وكان التركيز على مشكلة محددة ومتكررة عنصرًا أساسيًا في المشروع. فبدل أن يطلب تان من Claude Code بناء «تطبيق عام للأبوين»، شرح البيانات التي ينبغي إدخالها، والحسابات التي يجب أن ينفذها النظام، وكيفية وصول الوالدين إلى المعلومات.

المواصفات أولًا ثم كتابة الكود

اتبع تان مسارًا يشبه عملية تطوير المنتجات، رغم أنه ليس مبرمجًا. بدأ بكتابة المتطلبات بلغة إنجليزية عادية، ثم استخدم Claude Code لتحويلها إلى تطبيق.

وكانت خطواته الأساسية كالتالي:

1. تنزيل Claude Code وتشغيله عبر Terminal على جهاز Mac.
2. إعداد وثيقة من أربع صفحات تشرح خصائص التطبيق وسلوكه بالتفصيل.
3. مطالبة Claude Code ببناء التطبيق استنادًا إلى هذه المتطلبات، وشرح كل خطوة بلغة يستطيع غير المتخصص فهمها.
4. إنشاء حسابات على GitHub وSupabase وVercel.
5. ربط الخدمات معًا: إذ استخدم GitHub لحفظ الكود، وSupabase لقاعدة البيانات ومصادقة المستخدمين، وVercel لنشر التطبيق عبر رابط ويب.

ولعبت كل منصة دورًا مختلفًا: كان Claude Code واجهة التطوير، وGitHub مستودع الكود، وSupabase مسؤولًا عن خدمات الواجهة الخلفية، بينما تولت Vercel نشر التطبيق. وأتاح هذا المزيج لتان الانتقال من فكرة مكتوبة إلى تطبيق ويب يعمل، من دون أن يبدأ بإتقان حزمة البرمجة التقليدية.

لماذا كانت الأوامر التفصيلية مهمة؟

لم يتوقع تان أن تكون النسخة الأولى مثالية. فقد اختبر التطبيق، ووصف ما وجده ناقصًا أو غير صحيح، ثم طلب من Claude Code إجراء التعديلات. وهكذا تكررت الدورة: اكتب الأمر، افحص النتيجة، اختبرها، ثم حسّنها.

وتوصّل من تجربته إلى قاعدة بسيطة: التعليمات الغامضة تؤدي غالبًا إلى نتائج غامضة. وكلما شرح بدقة الحقول المطلوبة، والصلاحيات، والحسابات، وطريقة استخدام التطبيق، أصبح الناتج أكثر فائدة. وكان Claude Code قادرًا عمومًا على فهم الإنجليزية غير المثالية أو «المكسّرة»، لكن فهم الطلب لا يعني أن الطلب نفسه مكتمل.

وهذا فارق مهم لكل من يستخدم أدوات البرمجة بالذكاء الاصطناعي. فالتطوير بلغة طبيعية قد يسهّل بدء المشروع، لكنه لا يلغي الحاجة إلى تحديد المتطلبات وتقييم النتيجة.

استخدام الذكاء الاصطناعي للبحث يحتاج إلى تدقيق

استخدم تان Claude Code مع Perplexity AI في البحث، لأن الأداة تعرض استشهادات بالمصادر. لكنه لم يفترض أن وجود رابط أو استشهاد يجعل المعلومة موثوقة تلقائيًا.

فعندما أظهر البحث معلومة تفيد بأن الأسماك ذات الزعانف من أبرز مسببات الحساسية في سنغافورة، شكك تان فيها، لأن القشريات كانت مصدر القلق الأكثر شيوعًا في خبرته. ثم راجع المواد المستشهد بها وصحح التطبيق. وتسلط هذه الواقعة الضوء على خطر أوسع: فقد تعرض أنظمة البحث بالذكاء الاصطناعي استشهادات تقود إلى دراسات مختلقة، ولذلك تظل المعلومات الصحية المهمة بحاجة إلى تحقق مستقل.

وكان هذا الاحتياط مهمًا بوجه خاص في تطبيق يتابع طفلًا. فالتطبيق يستطيع تنظيم الملاحظات ومقارنتها بالإرشادات، لكنه لا يحول نتائج البحث المولدة بالذكاء الاصطناعي إلى دليل طبي لمجرد أنها تتضمن روابط أو علامات استشهاد.

من تطبيق الأطفال إلى أداة ترجمة

انتقلت المهارات التي اكتسبها تان أثناء بناء تطبيق الطفل إلى عمله أيضًا. فقد أنشأ أداة ترجمة تعمل بضغطة واحدة، وقادرة على تحويل المحتوى الإنجليزي إلى 48 لغة.

ولم تقتصر تعليماته على الترجمة الحرفية. فقد وجّه الأداة أولًا إلى فهم معنى النص الأصلي ومقصده وهدفه الإقناعي، ثم إلى صياغة النتيجة بأسلوب طبيعي يناسب اللغة المستهدفة، بدل الحفاظ على تراكيب الإنجليزية وإيقاعها ومنطقها.

وتعكس هذه الطريقة المبدأ نفسه الذي حكم بناء تطبيق الطفل: تعتمد جودة النتيجة بدرجة كبيرة على مدى شرح المستخدم للهدف والسياق والقيود، لا على تسمية المهمة فحسب.

الدرس الأوسع لغير المبرمجين

لا تثبت تجربة تان أن الذكاء الاصطناعي جعل تطوير البرمجيات عملية تلقائية. فقد ظل مسؤولًا عن تحديد المشكلة، وكتابة المواصفات التفصيلية، وإنشاء الحسابات، وربط الخدمات، واختبار التطبيق، والتشكيك في نتائج البحث غير الموثوقة.

لكن التجربة توضح أن مساعدًا للبرمجة بالذكاء الاصطناعي يمكن أن يتيح لشخص لا يملك خلفية تقنية أن يبدأ من فكرة عملية، بدل قضاء سنوات في دراسة البرمجة قبل بناء أي شيء. وبالنسبة إلى تان، تتحول التجربة وكتابة الأوامر الواضحة إلى مهارتين عمليتين للمستخدمين العاديين، بمن فيهم من لا يتحدثون الإنجليزية بصورة مثالية.

والخلاصة القابلة للتعميم ليست أن «الذكاء الاصطناعي يستطيع بناء أي شيء»، بل أن غير المبرمجين يمكنهم استخدامه لتطوير نماذج أولية لأدوات محددة بوضوح، شرط أن يظلوا مسؤولين عن المتطلبات والاختبار والحكم على صحة المعلومات.

وكان التركيز على مشكلة محددة ومتكررة عنصرًا أساسيًا في المشروع. فبدل أن يطلب تان من Claude Code بناء «تطبيق عام للأبوين»، شرح البيانات التي ينبغي إدخالها، والحسابات التي يجب أن ينفذها النظام، وكيفية وصول الوالدين إلى المعلومات.

المواصفات أولًا ثم كتابة الكود

اتبع تان مسارًا يشبه عملية تطوير المنتجات، رغم أنه ليس مبرمجًا. بدأ بكتابة المتطلبات بلغة إنجليزية عادية، ثم استخدم Claude Code لتحويلها إلى تطبيق.

وكانت خطواته الأساسية كالتالي:

1. تنزيل Claude Code وتشغيله عبر Terminal على جهاز Mac.
2. إعداد وثيقة من أربع صفحات تشرح خصائص التطبيق وسلوكه بالتفصيل.
3. مطالبة Claude Code ببناء التطبيق استنادًا إلى هذه المتطلبات، وشرح كل خطوة بلغة يستطيع غير المتخصص فهمها.
4. إنشاء حسابات على GitHub وSupabase وVercel.
5. ربط الخدمات معًا: إذ استخدم GitHub لحفظ الكود، وSupabase لقاعدة البيانات ومصادقة المستخدمين، وVercel لنشر التطبيق عبر رابط ويب.

ولعبت كل منصة دورًا مختلفًا: كان Claude Code واجهة التطوير، وGitHub مستودع الكود، وSupabase مسؤولًا عن خدمات الواجهة الخلفية، بينما تولت Vercel نشر التطبيق. وأتاح هذا المزيج لتان الانتقال من فكرة مكتوبة إلى تطبيق ويب يعمل، من دون أن يبدأ بإتقان حزمة البرمجة التقليدية.

لماذا كانت الأوامر التفصيلية مهمة؟

لم يتوقع تان أن تكون النسخة الأولى مثالية. فقد اختبر التطبيق، ووصف ما وجده ناقصًا أو غير صحيح، ثم طلب من Claude Code إجراء التعديلات. وهكذا تكررت الدورة: اكتب الأمر، افحص النتيجة، اختبرها، ثم حسّنها.

وتوصّل من تجربته إلى قاعدة بسيطة: التعليمات الغامضة تؤدي غالبًا إلى نتائج غامضة. وكلما شرح بدقة الحقول المطلوبة، والصلاحيات، والحسابات، وطريقة استخدام التطبيق، أصبح الناتج أكثر فائدة. وكان Claude Code قادرًا عمومًا على فهم الإنجليزية غير المثالية أو «المكسّرة»، لكن فهم الطلب لا يعني أن الطلب نفسه مكتمل.

وهذا فارق مهم لكل من يستخدم أدوات البرمجة بالذكاء الاصطناعي. فالتطوير بلغة طبيعية قد يسهّل بدء المشروع، لكنه لا يلغي الحاجة إلى تحديد المتطلبات وتقييم النتيجة.

استخدام الذكاء الاصطناعي للبحث يحتاج إلى تدقيق

استخدم تان Claude Code مع Perplexity AI في البحث، لأن الأداة تعرض استشهادات بالمصادر. لكنه لم يفترض أن وجود رابط أو استشهاد يجعل المعلومة موثوقة تلقائيًا.

فعندما أظهر البحث معلومة تفيد بأن الأسماك ذات الزعانف من أبرز مسببات الحساسية في سنغافورة، شكك تان فيها، لأن القشريات كانت مصدر القلق الأكثر شيوعًا في خبرته. ثم راجع المواد المستشهد بها وصحح التطبيق. وتسلط هذه الواقعة الضوء على خطر أوسع: فقد تعرض أنظمة البحث بالذكاء الاصطناعي استشهادات تقود إلى دراسات مختلقة، ولذلك تظل المعلومات الصحية المهمة بحاجة إلى تحقق مستقل.

وكان هذا الاحتياط مهمًا بوجه خاص في تطبيق يتابع طفلًا. فالتطبيق يستطيع تنظيم الملاحظات ومقارنتها بالإرشادات، لكنه لا يحول نتائج البحث المولدة بالذكاء الاصطناعي إلى دليل طبي لمجرد أنها تتضمن روابط أو علامات استشهاد.

من تطبيق الأطفال إلى أداة ترجمة

انتقلت المهارات التي اكتسبها تان أثناء بناء تطبيق الطفل إلى عمله أيضًا. فقد أنشأ أداة ترجمة تعمل بضغطة واحدة، وقادرة على تحويل المحتوى الإنجليزي إلى 48 لغة.

ولم تقتصر تعليماته على الترجمة الحرفية. فقد وجّه الأداة أولًا إلى فهم معنى النص الأصلي ومقصده وهدفه الإقناعي، ثم إلى صياغة النتيجة بأسلوب طبيعي يناسب اللغة المستهدفة، بدل الحفاظ على تراكيب الإنجليزية وإيقاعها ومنطقها.

وتعكس هذه الطريقة المبدأ نفسه الذي حكم بناء تطبيق الطفل: تعتمد جودة النتيجة بدرجة كبيرة على مدى شرح المستخدم للهدف والسياق والقيود، لا على تسمية المهمة فحسب.

الدرس الأوسع لغير المبرمجين

لا تثبت تجربة تان أن الذكاء الاصطناعي جعل تطوير البرمجيات عملية تلقائية. فقد ظل مسؤولًا عن تحديد المشكلة، وكتابة المواصفات التفصيلية، وإنشاء الحسابات، وربط الخدمات، واختبار التطبيق، والتشكيك في نتائج البحث غير الموثوقة.

لكن التجربة توضح أن مساعدًا للبرمجة بالذكاء الاصطناعي يمكن أن يتيح لشخص لا يملك خلفية تقنية أن يبدأ من فكرة عملية، بدل قضاء سنوات في دراسة البرمجة قبل بناء أي شيء. وبالنسبة إلى تان، تتحول التجربة وكتابة الأوامر الواضحة إلى مهارتين عمليتين للمستخدمين العاديين، بمن فيهم من لا يتحدثون الإنجليزية بصورة مثالية.

والخلاصة القابلة للتعميم ليست أن «الذكاء الاصطناعي يستطيع بناء أي شيء»، بل أن غير المبرمجين يمكنهم استخدامه لتطوير نماذج أولية لأدوات محددة بوضوح، شرط أن يظلوا مسؤولين عن المتطلبات والاختبار والحكم على صحة المعلومات.