کدنماAI-Coding.irتازه‌های هوش مصنوعی و کدنویسی
دلار (تتر) ۲۷۰٬۳۵۴ تومانAVGO ۳۵۵٫۷۳ ▲ +۴٫۱٪AMD ۵۲۲٫۰۰ ▲ +۳٫۷٪AMZN ۲۶۷٫۳۰ ▲ +۳٫۷٪NVDA ۱۵۰٫۷۵ ▼ −۳٫۰٪SPCX ۱۴۳٫۹۷ ▲ +۱٫۶٪BABA ۸۵٫۲۷ ▼ −۱٫۶٪پرکاربردترین مدل برنامه‌نویسی DeepSeek V4.1 Flash 1017

آموزش / شروع کار / درس ۲ از ۱۵

مدل زبانی چطور کد می‌نویسد؟ (بدون فرمول)

پنجره‌ی زمینه، مدل‌های استدلالی، توهم و تاریخ دانش مدل را بشناسید تا بدانید کجا به خروجی اعتماد کنید و کجا نه.

مقدماتی، ۷ دقیقه مطالعه

در این آموزش
  1. ۱. مدل فقط چیزی را می‌بیند که در «پنجره‌ی زمینه» است
  2. ۲. مدل‌های استدلالی پیش از پاسخ «فکر می‌کنند»
  3. ۳. توهم: مدل با اعتمادبه‌نفس اشتباه می‌کند
  4. ۴. دانش مدل تاریخ دارد
  5. ۵. «ابزار» مدل را به ایجنت تبدیل می‌کند
  6. جمع‌بندی

مدل زبانی بزرگ (LLM) در اصل یک کار انجام می‌دهد: پیش‌بینی تکه‌ی بعدی متن. این مدل‌ها روی حجم عظیمی از متن و کد آموزش دیده‌اند و الگوهای زبان‌های برنامه‌نویسی، کتابخانه‌ها و شیوه‌ی حل مسئله را یاد گرفته‌اند. وقتی از مدل تابعی می‌خواهید، محتمل‌ترین ادامه‌ی متن را بر اساس همه‌ی چیزهایی که در درخواست شما هست می‌سازد.

همین سازوکار ساده، چند نتیجه‌ی مهم برای کار روزانه دارد.

۱. مدل فقط چیزی را می‌بیند که در «پنجره‌ی زمینه» است

پنجره‌ی زمینه (Context Window) همه‌ی متنی است که مدل در یک درخواست می‌بیند: دستور شما، فایل‌هایی که ابزار ضمیمه می‌کند، خروجی فرمان‌ها و تاریخچه‌ی گفت‌وگو. مدل‌های امروزی معمولاً بین ۲۰۰ هزار تا یک میلیون توکن زمینه دارند؛ عدد دقیق هر مدل در جدول مدل‌ها آمده است.

  • مدل حافظه‌ی دائمی ندارد. گفت‌وگوی جدید یعنی شروع از صفر؛ برای همین فایل دستورالعمل پروژه این‌قدر مهم است.
  • اگر فایلی در زمینه نباشد، مدل از آن خبر ندارد و ممکن است چیزی شبیه آن را حدس بزند.
  • زمینه‌ی خیلی شلوغ هم کیفیت را پایین می‌آورد؛ فایل‌های بی‌ربط را بیرون نگه دارید.

۲. مدل‌های استدلالی پیش از پاسخ «فکر می‌کنند»

مدل‌های استدلالی (Reasoning) پیش از نوشتن پاسخ، مسئله را مرحله‌به‌مرحله در یک بخش پنهان بررسی می‌کنند. در بسیاری از سرویس‌ها می‌توانید میزان تلاش (effort) را کم یا زیاد کنید.

  • برای طراحی معماری، باگ‌های سخت و تغییرهای چندفایلی، تلاش بالا ارزشش را دارد.
  • برای کارهای ساده مثل نوشتن یک تابع کوچک یا تغییر نام، تلاش کم سریع‌تر و ارزان‌تر است؛ چون همین «فکر کردن» هم توکن خروجی حساب می‌شود.

۳. توهم: مدل با اعتمادبه‌نفس اشتباه می‌کند

گاهی مدل تابعی را صدا می‌زند که در کتابخانه وجود ندارد، یا گزینه‌ای از یک فرمان را می‌سازد که هیچ‌وقت نبوده. به این خطا توهم (Hallucination) می‌گویند. دلیلش همان پیش‌بینی محتمل‌ترین متن است: نام ساختگی «شبیه درست» به نظر می‌رسد.

راه‌های کاهش توهم:

  • مستندات یا نمونه‌کد نسخه‌ای که استفاده می‌کنید را در زمینه بگذارید.
  • از ایجنت بخواهید کد را اجرا و تست کند؛ خطای واقعی، توهم را زود لو می‌دهد.
  • برای هر بسته‌ی تازه، پیش از نصب مطمئن شوید واقعاً وجود دارد (چرا مهم است؟).

۴. دانش مدل تاریخ دارد

هر مدل تا تاریخ مشخصی آموزش دیده است. نسخه‌های تازه‌ی کتابخانه‌ها، تغییر API سرویس‌ها و ابزارهای جدید را ممکن است نشناسد و کد قدیمی بنویسد. نسخه‌ی کتابخانه را در درخواست بگویید و اگر چیزی تازه است، بخش مربوط از مستندات را ضمیمه کنید.

۵. «ابزار» مدل را به ایجنت تبدیل می‌کند

مدل‌های امروزی می‌توانند به‌جای پاسخ متنی، درخواست اجرای یک ابزار بدهند: «این فایل را بخوان»، «این فرمان را اجرا کن». برنامه‌ای که دور مدل نوشته شده ابزار را اجرا می‌کند و نتیجه را برمی‌گرداند. ایجنت‌های کدنویسی مثل Claude Code و Codex همین حلقه را بارها تکرار می‌کنند. اگر کنجکاوید چطور، یک ایجنت ساده بسازید.

جمع‌بندی

مدل زبانی را مثل یک همکار بسیار سریع و پرمطالعه در نظر بگیرید که پروژه‌ی شما را نمی‌شناسد، حافظه ندارد و گاهی با اطمینان اشتباه می‌کند. هر چه زمینه‌ی بهتری بدهید و هر چه زودتر خروجی را با تست بسنجید، نتیجه بهتر است.