۱۷ خرداد ۲۵۸۵ · 8 دقیقه مطالعه
جنرالیست یا متخصص، در عصر هوش مصنوعی ایجنتی
توی بیشتر دههی گذشته، توصیهی شغلی توی حوزهی تکنولوژی بهطرز چشمگیری یکدست بود: متخصص شو. یه چیز سخت انتخاب کن، توش عمیق شو، و مال خودت کنش. این توصیه اشتباه نبود؛ واکنشی منطقی به بازارِ اون روزها بود.
معادلهی قدیمی
پنج شش سال پیش، وقتی به همکارهام کمک میکردم توی این صنعت جای پاشون رو پیدا کنن، راهنمایی تقریباً همیشه یکی بود، فرقی نمیکرد به کدوم تیم یا شرکت میرفتی. اصول پایه رو یاد بگیر (ساختمان داده، شبکه، طراحی سیستم، مبانی محاسبات توزیعشده) و بعد یه حوزه انتخاب کن و پاش بمون. Kubernetes، Splunk، Spark، Terraform، هر چی که جذبت میکرد. اصول پایه کف بود. تخصص سقف بود، و سقف همون چیزی بود که بابتش پول میگرفتی و جایگزین کردنت رو سخت میکرد.
منطقش زیر ذرهبین هم دووم میآورد. یه متخصص چیزی با خودش میآورد که هیچکس دیگه توی تیم با اون عمق نداشت. وقتی ساعت دو نصفهشب کلاستر رفتار عجیبی نشون میداد، به آدمِ Kubernetes زنگ میزدی. وقتی یه آلرت SIEM فعال میشد و هیچکس نمیتونست سر از کوئریش دربیاره، به آدمِ Splunk زنگ میزدی. اون عمق دانش، هم برای خود اون آدم و هم برای تیمِ دورش، اهرم میساخت. بقیه نه فقط برای جوابها، که برای چارچوببندی خودِ مسئله هم بهت تکیه میکردن.
استدلال جنرالیستها هم هیچوقت بیپایه نبود. دانش گسترده حوزهها رو به هم وصل میکنه. یه جنرالیست میتونه بین حوزهها پل بزنه، الگوها رو بین سیستمهای مختلف ببینه، و گفتوگوهایی رو دوباره راه بندازه که گیر کردن چون دو تا متخصص هر کدوم دارن حرف خودشون رو میزنن. جنرالیستها معمولاً وقتی تکنولوژی عوض میشه، سریعتر هم خودشون رو وفق میدن، و توی تکنولوژی همیشه همهچی عوض میشه.
ولی وقتی جدول کامل مزایا و معایب رو میچیدی، معمولاً متخصص برنده میشد. از عمق میشد دفاع کرد. ولی وسعت، توی بازاری که هر روز بیشتر از آدمهای توانا پر میشد، این حس رو میداد که خیلی راحت میشه تکرارش کرد. هر کسی میتونست همون پستهای وبلاگ و آموزشها رو بخونه. ولی هر کسی نمیتونست سه سال توی خط مقدم با همون پلتفرم سر کرده باشه.
من مدت زیادی توی اردوی متخصصها بودم. به این استدلال باور داشتم، همین توصیه رو به بقیه میکردم، و توی بیشتر دههی ۲۰۱۰ و اوایل دههی ۲۰۲۰ دادهها هم پشتش بودن.
بعد عصر ایجنتها از راه رسید.
تغییر
ظهور مدلهای زبانی بزرگ حسابوکتاب رو اول آرومآروم و بعد یکباره عوض کرد. اولین مدلهای زبانی بزرگ چیزهای چشمگیری بودن، ولی بیشتر در حد کنجکاوی. میتونستی بهشون پرامپت بدی، یه جواب قابلقبول بگیری، و شاید بهعنوان نقطهی شروع ازش استفاده کنی. ولی توی لبههای هر حوزه اونقدر غیرقابلاعتماد بودن که هنوز برای تأیید هر چیز غیربدیهی به متخصص نیاز داشتی.
چیزی که عوض شد، کف کیفیته. مدلهایی مثل خانوادهی Sonnet 4.x یا GPT-4o فقط «توی خیلی چیزها نسبتاً خوب» نیستن. توی خیلی از حوزهها اونقدر عمیق هستن که واقعاً میشه برای کارهایی بهشون تکیه کرد که قبلاً یه متخصص باتجربه لازم داشت. از یکی از پیشرفتهترین مدلهای امروز بخواه یه وبهوک admission برای Kubernetes بنویسه، یه حالت شکست توی اجماع بیزانسی رو توضیح بده، یا یه ماژول Terraform برای پیرینگ VPC بین اکانتها بنویسه: خروجی یه تقریب سرسری نیست. روزبهروز بیشتر شبیه چیزیه که یه مهندس کاربلد افتخار میکرد خودش نوشته باشه.
اینجاست که معادله شروع میکنه به لق شدن. اگه یه ایجنت هوش مصنوعی همهمنظوره بتونه توی طیف وسیعی از حوزهها نزدیک به سطح یه متخصص کار کنه (همزمان، بدون خستگی، با هزینهی چند سنت برای هر درخواست)، مزیت ساختاری تخصص انسانی چیه؟
جواب صادقانه اینه که این مزیت کم میشه. نه تا صفر، ولی کم میشه.
یه لایهی دوم هم این وسط هست که راحت از چشم میافته. این مدلها فقط بهتنهایی توانا نیستن. وقتی روی مهندسی کانتکست سرمایهگذاری میکنی (پرامپتهای سیستمی که با دقت ساخته شدن، تعریف تسکهایی که محدودهشون درست مشخص شده، و حافظه و دسترسی به ابزارهایی که دستچین شدن)، کیفیت واقعی خروجیشون بهطور قابلتوجهی بالا میره. یه ایجنت هوش مصنوعی که خوب هماهنگ شده و با کانتکست خوب کار میکنه، میتونه خروجیای بده که از کار یه متخصص معمولی بدون اون زیرساخت کمکی بهتره. این یه فرض نظری نیست. همین امروز میشه دیدش.
یه نقش تازه پیدا میشه
یه اتفاق جالب جایی که همهی اینها به هم میرسن داره میافته. یه نوع تازه از نقش مهندسی آرومآروم توی بازار داره شکل میگیره: مهندس هوش مصنوعی ایجنتی (Agentic AI Engineer).
این آدم پرامپتنویس نیست، هرچند پرامپتنویسی بخشی از مهارتهاشه. مهندس یادگیری ماشین به معنای سنتی هم نیست؛ مدل آموزش نمیدی و هایپرپارامتر تنظیم نمیکنی. مهندس نرمافزار به معنای کلاسیک هم نیست، هرچند کلی کد مینویسی.
مهندس هوش مصنوعی ایجنتی سیستمهایی رو طراحی میکنه، میسازه و اداره میکنه که توشون ایجنتهای هوش مصنوعی اجزای درجهیک هستن. تصمیم میگیره ایجنتها چطور هماهنگ بشن، به چه ابزارهایی دسترسی داشته باشن، حافظه و کانتکست چطور مدیریت بشه، لایهی بازبینی انسانی چه ساختاری داشته باشه، و خطاها چطور تشخیص داده بشن و سیستم چطور ازشون برگرده. رفتار مدلهای زبانی رو اونقدر خوب میفهمه که بتونه طراحی رو حول همین رفتار بچینه: میدونه کی به خروجی مدل اعتماد کنه، کی یه مرحلهی بررسی اضافه کنه، کی یه تسک رو به تیکههای کوچیکتر بشکنه، و کی دوباره یه آدم رو وارد چرخه کنه.
این نقش لازم داره به اندازهی کافی از طیف وسیعی از حوزهها سر دربیاری تا بتونی ایجنتهایی طراحی کنی که توی همهشون کار کنن. ممکنه یه ایجنت بسازی که آمادهسازی زیرساخت رو انجام بده، بعد یکی که کد ریویو کنه، بعد یکی که ممیزی امنیتی انجام بده. هر کدوم از این حوزهها اونقدر عمق داره که یه جنرالیست محض حالتهای شکست مهمش رو نمیبینه. ولی هیچ متخصص تنهایی هم نمیتونه هر سه رو با هم توی دستش داشته باشه.
پس سؤال این میشه: برای همین نقش مشخص، شکل درست دانش چیه؟
معادلهی جدید
برداشت من اینه که معادله برعکس میشه. یا دقیقترش، دوباره متعادل میشه.
برای مهندس هوش مصنوعی ایجنتی، یه پایهی گسترده از دانش حوزهای از عمق افراطی توی یه حوزهی واحد باارزشتره. باید اونقدر Kubernetes بلد باشی که بفهمی پیشنهاد زیرساختی یه ایجنت کی معقوله و کی خطرناک. اونقدر مبانی امنیت رو بفهمی که ببینی پالیسی IAM پیشنهادی ایجنت کی بیش از حد دستودلبازه. اونقدر سیستمهای داده رو بشناسی که بفهمی کی ایجنت داره توهم میزنه و یه بهینهسازی کوئری از خودش درمیاره که وجود نداره.
لازم نیست توی هیچکدوم از این اتاقها عمیقترین آدم باشی. باید اونقدر مسلط باشی که خروجی رو نقادانه بخونی و بفهمی کجا یه چیزی اشتباهه.
این یه چرخش واقعیه. پروفایل جنرالیست، گسترده ولی کمعمق، توی بازار قدیم یه ضعف ساختاری بود. ولی وقتی کار اصلیت اینه که خروجی سیستمهایی رو هدایت و ارزیابی کنی و مسئولیتش رو بپذیری که خودشون همزمان توی حوزههای زیادی کار میکنن، همین پروفایل تبدیل میشه به یه مزیت ساختاری.
عمق متخصص بیارزش نمیشه. به هیچ وجه. حوزههای پیچیده و پرریسک هنوز از متخصصهای واقعی سود میبرن، آدمهایی که میتونن حالتهای شکستی رو بگیرن که نه یه مهندس جنرالیست تشخیصشون میده و نه یه مدل همهمنظوره. ولی متخصصی که نمیتونه با سیستمهایی که با هوش مصنوعی تقویت شدن کار کنه یا دربارهشون استدلال کنه، میبینه که اهرمش داره کوچیک میشه. عمق باید کنار این فهم قرار بگیره که چطور میشه با ایجنتها چند برابرش کرد، نه اینکه فقط مستقیم به کار بره.
بحثی باز، بدون جواب نهایی
راحت میشد اینجا با یه حکم تمیز تمومش کنم. ولی این از اون بحثهاییه که بهعنوان یه چارچوب فکری همیشهباز مفیدتره تا یه سؤال بسته.
امروز هم به متخصصها نیاز هست هم به جنرالیستها. ترکیب و تعادلشون همینطور جابهجا میشه: با بهتر شدن توانایی مدلها، با پختهتر شدن ابزارهای ایجنتی، و با اینکه تیمها حس دقیقتری پیدا میکنن که قضاوت انسانی کجا جایگزینناپذیره و کجا گلوگاهه. برداشت فرصتطلبانه (اینکه هوش مصنوعی همهی تخصصهای انسانی رو منسوخ میکنه و تنها مهارتی که حالا مهمه پرامپتنویسیه) یه موضع جدی نیست. محتواسازیه، نه تحلیل.
یه چیزی هست که محکم بهش باور دارم، و ارزشش رو داره که صاف و پوستکنده بگمش: حتی وقتی یه ایجنت هوش مصنوعی یه تیکه کد مینویسه که شیک، درست و خوب تستشدهست، باید یه آدم قبل از اینکه حتی نزدیک پروداکشن بشه بازبینیش کنه. نه به این خاطر که احتمالش زیاده ایجنت توی چیزهای بدیهی اشتباه کنه (معمولاً نمیکنه)، بلکه چون ایجنت هیچ سهمی توی نتیجه نداره، هیچ درکی از اینکه این کد در واقع چی رو اجرا میکنه نداره، و نمیتونه اون دسته از خطاهایی رو بگیره که فقط وقتی پیدا میشن که کل کانتکست رو توی ذهنت نگه داری و بپرسی اصلاً این چیز باید وجود داشته باشه یا نه.
ایجنت یه همکار قدرتمنده. ولی هنوز یه همکار مسئول نیست.
توی یه پست بعدی دربارهی این تفاوت عمیقتر مینویسیم، مشخصاً دربارهی توهم مدلها و ریسکهای سیستمهای ایجنتی بدون نظارت. این موضوع جای خودش رو میخواد.
فعلاً این: اگه متخصصی و داری فکر میکنی دامنهات رو گستردهتر کنی یا نه، جواب احتمالاً آرهست، و جهتش به سمت فهمیدن اینه که چطور با سیستمهای هوش مصنوعی کار کنی و دربارهشون استدلال کنی. اگه جنرالیستی و سالها بهت گفتن وسعت نقطهضعفه، شاید چند سال آینده رو از ده سال گذشته مساعدتر ببینی. شکل مزیت عوض شده. نیاز به قضاوت انسانی عوض نشده.