توسعه مبتنی بر مشخصات چیست؟ راهنمای SDD در برنامه‌نویسی با هوش مصنوعی

ابزارهای هوش مصنوعی نوشتن کد را سریع‌تر از همیشه کرده‌اند؛ اما آیا تولید سریع کد به معنی ساخت یک نرم‌افزار قابل‌اعتماد است؟ وقتی یک پروژه بزرگ می‌شود، چندین قابلیت به آن اضافه می‌شود یا چند AI Agent روی بخش‌های مختلف کار می‌کنند، نداشتن یک تعریف دقیق از هدف و نیازمندی‌ها می‌تواند به مشکلی جدی تبدیل شود.

توسعه مبتنی بر مشخصات (Specification-Driven Development یا SDD) رویکردی است که در آن به‌جای شروع مستقیم با کدنویسی، ابتدا مشخص می‌کنیم چه چیزی باید ساخته شود، چه محدودیت‌هایی وجود دارد و نتیجه نهایی چگونه ارزیابی خواهد شد. سپس از این مشخصات برای هدایت فرایند پیاده‌سازی، به‌ویژه با کمک ابزارهای هوش مصنوعی، استفاده می‌کنیم.

در این راهنما بررسی می‌کنیم SDD چگونه کار می‌کند، چه تفاوتی با Vibe Coding دارد و چطور می‌توان از آن برای ساخت نرم‌افزارهایی ساختاریافته‌تر و قابل‌نگهداری‌تر استفاده کرد.

توسعه مبتنی بر مشخصات چیست؟

در روش سنتی توسعه نرم‌افزار، تیم ابتدا نیازمندی‌ها را بررسی می‌کند، راه‌حل فنی را طراحی می‌کند و سپس وارد مرحله پیاده‌سازی می‌شود. در رویکرد SDD نیز مشخصات نقش محوری دارند؛ با این تفاوت که آن‌ها فقط اسناد اولیه پروژه نیستند، بلکه در طول توسعه به‌عنوان مرجع تصمیم‌گیری و ارزیابی تغییرات مورد استفاده قرار می‌گیرند.

این مشخصات می‌توانند شامل هدف محصول، قوانین کسب‌وکار، رفتار مورد انتظار هر قابلیت، محدودیت‌های فنی، معیارهای پذیرش و شرایط تست باشند. بسته به روش مورد استفاده، ممکن است برنامه فنی، فهرست وظایف و قراردادهای پروژه نیز به‌صورت فایل‌های مجزا نگهداری شوند.

برای مثال، به‌جای اینکه فقط به یک AI Agent بگوییم «برای پروژه یک سیستم ورود کاربر بساز»، مشخص می‌کنیم ورود با چه روشی انجام می‌شود، اعتبارسنجی چه قوانینی دارد، خطاها چگونه نمایش داده می‌شوند و چه تست‌هایی باید موفق باشند.

چرا پرامپت ساده برای پروژه‌های بزرگ کافی نیست؟

یک پرامپت کوتاه ممکن است برای ساخت نمونه اولیه، آزمایش یک ایده یا پیاده‌سازی یک قابلیت کوچک کاملاً کافی باشد. مشکل زمانی شروع می‌شود که تعداد قابلیت‌ها زیاد شود و تصمیم‌های فنی یک بخش روی بخش‌های دیگر تأثیر بگذارند.

مدل‌های هوش مصنوعی ممکن است بعضی جزئیات را اشتباه برداشت کنند، در سشن‌های مختلف تصمیم‌های ناسازگار بگیرند یا تغییری ایجاد کنند که با معماری فعلی پروژه هماهنگ نباشد. اگر معیار روشنی برای بررسی خروجی وجود نداشته باشد، تشخیص این مشکلات نیز دشوارتر می‌شود.

تفاوت SDD با Vibe Coding چیست؟

Vibe Coding معمولاً به روشی گفته می‌شود که در آن توسعه‌دهنده با توصیف خواسته‌های خود به زبان طبیعی، از هوش مصنوعی برای تولید و اصلاح کد استفاده می‌کند. این روش برای آزمایش سریع ایده‌ها و ساخت نمونه اولیه می‌تواند بسیار مفید باشد.

تفاوت اصلی زمانی مشخص می‌شود که پروژه به نگهداری بلندمدت، قابلیت‌های متعدد، تست‌های قابل‌اعتماد و تغییرات کنترل‌شده نیاز پیدا کند. در SDD، مشخصات و معیارهای موفقیت پیش از پیاده‌سازی تعریف می‌شوند و در طول کار نیز مرجع بررسی باقی می‌مانند.

این مقایسه به معنی بی‌فایده بودن Vibe Coding نیست. حتی می‌توان ابتدا با یک نمونه اولیه ایده را بررسی کرد و سپس برای توسعه و نگهداری جدی‌تر آن، مشخصات روشن‌تری تعریف کرد. انتخاب روش به اندازه پروژه، سطح ریسک و نیازهای تیم بستگی دارد.

فرایند توسعه مبتنی بر مشخصات چگونه کار می‌کند؟

SDD یک دستورالعمل ثابت و یکسان برای همه پروژه‌ها نیست. با این حال، بسیاری از پیاده‌سازی‌های آن از یک مسیر کلی پیروی می‌کنند: مشخص کردن نیازمندی‌ها، برنامه‌ریزی فنی، تقسیم کار به وظایف کوچک، پیاده‌سازی و بررسی نتیجه.

۱. تعریف هدف و نیازمندی‌ها

ابتدا مسئله‌ای را که قرار است حل شود، کاربران هدف و رفتار مورد انتظار سیستم مشخص می‌کنیم. در این مرحله باید ابهام‌های مهم را تا حد ممکن برطرف کنیم و از تبدیل خواسته‌های کلی به دستورهای مبهم برای Agent جلوگیری کنیم.

۲. نوشتن Specification

مشخصات هر قابلیت توضیح می‌دهد چه رفتاری باید پیاده‌سازی شود، چه محدودیت‌هایی وجود دارد و چه شرایطی نشان می‌دهد کار به‌درستی انجام شده است. این فایل باید به‌اندازه کافی دقیق باشد، اما لزوماً نباید تمام جزئیات پیاده‌سازی را از قبل تعیین کند.

۳. طراحی برنامه فنی

در این مرحله مشخص می‌شود که نیازمندی‌ها چگونه به کمک معماری فعلی، فناوری‌های مورد استفاده و قراردادهای پروژه پیاده‌سازی خواهند شد. تصمیم‌هایی مانند ساختار فایل‌ها، تغییرات Database و وابستگی‌های جدید باید با وضعیت موجود پروژه سازگار باشند.

۴. تقسیم کار به وظایف کوچک

به‌جای درخواست پیاده‌سازی کل پروژه در یک مرحله، کار را به Taskهای قابل بررسی تقسیم می‌کنیم. این کار امکان مشاهده پیشرفت، شناسایی زودهنگام خطاها و بازبینی هر بخش را فراهم می‌کند.

۵. پیاده‌سازی با AI Agent

Agent بر اساس مشخصات و برنامه فنی، وظایف را انجام می‌دهد. در این مرحله باید محدودیت‌های پروژه، قراردادهای کدنویسی و معیارهای تست در دسترس Agent باشند تا خروجی با تصمیم‌های قبلی هماهنگ بماند.

۶. تست، بازبینی و اصلاح

کد تولیدشده باید با معیارهای پذیرش و تست‌های تعریف‌شده بررسی شود. اگر رفتار پیاده‌سازی با نیازمندی‌ها مطابقت ندارد، باید علت را پیدا کنیم، مشخصات یا برنامه را در صورت نیاز اصلاح کنیم و سپس دوباره نتیجه را بسنجیم.

یک Specification خوب چه چیزهایی دارد؟

کیفیت خروجی هوش مصنوعی تا حد زیادی به کیفیت اطلاعاتی بستگی دارد که در اختیار آن قرار می‌دهیم. یک مشخصات خوب باید ابهام را کاهش دهد و معیار قابل بررسی برای نتیجه نهایی ارائه کند.

مثال: تعریف مشخصات برای ورود کاربر

فرض کنید می‌خواهیم قابلیت ورود با ایمیل را به یک برنامه اضافه کنیم. یک درخواست کلی فقط می‌گوید «سیستم ورود بساز»، اما Specification باید رفتار مورد انتظار را روشن‌تر کند.

# Feature: Email Login

## Goal
Allow registered users to sign in securely.

## Requirements
- Accept a valid email and password.
- Reject invalid credentials.
- Never store passwords as plain text.
- Return a clear error for invalid input.
- Apply the project's existing authentication conventions.

## Acceptance Criteria
- Valid credentials create an authenticated session.
- Invalid credentials do not create a session.
- Invalid input is rejected by server-side validation.
- Automated tests cover successful and failed login attempts.

این نمونه صرفاً یک قالب ساده برای توضیح مفهوم است. در پروژه واقعی، جزئیاتی مانند سیاست‌های محدودسازی درخواست، مدیریت نشست، بازیابی رمز عبور و الزامات امنیتی باید بر اساس نیازمندی‌های محصول تعریف شوند.

نقش AI Agents در توسعه مبتنی بر مشخصات

در این رویکرد، AI Agent فقط ابزاری برای تکمیل چند خط کد نیست؛ بلکه می‌تواند در مراحل مختلف توسعه مشارکت کند. بسته به ابزار و گردش کار، Agent ممکن است در تحلیل نیازمندی‌ها، تهیه برنامه فنی، تقسیم وظایف، نوشتن کد، اجرای تست‌ها و اصلاح مشکلات نقش داشته باشد.

برای مثال، می‌توانید ابتدا از Agent بخواهید ابهام‌های یک قابلیت را مشخص کند، سپس Specification را پس از بازبینی تأیید کنید و اجازه دهید برنامه فنی و وظایف اولیه را تهیه کند. بعد از بررسی این خروجی‌ها، پیاده‌سازی را به مراحل کوچک‌تر بسپارید.

ابزارهایی مانند Claude Code، Codex و Cursor می‌توانند در چنین فرایندی به کار گرفته شوند. جزئیات گردش کار به قابلیت‌های هر ابزار بستگی دارد؛ بنابراین SDD به یک مدل یا ابزار خاص محدود نیست.

مزایای توسعه مبتنی بر مشخصات

کاهش ابهام در پیاده‌سازی

وقتی نیازمندی‌ها و معیارهای موفقیت از قبل مشخص باشند، احتمال اینکه Agent بر اساس برداشت نادرست از خواسته شما کد تولید کند کمتر می‌شود. البته این موضوع کیفیت خروجی را تضمین نمی‌کند و مشخصات همچنان باید بازبینی شوند.

حفظ دانش پروژه

تصمیم‌های فنی، قوانین پروژه و مشخصات قابلیت‌ها در فایل‌های قابل نسخه‌بندی نگهداری می‌شوند. در نتیجه، برای ادامه کار در یک سشن جدید یا همکاری با اعضای دیگر تیم، وابستگی به تاریخچه یک گفتگوی خاص کاهش پیدا می‌کند.

مدیریت بهتر تغییرات

وقتی نیازمندی جدیدی مطرح می‌شود، می‌توان ابتدا اثر آن را روی مشخصات و برنامه فنی بررسی کرد و سپس تغییرات کد را انجام داد. این روش کمک می‌کند تغییرات با هدف اصلی محصول هماهنگ بمانند.

بررسی‌پذیری بهتر خروجی

تست‌ها و معیارهای پذیرش به تیم کمک می‌کنند بین «کدی که تولید شده» و «قابلیتی که واقعاً درست کار می‌کند» تفاوت قائل شود.

محدودیت‌ها و اشتباهات رایج در SDD

توسعه مبتنی بر مشخصات به معنی حذف خطا، بی‌نیاز شدن از برنامه‌نویس یا تضمین کیفیت کد نیست. اگر مشخصات ناقص باشند، ممکن است Agent همان برداشت اشتباه را با سرعت بیشتری پیاده‌سازی کند.

چه زمانی استفاده از SDD منطقی است؟

انتخاب این رویکرد باید بر اساس نیاز پروژه انجام شود. برای ساخت یک نمونه اولیه کوچک، ممکن است شروع سریع با یک پرامپت بهترین انتخاب باشد. اما هرچه تعداد قابلیت‌ها، وابستگی‌ها، اعضای تیم و هزینه خطا بیشتر شود، داشتن مشخصات روشن ارزش بیشتری پیدا می‌کند.

SDD به‌ویژه برای پروژه‌هایی مفید است که قرار است در چند مرحله توسعه پیدا کنند، از AI Agentها به شکل مستمر استفاده می‌کنند یا نیازمند تست، بازبینی و نگهداری بلندمدت هستند.

از کجا یادگیری SDD را شروع کنیم؟

برای شروع، لازم نیست از همان ابتدا یک چارچوب پیچیده بسازید. یک قابلیت مشخص از پروژه خود انتخاب کنید، نیازمندی‌ها و معیارهای پذیرش آن را بنویسید و سپس از AI بخواهید برنامه پیاده‌سازی را تهیه کند. قبل از اجرای برنامه، خروجی را بررسی کنید و بعد پیاده‌سازی و تست را به مراحل کوچک تقسیم کنید.

برای آشنایی با یک نمونه عملی از این رویکرد، مستندات GitHub Spec Kit نقطه شروع مناسبی است. این پروژه گردش کاری برای تعریف مشخصات، برنامه‌ریزی، تولید وظایف و پیاده‌سازی ارائه می‌کند.

همچنین می‌توانید مقاله مقاله‌های آموزشی ایوولرن را برای ادامه یادگیری مهندسی نرم‌افزار و آشنایی با مفاهیم مرتبط بررسی کنید.

جمع‌بندی

توسعه مبتنی بر مشخصات روشی برای ساخت نرم‌افزار است که در آن نیازمندی‌ها، محدودیت‌ها و معیارهای موفقیت پیش از پیاده‌سازی تعریف می‌شوند و در طول توسعه نیز برای هدایت و ارزیابی خروجی مورد استفاده قرار می‌گیرند.

این رویکرد می‌تواند استفاده از AI Agentها را ساختاریافته‌تر کند، به حفظ دانش پروژه کمک کند و بررسی تغییرات را آسان‌تر سازد. با این حال، کیفیت نتیجه همچنان به مشخصات خوب، تست مناسب و بازبینی انسانی وابسته است.

هدف نهایی این نیست که فقط کد بیشتری با هوش مصنوعی تولید کنیم؛ بلکه می‌خواهیم نرم‌افزاری بسازیم که رفتار آن قابل‌فهم، تغییرات آن قابل‌کنترل و کیفیت آن قابل‌ارزیابی باشد.