اصول برنامه‌نویسی را یاد بگیرید، نه فریمورک‌ها

ما، توسعه‌دهندگان، عاشق چیزهای جدید هستیم و بسیاری از ما جزو اولین افراد پذیرنده فناوری‌های جدید محسوب می‌شویم. وقتی فناوری یا ابزاری جدید معرفی می‌شود، سریع سراغ آن می‌رویم تا امتحانش کنیم. آموزش‌ها را بررسی می‌کنیم، چند پروژه ساده مثل «Hello World» می‌سازیم و این حس خوبی به ما می‌دهد، چون احساس می‌کنیم چیز جدیدی یاد گرفته‌ایم.

اما مشکل اینجاست که بخش زیادی از دانش در صنعت نرم‌افزار عمر کوتاهی دارد. بسیاری از فریمورک‌ها معمولا بین ۲ تا ۵ سال به اوج محبوبیت خود می‌رسند. زمانی که در یک فناوری به مهارت بالایی می‌رسید، ممکن است همان فناوری دیگر قدیمی شده باشد و در دسته فناوری‌های Legacy قرار گرفته باشد.

با ظهور ابزارهای تولید کد مبتنی بر هوش مصنوعی، این روند حتی سریع‌تر هم شده است. امروزه بسیاری از افراد با فناوری‌هایی کدنویسی می‌کنند که هرگز آن‌ها را به‌درستی یاد نگرفته‌اند، تنها با کمک هوش مصنوعی و بدون درک عمیق از ابزارها و مفاهیم پشت آن‌ها.

در مقابل، افرادی که روی مفاهیم بنیادی و اصول پایه سرمایه‌گذاری می‌کنند، می‌توانند فناوری‌های جدید را بسیار سریع‌تر یاد بگیرند، چون اصول زیربنایی آن‌ها را درک کرده‌اند.

بنابراین، به‌جای اینکه هر ماه با عجله به دنبال یادگیری یک فریمورک جدید باشیم، بهتر است زمان بیشتری را صرف یادگیری چیزهایی کنیم که تغییر نمی‌کنند.

در ادامه مطلب، درباره این موضوعات صحبت می‌کنیم:

1. عمر فریمورک‌ها کوتاه است: فریمورک‌های محبوب معمولا پس از چند سال جای خود را به گزینه‌های جدیدتر می‌دهند، اما مفاهیم بنیادی ماندگار هستند.
2. چرا اصول پایه اهمیت دارند؟: زبان‌ها و ابزارها تغییر می‌کنند، اما مفاهیمی مانند نام‌گذاری مناسب، الگوهای طراحی و درک نحوه کار سیستم‌ها همیشه کاربرد دارند.
3. هوش مصنوعی نیاز به دانش بنیادی را بیشتر کرده است: AI می‌تواند کد تولید کند، اما نمی‌تواند تصمیم‌های معماری بگیرد یا نیازمندی‌های پیچیده کسب‌وکار را به‌درستی درک کند.
4. توسعه‌دهندگان موفق، متخصص ابزار نیستند: افرادی که درک عمیقی از سیستم‌ها و اصول مهندسی نرم‌افزار دارند، راحت‌تر با فناوری‌های جدید سازگار می‌شوند.
5. قانون ۸۰/۲۰ یادگیری: بخش بیشتر زمان یادگیری باید صرف مفاهیم بنیادی شود و فریمورک‌ها را می‌توان در مسیر کار یاد گرفت.

حالا به سراغ بررسی این موضوعات می‌رویم.

عمر فریمورک‌ها کوتاه است

اگر مدت زیادی در صنعت نرم‌افزار فعالیت کرده باشید، حتما شاهد ظهور و کنار رفتن فریمورک‌های زیادی بوده‌اید. فریمورک‌هایی مانند GWT ،Apache Tapestry ،Backbone.js و Knockout.js زمانی بسیار محبوب بودند و توسعه‌دهندگان برای یادگیری آن‌ها زمان زیادی صرف مطالعه مستندات می‌کردند، اما امروز بسیاری از آن‌ها دیگر جایگاه گذشته را ندارند.

بررسی روند محبوبیت فریمورک‌های جاوااسکریپت توسط Stackoverflow نیز همین الگو را نشان می‌دهد. یک فریمورک معمولا در چند سال مسیر رشد، اوج محبوبیت و سپس کاهش استفاده را طی می‌کند. برای مثال، حدود سال ۲۰۱۱، فریمورک‌هایی مانند Backbone ،Knockout و Ember انتخاب‌های محبوبی بودند، اما چند سال بعد شرایط تغییر کرد و حتی نسخه اول Angular نیز دیگر پشتیبانی نمی‌شد.

فناوری‌ها از نظر طول عمر نیز تفاوت دارند. معمولا زبان‌های برنامه‌نویسی بیش از ۱۰ سال دوام می‌آورند، دیتابیس‌ها حدود ۷ تا ۱۰ سال، فریمورک‌های بک‌اند حدود ۳ تا ۵ سال و فریمورک‌های فرانت‌اند حتی ممکن است حدود ۱۸ ماه عمر محبوبیت داشته باشند.

بررسی عمر مفید کدها نیز همین روند را تایید می‌کند. تحلیل بیش از ۲۶ پروژه متن‌باز نشان داده که میانگین عمر مفید تغییرات کد حدود ۳.۳۳ سال است. در این میان، فریمورک‌های فرانت‌اند مانند Angular عمر بسیار کوتاه‌تری دارند، در حالی که فناوری‌هایی مانند Linux ماندگاری بیشتری نشان می‌دهند.

هرچه به لایه‌های بالاتر فناوری نزدیک‌تر می‌شویم، سرعت تغییرات بیشتر و عمر ابزارها کوتاه‌تر می‌شود. به همین دلیل، سرمایه‌گذاری روی مفاهیمی که پشت این ابزارها قرار دارند، اهمیت بیشتری پیدا می‌کند.

چرا مفاهیم بنیادی اهمیت دارند؟

وقتی مفاهیم بنیادی را به‌خوبی درک کنید، در واقع اصول و ایده‌هایی را می‌شناسید که پشت فریمورک‌ها و زبان‌های برنامه‌نویسی مختلف قرار دارند. این موضوع باعث می‌شود در مواجهه با فناوری‌های جدید انعطاف‌پذیرتر باشید و حتی زمانی که یک فریمورک محدودیت دارد یا نمی‌تواند نیاز شما را برطرف کند، بتوانید راه‌حل مناسبی پیدا کنید.

زبان‌های برنامه‌نویسی با هم تفاوت دارند، اما بسیاری از مشکلات در همه آن‌ها مشابه هستند. نام‌گذاری ضعیف در هر زبانی مشکل‌ساز است. فریمورک‌ها تغییر می‌کنند، اما الگوهای طراحی همچنان کاربرد دارند. فناوری‌ها و پشته‌های نرم‌افزاری متفاوت هستند، اما مفاهیمی مانند هم‌زمانی، ساختار داده، سیستم‌های توزیع‌شده و معماری تمیز در همه آن‌ها اهمیت دارند.

دانستن اصول پایه کمک می‌کند از فریمورک‌ها بهتر استفاده کنید، چون فقط دستورالعمل‌های یک آموزش را دنبال نمی‌کنید، بلکه می‌دانید در پشت صحنه چه اتفاقی می‌افتد و چگونه می‌توان ابزار را با نیاز خود هماهنگ کرد.

برای مثال، یک برنامه وب را در نظر بگیرید که کاربران می‌توانند تصاویر را در آن آپلود و با دیگران به اشتراک بگذارند. فرض کنید این برنامه با یک فریمورک محبوب مانند Ruby on Rails ساخته شده است. شاید در ابتدا با کمک هوش مصنوعی یا سرعت بالا آن را توسعه داده باشید و همه‌چیز به‌خوبی کار کند. اما با افزایش تعداد کاربران، مشکلاتی مانند کاهش سرعت و فشار روی سیستم ظاهر می‌شوند.

در این مرحله، راه‌حل فقط در مستندات فریمورک یا ابزارهای تولید کد پیدا نمی‌شود. شما باید بدانید کد چگونه روی زیرساخت اجرا می‌شود، لاگ‌ها چگونه خوانده می‌شوند و مشکل اصلی از کدام بخش سیستم ایجاد شده است.

توسعه‌دهنده‌ای که مفاهیم بنیادی را می‌شناسد، می‌تواند گلوگاه‌های سیستم را پیدا کند و راهکارهایی مانند استفاده از CDN، بهینه‌سازی پردازش تصاویر، اضافه کردن کش مناسب یا تغییر روش ذخیره‌سازی را پیشنهاد دهد.

در نهایت، راه‌حل مشکلات پیچیده از دنبال کردن مستندات یا استفاده از ابزارهای هوش مصنوعی به دست نمی‌آید، بلکه از درک عمیق نحوه کار سیستم‌ها حاصل می‌شود.

آیا می‌توان مفاهیم بنیادی را از طریق فریمورک‌ها یاد گرفت؟

البته فریمورک‌ها می‌توانند راه خوبی برای یادگیری برخی مفاهیم پایه باشند. برای مثال، یادگیری Ruby با Rails می‌تواند شما را با مفاهیمی مانند ACID و ORM آشنا کند یا کار با React می‌تواند برخی ایده‌های برنامه‌نویسی تابعی را آموزش دهد.

از طرف دیگر، هیچ‌کس همه چیز را از صفر و بر اساس اصول تئوری یاد نمی‌گیرد. برنامه‌نویسان در محیط‌هایی یاد می‌گیرند که امکان آزمایش و دریافت بازخورد سریع وجود دارد.

همچنین تعریف «مفاهیم بنیادی» همیشه کاملا مشخص نیست. برخی آن را فقط الگوریتم‌ها و ریاضیات می‌دانند، در حالی که برخی دیگر مهندسی نرم‌افزار، طراحی، تست، استقرار و چرخه عمر نرم‌افزار را نیز بخشی از آن محسوب می‌کنند.

در نتیجه، مرز بین مفاهیم بنیادی و فریمورک‌ها همیشه مشخص نیست. هدف این نیست که فریمورک‌ها را کنار بگذاریم، بلکه باید یاد بگیریم در کنار استفاده از ابزارها، اصولی را یاد بگیریم که با تغییر فناوری‌ها همچنان ارزش خود را حفظ می‌کنند.

هوش مصنوعی اهمیت مفاهیم بنیادی را بیشتر کرده است

با توجه به اینکه ابزارهای هوش مصنوعی امروزه بخش قابل توجهی از کدها را تولید می‌کنند، ممکن است تصور کنیم یادگیری مفاهیم بنیادی دیگر اهمیت زیادی ندارد. اما واقعیت برعکس است. دلیل ساده است:

هوش مصنوعی کد تولید می‌کند، اما مسئولیت آن کد با شماست.

دستیارهای برنامه‌نویسی مبتنی بر هوش مصنوعی برای تولید کدهای تکراری، پیشنهاد الگوها و کمک در نوشتن دستورات مناسب بسیار مفید هستند. اما درک عمیقی از زمینه پروژه ندارند.

هوش مصنوعی در جلسه‌ای که مدیران درباره هزینه و کارایی سیستم تصمیم می‌گیرند حضور ندارد. نمی‌داند یک سامانه خدمات مشتری باید با دسترس‌پذیری بسیار بالا طراحی شود، در حالی که یک داشبورد داخلی شاید بتواند چند ساعت از دسترس خارج باشد. همچنین نمی‌تواند منظور واقعی پشت جمله‌هایی مانند «برنامه باید سریع باشد» را بفهمد، شاید منظور مدیر این باشد که «هزینه زیرساخت باید پایین بماند».

هوش مصنوعی می‌تواند کد بنویسد، اما نمی‌تواند تمام ارتباطات و تصمیم‌های پشت یک سیستم را درک کند.

خطرات این موضوع نیز در آمارها دیده می‌شوند. بخشی از کدهای تولیدشده توسط هوش مصنوعی می‌توانند مشکلات امنیتی داشته باشند و بدون بررسی دقیق، احتمال وجود خطا در آن‌ها بیشتر است. بنابراین کد تولیدشده توسط AI باید با همان دقتی بررسی شود که کد نوشته‌شده توسط یک برنامه‌نویس تازه‌کار بررسی می‌شود.

به همین دلیل، مهارت‌هایی مانند دیباگ کردن، بازبینی و اعتبارسنجی کدهای تولیدشده توسط هوش مصنوعی اهمیت بیشتری پیدا کرده‌اند. انجام درست این کارها بدون داشتن پایه قوی در برنامه‌نویسی و مهندسی نرم‌افزار امکان‌پذیر نیست.

بدون مفاهیم بنیادی، بررسی کدی که هوش مصنوعی نوشته بسیار دشوار خواهد بود. نمی‌توانید به‌درستی تشخیص دهید چرا یک برنامه کار می‌کند، چه زمانی ممکن است شکست بخورد یا چگونه باید آن را برای شرایط جدید تغییر دهید.

در عصر هوش مصنوعی، ارزشمندترین توسعه‌دهندگان کسانی نیستند که بهترین پرامپت‌ها را می‌نویسند. ارزشمندترین افراد کسانی هستند که می‌دانند پشت صحنه چه اتفاقی می‌افتد، می‌توانند خروجی AI را بهبود دهند و آن را در برابر مشکلات آینده مقاوم کنند.

این نکته را فراموش نکنید: هوش مصنوعی بدون مفاهیم بنیادی، به جای کمک می‌تواند به یک ریسک تبدیل شود.

به متخصصی همه‌جانبه تبدیل شوید

تاریخ توسعه نرم‌افزار بارها یک الگوی مشابه را نشان داده است. وقتی فناوری جدیدی معرفی می‌شود، بسیاری تصور می‌کنند که این فناوری جایگزین مهارت‌های قبلی خواهد شد. اما در بیشتر موارد، نتیجه چیز دیگری بوده است.

برنامه‌نویسان زبان اسمبلی زمانی تصور می‌کردند کامپایلرها جای آن‌ها را می‌گیرند، اما کامپایلرها به آن‌ها اجازه دادند در سطح بالاتری از انتزاع کار کنند و نرم‌افزارهای پیچیده‌تری بسازند. مهندسان زیرساخت نیز زمانی نگران بودند که رایانش ابری شغل آن‌ها را از بین ببرد، اما در عمل باعث ایجاد پروژه‌ها، شرکت‌ها و فرصت‌های شغلی جدید شد.

هوش مصنوعی نیز همین مسیر را دنبال می‌کند. ساده‌تر شدن ورود به برنامه‌نویسی به معنی بی‌نیازی از مهارت نیست، بلکه نیاز به مهارت‌های عمیق‌تر را بیشتر می‌کند.

وقتی AI بخش بیشتری از کدنویسی را انجام می‌دهد، نقش انسان بیشتر به سمت کارهایی می‌رود که نیازمند درک و تصمیم‌گیری هستند:

• درک سیستم‌ها
• تصمیم‌گیری‌های معماری
• ایجاد تعادل بین انتخاب‌های مختلف
• درک هدف واقعی پشت نیازمندی‌ها

یکی از توضیح‌های جالب برای این موضوع، پارادوکس ژوونس (Jevons Paradox) است. ویلیام ژوونس در سال ۱۸۶۵ مشاهده کرد که با افزایش بهره‌وری موتورهای بخار در مصرف زغال‌سنگ، مصرف زغال‌سنگ کاهش پیدا نکرد، بلکه افزایش یافت. دلیل آن این بود که افزایش بهره‌وری باعث شد کاربردهای جدیدی برای این فناوری ایجاد شود.

همین اتفاق در دنیای فناوری نیز دیده می‌شود. با کاهش هزینه استفاده از مدل‌های هوش مصنوعی، میزان استفاده از آن‌ها به شکل قابل توجهی افزایش یافته است، زیرا شرکت‌ها می‌توانند از AI در بخش‌های بیشتری استفاده کنند.

در عصر هوش مصنوعی، توسعه‌دهندگان موفق باید بیشتر شبیه یک متخصص همه‌جانبه (Expert Generalist) باشند. فردی که فقط یک ابزار یا زبان خاص را نمی‌شناسد، بلکه درک گسترده‌ای از سیستم‌ها، معماری، ارتباطات، کسب‌وکار و تصمیم‌های مهندسی دارد.

یک Expert Generalist کسی نیست که از همه چیز کمی بداند. بلکه مهندسی است که می‌تواند وارد یک مسئله پیچیده شود، سریع ساختار سیستم را درک کند، نقاط مهم را پیدا کند و بدون وابستگی زیاد به دیگران، راه‌حل مناسب ارائه دهد.

برای تبدیل شدن به چنین توسعه‌دهنده‌ای باید روی مهارت‌هایی مانند تفکر سیستمی، طراحی معماری، ارتباط موثر، درک کسب‌وکار، مسئولیت‌پذیری و توانایی بررسی و ارزیابی کدهای تولیدشده توسط AI کار کنیم.

در نهایت، هوش مصنوعی جایگزین توسعه‌دهندگانی نمی‌شود که اصول را می‌دانند. بلکه توسعه‌دهندگانی را که فقط به ابزارها وابسته هستند، بیشتر در معرض حذف قرار می‌دهد.

قانون ۸۰/۲۰ در یادگیری

اما چگونه باید زمان یادگیری خود را مدیریت کنیم؟ یک روش کاربردی این است که ۸۰ درصد زمان یادگیری را به مفاهیم بنیادی اختصاص دهیم و ۲۰ درصد را صرف فریمورک‌ها، کتابخانه‌ها و ابزارهای جدید کنیم.

دلیل آن ساده است. شما احتمالا فریمورک‌ها را در جریان کار واقعی و حل مسائل پروژه‌ها یاد خواهید گرفت. اما کسی در محیط کار به شما اصول طراحی سیستم، کدنویسی تمیز یا الگوهای سیستم‌های توزیع‌شده را آموزش نمی‌دهد. یادگیری این مفاهیم بیشتر به تلاش شخصی شما وابسته است.

هنگام یادگیری یک فناوری جدید، بهتر است به اثر لیندی (Lindy Effect) توجه کنید. این مفهوم می‌گوید هرچه یک فناوری یا ایده مدت بیشتری مورد استفاده قرار گرفته باشد، احتمال ماندگاری آن در آینده بیشتر است.

فناوری‌هایی مانند C ،SQL ،HTTP و REST چندین دهه قدمت دارند، اما همچنان در بخش بزرگی از صنعت استفاده می‌شوند. در مقابل، یک فریمورک جدید که امروز بسیار محبوب شده، ممکن است چند سال دیگر جایگاه خود را از دست بدهد.

بنابراین، عجله برای یادگیری هر ابزار جدید همیشه تصمیم درستی نیست. زمان بهترین فیلتر است. روی مفاهیمی سرمایه‌گذاری کنید که بین پروژه‌ها، تیم‌ها و حوزه‌های مختلف قابل انتقال هستند.

مفاهیم بنیادی ارزشمند برای یادگیری

• الگوریتم‌ها: پایه حل مسئله در برنامه‌نویسی هستند. درک پیچیدگی زمانی و فضایی به شما کمک می‌کند تصمیم‌های بهتری درباره راه‌حل‌های مختلف بگیرید.
• ساختار داده‌ها: دانستن اینکه چه زمانی از Hash Map، درخت، صف یا ساختارهای دیگر استفاده کنید، تفاوت بین کدی که فقط کار می‌کند و کدی که بهینه و قابل توسعه است را مشخص می‌کند.
• طراحی نرم‌افزار و معماری: مفاهیمی مانند MVC، تفاوت Microservice و Monolith، اصول SOLID و طراحی ماژولار به شما کمک می‌کنند سیستم‌هایی قابل نگهداری بسازید. فریمورک‌ها تغییر می‌کنند، اما اصول طراحی خوب ثابت می‌مانند.
• الگوهای طراحی: فریمورک‌ها می‌آیند و می‌روند، اما الگوهایی مانند Observer ،Strategy و Factory در بسیاری از فناوری‌ها دیده می‌شوند. شناخت این الگوها باعث می‌شود ساختار فریمورک‌های مختلف را سریع‌تر درک کنید.
• الگوهای سیستم‌های توزیع‌شده: در دنیای Microservice و Cloud Native، مفاهیمی مانند CAP Theorem، سازگاری نهایی (Eventual Consistency) و تحمل خطا اهمیت زیادی دارند.
• تست نرم‌افزار: توانایی نوشتن تست‌های مناسب، درک Test Pyramid و آشنایی با TDD به شما اعتمادبه‌نفس می‌دهد تا بدون ترس کد را تغییر دهید و بهبود دهید.
• طراحی سیستم (System Design): یکی از مهم‌ترین مهارت‌ها در سطوح ارشد است و نقش مهمی در ساخت سیستم‌های بزرگ و مقیاس‌پذیر دارد.
• Clean Code: نوشتن کدی که برای انسان‌ها و توسعه‌دهندگان آینده قابل فهم باشد، مهارتی است که در طول یک مسیر شغلی ارزش آن بیشتر می‌شود.

کتاب‌هایی که ارزش مطالعه دارند

اگر قصد دارید روی مفاهیم بنیادی سرمایه‌گذاری کنید، این کتاب‌ها از منابع ماندگار حوزه مهندسی نرم‌افزار هستند:

• The Pragmatic Programmer نوشته David Thomas و Andrew Hunt. درباره تفکر مهندسی و ساخت نرم‌افزار با کیفیت.
• Code Complete 2 نوشته Steve McConnell. یکی از منابع جامع درباره فرآیند ساخت نرم‌افزار.
• Designing Data-Intensive Applications نوشته Martin Kleppmann. درباره نحوه کار سیستم‌های توزیع‌شده، ذخیره‌سازی، تراکنش‌ها و مقیاس‌پذیری.
• Design Patterns: Elements of Reusable Object-Oriented Software نوشته Gang of Four. کتاب کلاسیک الگوهای طراحی نرم‌افزار.
• Introduction to Algorithms (CLRS). یکی از معتبرترین منابع برای یادگیری الگوریتم‌ها.
• Clean Code نوشته Robert C. Martin. کتابی درباره نوشتن کدی خوانا و قابل نگهداری.

جمع‌بندی

در دنیای سریع‌ فناوری، دنبال کردن هر فریمورک و ابزار جدید می‌تواند ما را از یادگیری چیزهایی که اهمیت دارند دور کند. فریمورک‌ها عمر کوتاهی دارند و ممکن است فناوری محبوب امروز، چند سال دیگر جایگاه خود را از دست بدهد. اما مفاهیمی مانند الگوریتم‌ها، ساختار داده‌ها، معماری نرم‌افزار، طراحی سیستم و اصول مهندسی نرم‌افزار همچنان ارزش خود را حفظ می‌کنند.

هوش مصنوعی نیز این موضوع را تغییر نداده، بلکه اهمیت آن را بیشتر کرده است. AI می‌تواند در نوشتن کد کمک کند، اما درک سیستم، تصمیم‌گیری معماری و تشخیص مشکلات پیچیده همچنان به دانش و تجربه انسانی نیاز دارد.

بهترین مسیر یادگیری برای یک توسعه‌دهنده، ترکیبی از شناخت ابزارهای روز و سرمایه‌گذاری روی مفاهیم بنیادی است. فریمورک‌ها را یاد بگیرید، اما اجازه ندهید آن‌ها جای اصول را بگیرند. کسی که پایه‌های قوی دارد، می‌تواند هر فناوری جدیدی را سریع‌تر یاد بگیرد و با تغییرات صنعت نرم‌افزار سازگار بماند.