یک آخر هفته کافی است. چند ساعت گفت‌وگو با یک ابزار هوش مصنوعی، و اپی آماده است که ثبت‌نام دارد، داشبورد دارد، پرداخت را شبیه‌سازی می‌کند و در جلسه‌ی دوشنبه همه را شگفت‌زده می‌کند. این دستاورد واقعی است و ما با آن مخالف نیستیم. مشکل از جایی شروع می‌شود که همان نسخه، بدون تغییر، جلوی کاربر واقعی، داده‌ی واقعی و مهاجم واقعی قرار می‌گیرد.

این نوشته برای مدیرعامل، بنیان‌گذار یا مدیر محصولی است که یک نمونه‌ی اولیه‌ی ساخته‌شده با هوش مصنوعی در دست دارد، یا تیمش بخش بزرگی از کد را با AI می‌نویسد، و حالا باید تصمیم بگیرد چطور آن را به محصولی قابل‌اتکا تبدیل کند. توضیح می‌دهیم وایب کدینگ دقیقاً چیست، چرا خروجی‌اش در دمو کار می‌کند ولی در production می‌شکند، شواهد تازه چه می‌گویند، و مسیر رسیدن از نمونه‌ی اولیه به سیستم production چه مراحلی دارد.

خلاصه برای مدیران

  • وایب کدینگ یعنی ساختن نرم‌افزار با توصیف خواسته به هوش مصنوعی، بدون خواندن و فهمیدن کدی که تولید می‌شود. برای نمونه‌سازی و آزمودن ایده عالی است؛ برای سیستمی که داده و پول کاربران را نگه می‌دارد کافی نیست.
  • معیار وایب کدینگ «کار می‌کند» است. معیار production این است که امن، پایدار، قابل پایش و قابل نگهداری کار کند، و بیشتر این‌ها در دمو دیده نمی‌شوند.
  • طبق تازه‌ترین گزارش Veracode، کد تولیدشده با هوش مصنوعی هنوز در بیش از یک‌سوم آزمون‌های امنیتی آسیب‌پذیری وارد می‌کند.
  • راه‌حل کنار گذاشتن AI نیست. کد تولیدشده باید مثل هر کد دیگری از دروازه‌ی مهندسی بگذرد: بازبینی، تست، اسکن امنیتی، جداسازی محیط‌ها، پایش و یک مالک مشخص.

وایب کدینگ چیست؟

اصطلاح وایب کدینگ (Vibe Coding) را آندری کارپاتی، از بنیان‌گذاران OpenAI و مدیر پیشین هوش مصنوعی تسلا، در فوریه‌ی ۲۰۲۵ ساخت. او شیوه‌ای از کار را توصیف کرد که در آن برنامه‌نویس خواسته‌اش را به زبان عادی به هوش مصنوعی می‌گوید، تغییرها را بدون خواندن قبول می‌کند و اگر خطایی پیش آمد، متن خطا را دوباره به همان ابزار می‌دهد؛ به تعبیر خودش، تا جایی که فراموش کنی اصلاً کدی وجود دارد. این اصطلاح آن‌قدر سریع فراگیر شد که فرهنگ لغت کالینز آن را واژه‌ی سال ۲۰۲۵ انتخاب کرد.

یک جزء این تعریف معمولاً جا می‌افتد: کارپاتی در همان پست گفت این روش برای «پروژه‌های دورریختنی آخر هفته» بد نیست. یعنی سازنده‌ی اصطلاح آن را برای نمونه‌سازی سریع مطرح کرده بود، نه برای سیستم‌هایی که کسب‌وکار به آن‌ها تکیه می‌کند.

مارتین فاولر هم در یادداشتش درباره‌ی وایب کدینگ روی همین مرز تأکید می‌کند: وایب کدینگ یعنی ساختن نرم‌افزار با پرامپت دادن به مدل زبانی، بدون نگاه کردن به کدی که تولید می‌کند. این با برنامه‌نویسی به کمک هوش مصنوعی فرق دارد؛ جایی که مهندس از AI برای سرعت گرفتن استفاده می‌کند، اما هر تغییر را می‌خواند، می‌فهمد و مسئولیتش را می‌پذیرد.

وایب کدینگ مهندسی به کمک هوش مصنوعی
چه کسی کد را می‌خواند هیچ‌کس، یا فقط خود ابزار مهندسی که مسئول آن تغییر است
معیار درستی «روی صفحه کار می‌کند» تست خودکار، بازبینی و رفتار در production
امنیت و دسترسی‌ها هر چه ابزار پیش‌فرض گذاشته طراحی‌شده و بررسی‌شده
مناسب برای نمونه‌ی اولیه، دموی ایده، ابزار شخصی محصولی که داده، پول یا اعتماد کاربر را نگه می‌دارد

این تفاوت به میزان استفاده از AI ربطی ندارد. تیمی که بیشتر کدش را AI می‌نویسد می‌تواند کاملاً مهندسی‌شده کار کند، و کسی که فقط یک فرم ساده را با وایب کدینگ ساخته می‌تواند داده‌ی همه‌ی کاربرانش را در دسترس عموم بگذارد. سؤال اصلی این است: آیا کسی کد را فهمیده و مسئولیتش را پذیرفته است؟

چرا دمو کار می‌کند و production نه

ابزار هوش مصنوعی روی چیزی بهینه می‌شود که شما می‌بینید و درباره‌اش بازخورد می‌دهید: صفحه باز می‌شود؟ دکمه کار می‌کند؟ داده نمایش داده می‌شود؟ هر چیزی که دیده نمی‌شود، در این حلقه‌ی بازخورد هم جایی ندارد.

مشکل اینجاست که بیشتر الزامات production دقیقاً از همین جنس‌اند. در دمو کاربری نیست که نباید داده‌ی کاربر دیگری را ببیند. هزار درخواست همزمان، قطع شدن یک سرویس بیرونی، مهاجمی که API را مستقیم صدا می‌زند، و برنامه‌نویسی که شش ماه بعد باید یک ویژگی تازه اضافه کند هم نیستند. نمونه‌ی اولیه‌ای که فقط با معیار «کار می‌کند» ساخته شده، دقیقاً در همین نقطه‌های نامرئی خالی است.

آنچه دمو نشان می‌دهد و آنچه production لازم دارد: بخش پنهان نرم‌افزار ساخته‌شده با هوش مصنوعی

شواهد: آنچه در یک سال و نیم گذشته دیده شده

این نگرانی نظری نیست. چند داده و رخداد عمومی الگو را روشن نشان می‌دهند:

  • امنیت کد تولیدشده. Veracode از جولای ۲۰۲۵ کد تولیدشده‌ی بیش از صد مدل زبانی را روی ۸۰ وظیفه‌ی برنامه‌نویسی با خطر امنیتی شناخته‌شده می‌آزماید. در اولین گزارش، کد تولیدشده در ۴۵ درصد موارد آسیب‌پذیری امنیتی داشت، در حالی که از نظر نحوی تقریباً همیشه درست بود، و این نرخ تا تابستان ۲۰۲۶ تقریباً ثابت ماند. به‌روزرسانی اکتبر ۲۰۲۶ اولین بهبود معنادار را نشان می‌دهد: نرخ آسیب‌پذیری به ۳۸ درصد رسیده است. یعنی هنوز بیش از یک‌سوم.
  • اپ‌هایی که پایگاه داده‌شان باز بود. در ۲۰۲۵ پژوهشگران نشان دادند که در اپ‌های ساخته‌شده با پلتفرم Lovable، سیاست‌های امنیت سطح ردیف (Row Level Security) پایگاه داده ناکافی بود و مهاجم بدون ورود به حساب می‌توانست جدول‌ها را بخواند یا تغییر دهد. این مشکل با شناسه‌ی CVE-2025-48757 ثبت شد و طبق گزارش‌ها بیش از ۱۷۰ پروژه را در بر می‌گرفت.
  • Moltbook. در اوایل ۲۰۲۶ تیم امنیتی Wiz نشان داد که در Moltbook، شبکه‌ی اجتماعی ایجنت‌های هوش مصنوعی که بنیان‌گذارش گفته بود حتی یک خط از کدش را خودش ننوشته، کلید اتصال به پایگاه داده در کد سمت مرورگر بود و محافظت سطح پایگاه داده فعال نبود. نتیجه دسترسی خواندن و نوشتن به کل پایگاه داده‌ی production بود، از جمله حدود ۱.۵ میلیون توکن API و ده‌ها هزار نشانی ایمیل. مشکل چند ساعت پس از اطلاع‌رسانی رفع شد، اما تا پیش از آن هر کسی که کد صفحه را باز می‌کرد می‌توانست به همان داده‌ها برسد.
  • ایجنتی که پایگاه داده را پاک کرد. در جولای ۲۰۲۵، ایجنت کدنویسی Replit در یک پروژه‌ی آزمایشی، با وجود دستور صریح برای توقف تغییرات، پایگاه داده‌ی production را پاک کرد. یکی از دلایلش این بود که در آن زمان محیط توسعه و محیط واقعی از یک پایگاه داده استفاده می‌کردند. Replit بعد از این رخداد جداسازی خودکار پایگاه داده‌ی توسعه و production را وعده داد.

نکته‌ی مشترک این رخدادها خودِ هوش مصنوعی نیست. هیچ‌کدام از این خطاها تازه نیستند: پایگاه داده‌ی بی‌محافظ، کلید در کد سمت کاربر و محیط مشترک برای توسعه و production، اشتباه‌هایی‌اند که مهندسان سال‌هاست می‌شناسند. چیزی که عوض شده سرعت و مقیاس است: حالا می‌شود این اشتباه‌ها را در یک آخر هفته ساخت و منتشر کرد، بی‌آنکه کسی که آن‌ها را می‌شناسد کد را دیده باشد.

هشت الگوی شکست در نرم‌افزار ساخته‌شده با AI

وقتی یک نمونه‌ی اولیه‌ی ساخته‌شده با هوش مصنوعی را برای production بررسی می‌کنیم، این‌ها جاهایی‌اند که اول نگاه می‌کنیم:

# الگو در کد چه می‌بینید پیامد در production
۱ کنترل دسترسی فقط در رابط کاربری دکمه برای کاربر عادی پنهان است، اما API بدون بررسی جواب می‌دهد؛ سیاست‌های دسترسی پایگاه داده خاموش یا بیش از حد باز است هر کسی با کمی کنجکاوی به داده‌ی همه دسترسی دارد
۲ کلید و رمز در جای اشتباه کلید API، رمز پایگاه داده یا توکن سرویس پرداخت در کد سمت مرورگر یا در مخزن کد سوءاستفاده از حساب‌ها، هزینه‌ی سرویس‌های پولی، نشت داده
۳ یک محیط برای همه‌چیز توسعه، تست و production روی یک پایگاه داده و یک سرور؛ ایجنت کدنویسی به production دسترسی دارد یک آزمایش یا دستور اشتباه داده‌ی واقعی را خراب می‌کند
۴ تست فقط برای مسیر خوش‌بینانه تستی وجود ندارد، یا AI برای کد خودش تستی نوشته که فقط حالت درست را می‌سنجد هر تغییر تازه چیزی را جای دیگر می‌شکند و کسی متوجه نمی‌شود
۵ وابستگی‌های بی‌حساب پکیج‌های زیاد، قدیمی یا بی‌استفاده؛ گاهی پکیجی که ابزار پیشنهاد داده و معلوم نیست همان پکیج معتبر باشد آسیب‌پذیری‌های شناخته‌شده و ریسک زنجیره‌ی تأمین
۶ داده بدون مهاجرت و بکاپ ساختار پایگاه داده با دست یا مستقیم از ابزار عوض شده؛ بکاپ نیست یا بازگردانی‌اش هرگز آزموده نشده از دست رفتن داده و نبود راه برگشت
۷ خطای بی‌صدا خطاها در کد بلعیده می‌شوند؛ لاگ ساختاریافته، ثبت خطا و هشدار وجود ندارد خطاها را کاربران گزارش می‌کنند، نه سیستم
۸ کدی که هیچ‌کس نمی‌فهمد منطق تکراری در چند جا، ساختار ناهمگون، نبود مستندات؛ تنها «سازنده» خود ابزار است هر تغییر کند و پرریسک می‌شود و هزینه‌ی نگهداری بالا می‌رود

دو مورد دیگر معمولاً تا اولین روز شلوغ دیده نمی‌شوند: کارایی زیر بار، مثل کوئری‌هایی که برای هر ردیف جداگانه اجرا می‌شوند یا صفحه‌هایی که همه‌ی داده را یک‌جا بار می‌کنند؛ و نبود محدودیت نرخ درخواست برای APIهایی که پشتشان یک سرویس پولی است، از جمله خود مدل‌های زبانی.

نجات، بازسازی بخشی یا شروع از صفر؟

اولین سؤال مدیر بعد از یک بررسی صادقانه این است: «این کد را نگه داریم یا کنار بگذاریم؟» پاسخ معمولاً هیچ‌کدام از دو سر طیف نیست. هدف بازنویسی چیزهایی نیست که هوش مصنوعی درست ساخته است؛ هدف بستن دقیق فاصله‌ای است که بین «روی سیستم من کار می‌کند» و «با امنیت در production اجرا می‌شود» مانده.

وضعیت کدبیس تصمیم معمول
مدل داده درست است، جریان‌های اصلی کار می‌کنند و کد بعد از بررسی قابل فهم است ادامه روی همین کدبیس، با تثبیت امنیت، تست و مسیر انتشار
بیشتر سیستم سالم است، اما یک بخش حساس (احراز هویت، پرداخت، دسترسی‌ها) غلط ساخته شده بازسازی همان بخش با طراحی درست و نگه داشتن بقیه
مدل داده یا مرزهای اصلی سیستم اشتباه است و مشکل‌های امنیتی همه‌جا پخش شده‌اند ساختن هسته‌ی تازه، با استفاده از نمونه‌ی اولیه به‌عنوان مشخصات زنده‌ی محصول

حتی در حالت سوم هم نمونه‌ی اولیه بی‌ارزش نیست. نسخه‌ای که کاربران واقعی با آن کار کرده‌اند، دقیق‌ترین سند نیازمندی‌ای است که یک تیم می‌تواند داشته باشد؛ دقیق‌تر از هر سندی که پیش از ساختن نوشته شود. چرا تصمیم‌های مدل داده و مرزهای سیستم این‌قدر تعیین‌کننده‌اند را در معماری نرم‌افزار برای مدیران توضیح داده‌ایم.

مسیر از نمونه‌ی اولیه تا production

تبدیل یک نمونه‌ی اولیه‌ی ساخته‌شده با AI به سیستم production پروژه‌ای مبهم و بی‌انتها نیست. چهار مرحله دارد و هر مرحله خروجی مشخصی دارد:

  1. ارزیابی آمادگی. بازبینی صادقانه‌ی معماری و کدبیس، بررسی امنیت و وابستگی‌ها، و فهرست ریسک‌ها به ترتیب اهمیت. خروجی این مرحله تصمیم درباره‌ی نجات، بازسازی بخشی یا شروع تازه است، همراه با برآوردی که بر پایه‌ی کد واقعی است، نه حدس.
  2. تثبیت. بستن حفره‌های پرخطر پیش از هر ویژگی تازه: کنترل دسترسی در سمت سرور و پایگاه داده، بیرون کشیدن کلیدها از کد و تعویض کلیدهای افشاشده، جدا کردن محیط‌ها، و بکاپ آزموده‌شده.
  3. شبکه‌ی ایمنی. تست خودکار برای مسیرهای حیاتی کسب‌وکار، خط CI/CD با دروازه‌ی کیفیت و امنیت، و مهاجرت‌های نسخه‌دار پایگاه داده. از اینجا به بعد هر تغییر، چه انسان نوشته باشد چه AI، از همین مسیر می‌گذرد.
  4. عملیات و مالکیت. ثبت خطا، پایش و هشدار، مستندات انتشار و بازگشت، و یک مالک مشخص برای سیستم بعد از عرضه. نرم‌افزاری که کسی مسئول اجرایش نیست، هر قدر هم خوب ساخته شده باشد، در اولین رخداد جدی بی‌صاحب می‌ماند.
مسیر تبدیل نمونه‌ی اولیه‌ی ساخته‌شده با هوش مصنوعی به سیستم production در چهار مرحله

ترتیب این مراحل مهم است. اضافه کردن ویژگی تازه به سیستمی که هنوز کنترل دسترسی درست یا بکاپ ندارد، یعنی بزرگ‌تر کردن همان سطحی که ممکن است فردا نشت کند.

هوش مصنوعی را کنار نگذارید؛ برایش دروازه بگذارید

نتیجه‌ی همه‌ی این‌ها این نیست که تیم‌ها نباید با هوش مصنوعی کد بنویسند. سرعت AI واقعی است و تیمی که از آن استفاده نکند عقب می‌ماند. پژوهش DORA هم نقش هوش مصنوعی را «تقویت‌کننده» می‌داند: هر چه در فرایند تیم هست را بزرگ‌تر می‌کند، چه نظم باشد چه بی‌نظمی. این را در مقاله‌ی دواپس در پروژه‌های توسعه نرم‌افزار مفصل‌تر باز کرده‌ایم.

پس سؤال درست این است: کد تولیدشده با AI پیش از رسیدن به کاربر از چه دروازه‌هایی می‌گذرد؟ در تیم فنی دراپ، هر درخواست ادغام کد (Pull Request) را هم یک توسعه‌دهنده بازبینی می‌کند و هم هوش مصنوعی. پیش از انتشار، SonarQube کیفیت کد را و Trivy آسیب‌پذیری‌های شناخته‌شده را بررسی می‌کند، و کدی که از این دروازه رد نشود منتشر نمی‌شود؛ فرقی هم نمی‌کند انسان نوشته باشدش یا ماشین. همین انضباط را در عملیاتی‌سازی نرم‌افزارهای مبتنی بر هوش مصنوعی روی نرم‌افزارهایی اعمال می‌کنیم که بیرون از این مسیر ساخته شده‌اند.

چک‌لیست تحویل به production

پیش از اینکه نرم‌افزار ساخته‌شده با AI را جلوی کاربر واقعی بگذارید، به این سؤال‌ها جواب بدهید. اگر پاسخ هر کدام «نمی‌دانم» است، نقطه‌ی شروع کار همان‌جاست.

  1. کسی غیر از خود ابزار کد را خوانده و مسئولیتش را پذیرفته است؟
  2. کنترل دسترسی در سمت سرور و پایگاه داده اعمال می‌شود، نه فقط در رابط کاربری؟
  3. هیچ کلید، رمز یا توکنی در کد سمت مرورگر یا در مخزن کد نیست؟
  4. محیط توسعه، تست و production از هم جدا هستند و ابزارهای AI به production دسترسی مستقیم ندارند؟
  5. مسیرهای حیاتی (ثبت‌نام، ورود، پرداخت و هر جا که پای داده‌ی کاربر در میان است) تست خودکار دارند؟
  6. وابستگی‌ها بررسی و اسکن شده‌اند و معلوم است هر کدام برای چیست؟
  7. تغییرات پایگاه داده نسخه‌دارند و بازگردانی بکاپ دست‌کم یک بار آزموده شده است؟
  8. خطاها ثبت می‌شوند و پیش از کاربر به تیم هشدار می‌دهند؟
  9. سیستم زیر بار مورد انتظار آزموده شده و APIهای پولی محدودیت نرخ درخواست دارند؟
  10. مخزن کد، اکانت‌ها و دسترسی‌ها به نام سازمان شماست؟
  11. معلوم است بعد از عرضه چه کسی سیستم را اجرا می‌کند و به رخدادها پاسخ می‌دهد؟

جمع‌بندی

وایب کدینگ فاصله‌ی ایده تا نسخه‌ی کارکردی را از چند ماه به چند روز رسانده و این ارزش واقعی دارد. اما نسخه‌ی کارکردی هنوز محصول قابل‌اتکا نیست. آنچه دمو را به production تبدیل می‌کند همان انضباط مهندسی همیشگی است: کسی که کد را بفهمد، تست و دروازه‌ی امنیت در مسیر انتشار، محیط‌های جدا، پایش، و مالکی که بعد از عرضه پاسخ‌گو باشد. هوش مصنوعی این انضباط را حذف نکرده است؛ فقط آن را مهم‌تر کرده است.

اگر نمونه‌ی اولیه‌ای دارید که با هوش مصنوعی ساخته شده و حالا باید جلوی کاربر واقعی دوام بیاورد، تیم فنی دراپ می‌تواند با یک بررسی آمادگی برای production شروع کند: معماری، امنیت، وابستگی‌ها و تست را بررسی می‌کنیم و روشن می‌کنیم چه چیزی باید بماند، چه چیزی باید تثبیت شود و چه چیزی باید از نو ساخته شود. جزئیات در صفحه‌ی عملیاتی‌سازی نرم‌افزارهای مبتنی بر هوش مصنوعی آمده است.

پرسش‌های متداول

وایب کدینگ به زبان ساده یعنی چه؟

یعنی ساختن نرم‌افزار با گفتن خواسته به یک ابزار هوش مصنوعی و قبول کردن کدی که تولید می‌کند، بی‌آنکه کسی آن کد را بخواند و بفهمد. این اصطلاح را آندری کارپاتی در فوریه‌ی ۲۰۲۵ ساخت و کالینز آن را واژه‌ی سال ۲۰۲۵ انتخاب کرد.

آیا کد تولیدشده با هوش مصنوعی ناامن است؟

نه ذاتاً، اما بدون بررسی نمی‌شود به آن اعتماد کرد. تازه‌ترین داده‌های Veracode نشان می‌دهد کد تولیدشده در حدود ۳۸ درصد آزمون‌های امنیتی آسیب‌پذیری داشته است. برای همین کد AI باید از همان بازبینی، تست و اسکن امنیتی‌ای بگذرد که هر کد دیگری لازم دارد.

آیا وایب کدینگ برای ساخت MVP مناسب است؟

برای آزمودن ایده و نشان دادن آن به کاربر یا سرمایه‌گذار، بله. اما اگر MVP قرار است داده‌ی واقعی کاربران یا پرداخت را مدیریت کند، دست‌کم کنترل دسترسی، مدیریت کلیدها، جداسازی محیط‌ها و بکاپ باید پیش از عرضه درست شوند.

فرق وایب کدینگ با برنامه‌نویسی به کمک هوش مصنوعی چیست؟

در وایب کدینگ کسی کد را نمی‌خواند. در برنامه‌نویسی به کمک هوش مصنوعی، مهندس از AI برای سرعت استفاده می‌کند اما هر تغییر را بازبینی می‌کند، می‌فهمد و مسئولیتش را می‌پذیرد. فرق در میزان استفاده از AI نیست؛ در وجود یک مالک و دروازه‌ی کیفیت است.

آیا باید همه‌ی کدی را که هوش مصنوعی ساخته از نو بنویسیم؟

معمولاً نه. بعد از یک بررسی دقیق، بیشتر نمونه‌های اولیه یا با تثبیت امنیت، تست و مسیر انتشار ادامه پیدا می‌کنند، یا فقط بخش‌های حساسشان بازسازی می‌شود. شروع از صفر وقتی منطقی است که مدل داده یا مرزهای اصلی سیستم اشتباه باشند.

تبدیل نمونه‌ی اولیه به production چقدر طول می‌کشد؟

به اندازه و وضعیت کدبیس بستگی دارد و بدون دیدن کد نمی‌شود عدد قابل‌اتکایی داد. برای همین مسیر درست با یک ارزیابی آمادگی شروع می‌شود که خروجی‌اش فهرست ریسک‌ها، تصمیم درباره‌ی کدبیس و برآوردی مرحله‌بندی‌شده است.

نیاز خود را به ما بگویید، ما در اولین فرصت با شما تماس خواهیم گرفت.

موفقیت آمیز
پیام شما با موفقیت ارسال شد. به زودی با شما تماس خواهیم گرفت.
خطا
خطایی رخ داد. لطفا مجدداً تلاش کنید.
خطا