اگر تازهکار یا کارآموز وظیفهای را به عامل LLM بسپارد و فقط یک پچ آماده دریافت کند، تقریباً هیچ یادگیری ای رخ نمیدهد: فرد نتیجه را میبیند (شاید حتی آن را کامیت کند) اما از فرمول بندی فرضیهها، تجربه ی خطا و یادگیری از اشتباهات باز می ماند. مت پوکاک یک چارچوب خوب پیشنهاد میدهد: عامل بهعنوان یک «سیستم آموزشدهنده با حالت» کار کند : هدف یادگیری، منابع، درس ها، واژه نامه، برگه های تقلب، یادداشت ها و سوابق پیشرفت را نگه دارد؛ بعد از هر جلسه میزان پیشرفت را بهروز کند: چه چیزی فهمیده شده، کجا گیر کرده، و گام بعدی چقدر باید سخت باشد بدون اینکه یادگیرنده را overload کند.
برای پیادهسازی، عامل باید بهجای نوشتن کد به جای تازهکار، او را در طول کار هدایت کند: از او بخواهد فرضیه ی فعلی را توضیح دهد، یک گام کوچک بعدی پیشنهاد کند، تفاوت ها را بررسی کند، درباره ی خطای تست سوال بپرسد، شکاف های واژگانی را ثبت کند و بعدها بازنگری کند. اگر وظیفه بزرگ است، آن را به تمرین های کوچک تقسیم کند. اگر فرد بگوید «برای من انجام بده»، عامل با سوال یا راهنمایی پاسخ دهد نه با راهحل آماده.
نقطه ی محوری «ماموریت» است: نه صرفاً «یادگیری React» بلکه «افزودن فرم با اعتبارسنجی به پروژهٔ موجود به طور مستقل». نه «درک پایگاه کد» بلکه «پیگیری مسیر یک درخواست از API handler تا ثبت در پایگاه داده و توضیح محل بررسی مجوزها». چنین هدفی عامل را از پراکنده گویی باز میدارد و به تفکیک دانش از مهارت کمک میکند.
بهنظر من این یکی از منطقیترین الگوها برای استفاده از LLM در آموزش اولیه است: عامل هنوز یادگیری را تسریع میکند، اما تمرین واقعی را از فرد نمیگیرد تازهکار به جای خلبان خودکار، مربی سختگیر با حافظه، منابع و بازخورد دریافت میکند.
من معتقدم LLMها باید به جای انجام کامل وظایف، یادگیرنده را هدایت کنند تا یادگیری واقعی رخ دهد؛ عامل باید به عنوان مربی حالت دار عمل کند، نه جایگزین دست به کار.
✍🏻 کاوه