا نه.

۲) معماری دانش عامل
— دانش پراکندهٔ تیم را به ساختاری تبدیل می‌کند که عامل بتواند از آن استفاده کند:
- قراردادهای مهندسی؛
- راهنماهای وظیفه‌محور؛
- تصمیم‌های معماری؛
- الگوهای صحیح و ممنوع؛
- محدودیت‌های امنیتی؛
- قواعد انتشار و استقرار.

ساختار این مخزن نیز همین سلسله‌مراتب را دارد: قرارداد اصلی، راهنماهای وظیفه‌محور، الگوها، نمونهٔ اجرایی و سناریوهای ارزیابی.

تعریف خلاصه از کل این طرح این است:
من معماری مهندسی نرم‌افزار عامل‌محور طراحی می‌کنم؛ یعنی دانش، قواعد، ابزارها، گردش‌کارها و سازوکارهای ارزیابی یک تیم را به زیرساختی تبدیل می‌کنم که عامل‌های هوشمند بتوانند در آن به‌شکلی قابل‌اعتماد، قابل‌کنترل و منطبق با استانداردهای واقعی مهندسی کار کنند.

https://paragraph.com/@compez.eth/age-of-ai-agentic-software-engineering-architect

https://farcaster.xyz/compez.eth/0x0825bfc7

#مهندسی_نرم‌افزار #معماری #هوش_مصنوعی #مهندسی_عامل #نرم‌افزار

GN

یک خروجی دیگه از شبیه‌سازی بازی شطرنج با مخزن خودم روی ChatGPT ساده.

https://github.com/thecompez/ai-for-modern-cpp

فناوری‌ها:
C++, Qt, QML, Quick3D, QtMultimedia

می‌گه مالِ ننت بوده بدیم بره؟ 😂 یعنی شاسگول‌تر، خاخول‌تر، احمق‌تر، خر‌تر، گاو و گوسفند‌تر از شماها باز شمایید و طرفدار‌هاتون که نشستن به اینا بها میدن.

نمایش‌های خوبی راه انداختین.

هنر واقعی این است که کدی بنویسیم که انسان به‌راحتی بفهمد و ماشین با بیشترین کارایی اجرا کند.

خاک بر سرتون کنم فقط، برای شماهای چپول و خرزشی که لایق همین وضعیت هستید. 👌🏼

نوشتن یک دستور خوب صرفاً تایپ‌کردن یک درخواست نیست. یک دستور مؤثر باید هدف، زمینه، محدودیت‌ها، قالب خروجی، سطح جزئیات و معیارهای موفقیت را به‌درستی مشخص کند.

این کار برای بسیاری از کاربران نیازمند دانش و تجربه است؛ دانشی که باید در قالب یک محصول در دسترس همه قرار بگیرد، نه اینکه فقط در اختیار افراد متخصص باقی بماند.

پرامپتلی برای همین ساخته شده است؛ ابزاری شبیه دستیار نگارشی، اما مخصوص ارتباط با هوش مصنوعی.
کاربر می‌تواند یک درخواست ساده و حتی ناقص وارد کند و پرامپتلی آن را به یک دستور دقیق‌تر، ساختاریافته‌تر و قابل‌اجراتر تبدیل کند.

این ابزار هم برای کاربران عادی طراحی شده و هم برای افراد حرفه‌ای:

کاربر مبتدی می‌تواند بدون آشنایی با اصول دستور‌نویسی، درخواست بهتری تولید کند.

کاربر حرفه‌ای نیز می‌تواند دستور خود را تحلیل کند، گسترش دهد، ساختار آن را بهبود دهد و برای مدل‌ها و سناریوهای مختلف بهینه‌سازی کند.

پرامپتلی تنها یک بازنویس متن نیست. این سیستم می‌تواند کیفیت دستور را بررسی کند، ایرادهای آن را توضیح دهد و مواردی مانند وضوح، دقت، زمینه، محدودیت‌ها، ساختار و قابلیت اجرا را ارزیابی کند.

هر دستور یک امتیاز کیفیت از ۱۰۰ دریافت می‌کند تا کاربر بداند درخواست او تا چه اندازه برای اجرا توسط هوش مصنوعی آماده است.

یکی از اهداف اصلی پروژه، کاهش مصرف بیهودهٔ توکن است.

بسیاری از کاربران به‌دلیل مبهم‌بودن درخواست، مجبور می‌شوند چندین بار توضیح خود را تکرار کنند، خروجی را اصلاح کنند یا دوباره از مدل پاسخ بگیرند. یک دستور دقیق‌تر می‌تواند تعداد رفت‌وبرگشت‌ها، زمان انتظار و هزینهٔ استفاده از مدل را کاهش دهد.

پرامپتلی به یک مدل یا شرکت خاص وابسته نخواهد بود.
این سیستم برای استفاده با مدل‌ها و ارائه‌دهندگان مختلف طراحی شده است؛ از سرویس‌های عمومی مانند OpenAI، Claude و OpenRouter گرفته تا مدل‌های زبانی محلی که روی رایانه، سرور شخصی یا زیرساخت اختصاصی یک سازمان اجرا می‌شوند.

سازمان‌ها نیز می‌توانند از پرامپتلی در کنار مدل‌های داخلی خود استفاده کنند، بدون اینکه مجبور باشند همهٔ داده‌ها و دستورهایشان را به یک سرویس عمومی ارسال کنند.

ویژگی‌های پیشرفته و پرمیوم پرامپتلی با اکوسیستم GENY ادغام می‌شوند. کاربران برای دسترسی به امکانات حرفه‌ای‌تر، مدل‌های پیشرفته و درگاه‌های مختلف هوش مصنوعی می‌توانند از GENY Token استفاده کنند.

این ادغام می‌تواند دسترسی کاربران به مدل‌های مختلف را از طریق یک درگاه واحد ساده‌تر کند و امکان استفاده از قابلیت‌های پیشرفتهٔ پرامپتلی را در یک اکوسیستم یکپارچه فراهم سازد.

پرامپتلی؛ دستیار هوشمند برای نوشتن دستورهای بهتر، دریافت پاسخ‌های دقیق‌تر و مصرف توکن کمتر است.

کُرک و پرتون بریزه. 😄