ProjDevBench: هل يستطيع الذكاء الاصطناعي بناء برنامج متكامل من الصفر؟

# ProjDevBench: هل يستطيع الذكاء الاصطناعي بناء برنامج متكامل من الصفر؟

عندما نتحدث عن الذكاء الاصطناعي في تطوير البرمجيات، تتبادر إلى الذهن عادةً أمثلة مثل ChatGPT وهو يصلح خطأً في دالة خلال دقيقة، أو Claude وهو يولّد شيفرة أنيقة لخوارزمية بسيطة. لكن ماذا يحدث إذا طلبنا من وكيل ذكاء اصطناعي تصميم تطبيق متكامل وبناءه من الصفر، بما في ذلك البنية المعمارية بأكملها وإدارة الاعتمادات ودمج المكونات؟ عمل باحثون من مختبرات رائدة بهدوء على هذا السؤال، وابتكروا ProjDevBench، وهي منصة تكشف القدرات الحقيقية والقيود الفعلية لنماذج الذكاء الاصطناعي الحالية حين تؤدي دور مهندس برمجيات متكامل. وتدفع النتائج إلى إعادة النظر في التوقعات المتفائلة بشأن إزاحة المطورين قريبًا على يد الأتمتة.

يختلف ProjDevBench جذريًا عن جميع اختبارات البرمجة الذكية السابقة. ففي السابق كان الباحثون يتحققون مما إذا كان النموذج قادرًا على كتابة دالة منفردة أو حل مسألة من LeetCode، أما المعيار الجديد فيضع أمام الذكاء الاصطناعي مهمة حقيقية: إنشاء منتج جاهز من الصفر. وتتطلب المنصة من الوكلاء ما هو أكثر من توليد الشيفرة، إذ عليهم اتخاذ قرارات معمارية، وتقسيم المشروع إلى وحدات، وإدارة الاعتمادات، وكتابة الاختبارات، ودمج كل ذلك في منتج يعمل. فهذه ليست دوال منفصلة، بل محاكاة لتطوير حقيقي، حيث يؤثر كل قرار في القرار التالي، وتتراكم الأخطاء فتزيد النظام كله تعقيدًا.

وتعكس بنية ProjDevBench نفسها التحديات الفعلية للهندسة البرمجية. فيحصل الوكلاء على مواصفات مشاريع متفاوتة التعقيد، من أدوات بسيطة إلى تطبيقات ذات طبقات منطقية متعددة وقواعد بيانات وواجهات API خارجية. وعلى النماذج أن تفهم المتطلبات، وتخطط لبنية الشيفرة، وتختار التقنيات والمكتبات المناسبة، وتعالج التعارضات بين المكونات، وتضمن أن يعمل المنتج. وهذا يشبه إلى حد بعيد ما يفعله مطور junior في أول مهمة جدية له، لكن دون إمكانية طلب النصح من مطور senior ودون مراجعة لطلب الدمج (pull request).

وفتحت نتائج الاختبار أعين المتفائلين أنفسهم. فوكلاء LLM الحديثون، المدعومون بأفضل النماذج مثل GPT-4 وClaude، يُظهرون تقدمًا فعليًا مقارنة بالجيل السابق. فهم قادرون على تقسيم المشروع إلى وحدات بشكل سليم، واختيار بنية معمارية معقولة، وكتابة شيفرة وظيفية. لكن المشكلات تظهر على الفور. إذ ينسى الوكلاء الاعتمادات المتبادلة بين المكونات، ويولّدون شيفرة تعمل بمعزل عن غيرها لكنها تنكسر عند الدمج. كما أن إدارتهم لحالة النظام ضعيفة، وكثيرًا ما يعجزون عن تتبع كيفية تأثير تغيير في وحدة ما على الوحدات الأخرى. وتتراجع قابلية توسيع الشيفرة مع ازدياد التعقيد، فيبدأ الوكلاء بتكرار المنطق بدل إعادة الهيكلة (refactoring)، مما يحوّل مشروعًا بسيطًا إلى كتلة متشابكة.

علاوة على ذلك، يعاني مطورو الذكاء الاصطناعي في تصحيح الأخطاء على مستوى المشروع. فعندما يسير شيء على نحو خاطئ، كثيرًا ما تفقد النماذج خيط العلاقات السببية، فتبدأ بتغيير أجزاء عشوائية من الشيفرة بدل تحليل المشكلة تحليلًا منطقيًا. أما الاختبار، الذي يُفترض أن يكون جزءًا لا يتجزأ من التطوير، فكثيرًا ما يتحول إلى إجراء شكلي، إذ يكتب الوكلاء اختبارات تنجح لأنها تختبر في جوهرها ما تفعله الشيفرة الفعلية نفسه.

لا تعني هذه النتائج أن الذكاء الاصطناعي عديم الفائدة في التطوير، بل تُظهر فجوة حقيقية بين توليد الشيفرة وهندسة البرمجيات. فالأولى أشبه بجدول الضرب، والثانية أشبه بالفن. ويؤكد ProjDevBench أن الطريق إلى مطور ذكاء اصطناعي مستقل تمامًا لا يزال طويلًا. ومن المرجح أن المستقبل للأدوات الهجينة: مساعدو ذكاء اصطناعي يولّدون الشيفرة ويقترحون الحلول، لكن تحت إشراف مهندس خبير قادر على التفكير الاستراتيجي ورؤية الصورة الكاملة.