چطور برای وظیفه کدنویسی هوش مصنوعی معیار پذیرش بنویسیم؟

معیار پذیرش خوب، رفتار قابل مشاهده، محدودیت تغییر، آزمون لازم و تعریف پایان کار را مشخص می‌کند.

پاسخ کوتاه

به‌جای «این قابلیت را درست کن»، نتیجه قابل مشاهده را بنویسید: چه ورودی‌ای، برای کدام نقش، چه خروجی یا خطایی تولید می‌کند؛ چه فایل‌ها یا قراردادهایی نباید تغییر کنند؛ و کدام فرمان‌ها باید موفق شوند.

گردش‌کار پیشنهادی

1. مسئله کاربر و نتیجه مطلوب را در یک جمله جدا کنید.
2. سناریوها را با قالب «با فرض… وقتی… آنگاه…» بنویسید.
3. محدوده مجاز فایل، API، داده و وابستگی را تعیین کنید.
4. شرایط منفی، امنیتی، دسترس‌پذیری و سازگاری عقب‌رو را اضافه کنید.
5. فرمان دقیق بیلد، تست و lint را ثبت کنید.
6. تعریف پایان کار را به diff، شواهد آزمون و خلاصه ریسک متصل کنید.

مثال اجرایی

برای «افزودن خروج از حساب» بنویسید: کاربر واردشده با انتخاب خروج باید نشستش باطل و به صفحه ورود هدایت شود؛ درخواست بعدی با Token قبلی باید 401 بگیرد؛ قرارداد سایر endpointها و schema پایگاه داده تغییر نکند؛ تست‌های احراز هویت سبز بمانند.

چطور نتیجه را راستی‌آزمایی کنیم؟

هر معیار باید توسط انسان یا آزمون قابل بررسی باشد. عبارت‌هایی مانند «بهینه»، «تمیز» یا «سریع» بدون آستانه و روش اندازه‌گیری، معیار پذیرش نیستند.

خطاهای رایج

فهرست طولانی راه‌حل فنی، عامل را از مسئله دور می‌کند؛ اما نبود محدودیت نیز به بازنویسی ناخواسته منجر می‌شود. نتیجه را الزام کنید و فقط قیود معماری واقعی را ثابت نگه دارید.

جایگاه این مطلب در مسیر یادگیری

برای تبدیل معیارها به دستور اجرایی، راهنمای پرامپت چندمرحله‌ای و برای کنترل خروجی چک‌لیست بازبینی کد AI را ببینید.

منابع و محدودیت

این الگو ادعای قابلیت خاصی از مدل ندارد؛ هدف آن ساختن قرارداد کاری قابل‌ارزیابی بین سفارش‌دهنده، عامل و بازبین است. راهنمای بازبینی کد تولیدشده در GitHub.

جمع‌بندی

معیار پذیرش خوب، آزادی حل مسئله را حفظ می‌کند اما پایان کار را مبهم نمی‌گذارد.