🧠 اوایل استفاده از مدلها خیلی راحت بود.
تصمیم میگرفتید سؤال رو از کی بپرسید: ChatGPT، Claude، Gemini یا حتی همهشون.
بعد agentها و harnessها اومدن و باید تصمیم میگرفتیم کدوم harness از کدوم مدل استفاده کنه.
⚙️ کمکم چیزهایی مثل effort و thinking هم اضافه شدن و این بار باید تصمیم میگرفتیم بین low، medium و high کدوم برای این task مناسبه؛ بهخصوص الان که انتخاب اینها مستقیم روی هزینه هم تأثیر میذاره.
داریم وارد مرحلهای میشیم که دیگه سؤال اصلی فقط این نیست که:
«کدوم مدل قویتره؟»
سؤال مهمتر اینه:
«برای این کار، کدوم ترکیب بهتر جواب میده؟»
🔍 برای همین باید دقیقتر بدونیم هر کدوم از این لایهها چطور کار میکنن و به چه دردی میخورن.
مثلاً باید بدونیم برای رسیدن به نتیجه بهتر، effort رو بذاریم روی high یا نه اگر از یک skill خاص استفاده کنیم جواب بهتری میگیریم
یا اینکه برای کاری که میخوایم انجام بدیم، کدوم harness، کدوم مدل، کدوم plugin و کدوم سطح دسترسی مناسبتره.
🧩 وقتی اینها درست کنار هم قرار بگیرن، گاهی میشه از یک مدل نهچندان پرچمدار هم خروجی خیلی خوبی گرفت.
اما اگر اشتباه انتخاب بشن، فقط latency، هزینه و توهم دقت بیشتری تولید میکنن.
💸 برای همین فکر میکنم موج «vibe coding» به شکل خامش کمکم کمرنگتر میشه.
اینکه فقط به AI بگیم «یه چیزی بساز» و منتظر معجزه بمونیم، برای دمو و تجربه اولیه جذابه، اما برای کار جدی کافی نیست.
🛠 کار با AI داره تبدیل میشه به یک تخصص روی تخصص قبلی.
اگر developer هستید، فقط بلد بودن برنامهنویسی کافی نیست؛ باید بفهمید کِی از کدوم مدل استفاده کنید، کجا effort رو بالا ببرید، کجا context رو کم کنید، کجا tool رو محدود کنید و کجا اصلاً اجازه ندید agent خودش تصمیم بگیره.
🚀 به نظرم آینده نزدیک این نیست که همه فقط vibe کد بزنن.
بیشتر شبیه اینه که آدمهایی که تخصص اصلیشون رو دارن و همزمان ابزارهای AI رو درست میشناسن، چند برابر مؤثرتر میشن.
یه جمله تکراری هست که زیاد شنیدیم، اما اینجا واقعاً معنی پیدا میکنه:
این خود AI نیست مستقیم کار ما رو ازمون میگیره؛ اما آدمهایی که بلدند درست از AI استفاده کنن، احتمالاً جای آدمهایی رو میگیرن که فقط تخصص قبلیشون رو نگه داشتن.