Agent Skills: وقتی AI کدنویس مثل یه مهندس ارشد رفتار کنه
هوش مصنوعی
تستخلاصهٔ کاملتر
ایجنتهای کدنویس مبتنی بر هوش مصنوعی یه مشکل اساسی دارن: مستقیم میرن سراغ پیادهسازی. بدون اسپک، بدون تست، بدون بررسی scope و بدون هیچچیزی که نشون بده کار درست انجام شده. این دقیقاً همون چیزیه که یه مهندس ارشد سالها تمرین کرده تا ازش اجتناب کنه.
Agent Skills پروژهایه که میخواد این خلأ رو پر کنه. سازندهاش توضیح میده که کار واقعی یه مهندس ارشد اکثراً توی diff نشون داده نمیشه: نوشتن اسپک، شکستن کار به تیکههای قابل ریویو، انتخاب طراحی ساده و مطمئن، و گذاشتن شواهدی که ثابت کنه نتیجه درسته. ایجنتهای AI این مراحل رو رد میکنن چون سیگنال پاداششون فقط روی «تسک تموم شد» متمرکزه.
یه «اسکیل» در این پروژه یه فایل مارکداون با frontmatter هست که در موقعیت مناسب وارد context ایجنت میشه. تفاوت کلیدی اینه که این فایلها مستندات مرجع نیستن، بلکه workflow هستن: دنبالهای از مراحل با checkpointهای مشخص و یه معیار خروج تعریفشده. اگه بهجای workflow یه مقاله ۲۰۰۰ کلمهای درباره بهترین شیوههای تست بذاری توی context ایجنت، اون متن رو میخونه و بعد... تست نمینویسه.
بیست اسکیل پروژه دور شش فاز چرخه توسعه نرمافزار سازماندهی شدن: Define (اسپک)، Plan (برنامهریزی)، Build (پیادهسازی)، Verify (تست)، Review (بازبینی) و Ship (ارسال). هفت slash command هم روی این ساختار سوارن. این همون SDLC آشناییه که Google بهش میگه design doc → review → implementation → launch checklist.
یکی از جالبترین تصمیمات طراحی پروژه، جدولهای anti-rationalization هستن. هر اسکیل یه جدول داره از بهانههای رایجی که ایجنت (یا یه مهندس خسته!) ممکنه بیاره تا از workflow فرار کنه، همراه با پاسخ از پیش نوشتهشده:
«این تسک خیلی سادهست، نیازی به اسپک نداره» → معیارهای پذیرش همیشه لازمن. پنج خط کافیه؛ صفر خط کافی نیست. «تستها رو بعداً مینویسم» → «بعداً» یه کلمه بیمعناست. اول تست شکستخور بنویس.
LLMها استاد توجیهسازی هستن و این جدولها در واقع پاسخ از پیش آمادهشده به دروغهایی هستن که ایجنت هنوز نگفته.
اصل سوم پروژه اینه که verification غیرقابل مذاکرهست. هر اسکیل باید با شواهد ملموس تموم بشه: تستها پاس شدن، بیلد تمیزه، trace اجرا رفتار مورد انتظار رو نشون میده. «به نظر درست میرسه» هیچوقت کافی نیست.
اصل چهارم progressive disclosure هست: همه بیست اسکیل همزمان لود نمیشن. یه meta-skill به اسم using-agent-skills مثل یه روتر عمل میکنه و تشخیص میده کدوم اسکیلها برای تسک فعلی لازمن. این هم به خاطر محدودیت context و هم برای اینه که اطلاعات نامربوط عملکرد ایجنت رو خراب نکنه.
اصل پنجم scope discipline هست: فقط همون چیزی که ازت خواسته شده رو لمس کن. نه refactor کردن سیستمهای مجاور، نه حذف کدی که کاملاً نمیفهمیش، نه نوشتن دوباره یه فایل کامل به بهانه یه TODO. این مهمترین عاملیه که تعیین میکنه آیا PR یه ایجنت قابل merge هست یا باید همهچیز رو undo کرد.
نکات کلیدی:
- ایجنتهای AI بهصورت پیشفرض فاز spec، plan، test و review رو رد میکنن
- اسکیل = workflow با مراحل مشخص و معیار خروج، نه مقاله مرجع
- جدولهای anti-rationalization پاسخ از پیش آمادهشده به بهانههای رایج ایجنت هستن
- Verification باید با شواهد ملموس باشه، نه «به نظر درست میرسه»
- Progressive disclosure از لود شدن همه اسکیلها بهیکباره جلوگیری میکنه
- Scope discipline: فقط همون چیزی که ازت خواسته شده رو تغییر بده
- پروژه با ۲۶ هزار+ ستاره نشون میده این مشکل برای خیلیها آشناست
