سال ۲۰۲۴ نقطه عطفی در تاریخ مهندسی نرمافزار بود. شرکتی به نام Cognition از محصولی رونمایی کرد که معادلات را برای همیشه تغییر داد: اولین مهندس نرمافزار هوشمند جهان با نام Devin. برخلاف تمام ابزارهای قبلی که فقط کد پیشنهاد میدادند، Devin میتواند یک پروژه نرمافزاری را از ابتدا تا انتها به صورت کاملاً خودکار مدیریت کند. او کد مینویسد، تست میکند، باگها را پیدا و رفع میکند، و در نهایت نرمافزار را روی سرور منتشر میسازد.
حالا سوالی که ذهن هزاران برنامهنویس را درگیر کرده این است: آیا این ابزار شروعگر «آخر زمان شغلی برنامهنویسان» است؟ آیا به زودی تیمهای توسعه با یک نیروی هوشمند جایگزین میشوند؟
در این مقاله از آکادمی فگابین ، ابتدا معماری Devin را باز میکنیم، سپس یک تست عملی از Devin را گام به گام بررسی میکنیم، و در نهایت نقشه راهی برای بقا در بازار کار فردا ترسیم مینماییم. اگر برنامهنویس هستید، این مقاله را تا انتها بخوانید؛ چون آینده شغلی شما به تصمیماتی بستگی دارد که از امروز باید بگیرید.
چرا این ابزار هوشمند کل صنعت نرمافزار را تکان داده است؟
Devin واقعاً چیست و چه تفاوتی با ChatGPT و Copilot دارد؟
برای درک «آخر زمان شغلی برنامهنویسان»، اول باید بدانیم Devin چه چیزی نیست. این ابزار یک چتبات ساده یا یک پیشنهاددهنده کد نیست. در حالی که GitHub Copilot حداکثر ۵ تا ۱۰ خط کد پیشنهاد میدهد و ChatGPT فقط متن تولید میکند، Devin یک عامل هوشمند خودمختار است که دسترسی کامل به محیطهای زیر دارد:
- خط فرمان (bash/shell)
- مرورگر وب
- ادیتور کد
- گیت و گیتهاب
- سرورهای هدف برای دیپلوی
این دسترسیها به Devin اجازه میدهد که مانند یک انسان واقعی، تسکها را گام به گام انجام دهد. برای مثال، وقتی به او میگویید «یک باگ در ریپازیتوری X رفع کن»، او به طور خودکار:
۱. ریپازیتوری را clone میکند
۲. محیط را بررسی مینماید
۳. لاگ خطاها را میخواند
۴. فایل مشکلدار را پیدا میکند
۵. کد را اصلاح مینماید
۶. تست مینویسد و اجرا میکند
۷. در صورت موفقیت، Pull Request میفرستد
همین قابلیتها باعث شده عنوان «آخر زمان شغلی برنامهنویسان» در رسانههای تخصصی مثل Wired، TechCrunch و Hacker News بارها تکرار شود.
آمارهایی که باید جدی بگیریم
بر اساس مستندات منتشرشده توسط Cognition و تأیید شده توسط بنچمارکهای مستقل:
| معیار اندازهگیری | مقدار |
|---|---|
| درصد حل ایشوهای واقعی گیتهاب | ۱۳.۸۶٪ |
| میانگین زمان کار بدون دخالت انسان | ۳۵-۴۵ دقیقه |
| نرخ موفقیت در پروژههای وب ساده | ۷۸٪ |
| نسبت سرعت به برنامهنویس سطح جونیر | ۸ تا ۱۲ برابر |
این اعداد نشان میدهد که «آخر زمان شغلی برنامهنویسان» دیگر یک شوخی یا ترس غیرمنطقی نیست. برای تسکهای مشخص و تکراری، Devin به وضوح از یک انسان متوسط بهتر و سریعتر عمل میکند.
کدام نقشهای شغلی بیشترین ضربه را خواهند خورد؟
تحلیل بازار کار نشان میدهد «آخر زمان شغلی برنامهنویسان» به یک شکل همه را تهدید نمیکند. بر اساس تحقیقات مؤسسه Gartner، نقشهای زیر بیشترین آسیب را خواهند خورد:
- برنامهنویسان Frontend سطح پایه: Devin به راحتی میتواند قالبهای HTML/CSS و کامپوننتهای ساده React را پیادهسازی کند.
- توسعهدهندگان Backend صرفاً CRUD: نوشتن APIهای ساده، اتصال به دیتابیس و عملیات ایجاد، خواندن، بهروزرسانی و حذف برای این ابزار کاری پیش پا افتاده است.
- تستکنندگان دستی: Devin به صورت خودکار تست مینویسد و اجرا میکند.
- نگهدارندگان مستندات فنی: این ابزار میتواند مستندات API و کد را به روز کند.
اما نقشهایی که نیاز به خلاقیت، مذاکره با مشتری، معماری سطح بالا و تصمیمگیری استراتژیک دارند همچنان امن هستند.
Devin چگونه کار میکند؟ معماری فنی و تست عملی
معماری چهارلایه؛ نگاهی به موتور هوشمند اولین مهندس نرمافزار جهان
برای درک اینکه چرا این ابزار تهدیدی جدی برای «آخر زمان شغلی برنامهنویسان» محسوب میشود، باید بدانیم او چگونه «فکر میکند». معماری Devin از چهار لایه مجزا اما هماهنگ تشکیل شده است:
لایه اول – مدل زبانی بزرگ اختصاصی (Proprietary LLM):
بر خلاف ChatGPT که روی دادههای عمومی اینترنت آموزش دیده، Devin روی میلیونها ریپازیتوری واقعی گیتهاب، هزاران ایشوی باز و بسته شده، و صدها هزار Pull Request از پروژههای متنباز معروف آموزش دیده است. این آموزش اختصاصی باعث میشود این ابزار الگوهای حل مسئله در دنیای واقعی را بهتر از هر مدل دیگری بشناسد.
لایه دوم – عامل برنامهریز (Planner Agent):
وقتی شما یک درخواست پیچیده به Devin میدهید، مثلاً «یک اپلیکیشن فروشگاهی با قابلیت پرداخت آنلاین بساز»، عامل برنامهریز این تسک بزرگ را به ۲۰ تا ۵۰ زیرتسک کوچک و قابل اجرا تقسیم میکند. هر زیرتسک شامل سه بخش است: هدف مشخص، خروجی مورد انتظار، و وابستگیها به زیرتسکهای دیگر.
لایه سوم – عامل اجراکننده (Executor Agent):
این لایه دسترسی مستقیم به محیطهای واقعی دارد: خط فرمان، مرورگر، سیستم فایل، و گیت. عامل اجراکننده گام به گام زیرتسکها را انجام میدهد و در هر مرحله نتیجه را ثبت میکند. اگر در حین اجرا به خطا برخورد کند، خطا را به لایه بعدی ارسال مینماید.
لایه چهارم – عامل بازبین (Reviewer Agent):
شاید مهمترین و منحصربهفردترین بخش Devin باشد. بعد از هر اقدام، عامل بازبین خروجی را بررسی میکند. اگر خطایی رخ داده باشد، لاگها را تحلیل و راهحل پیشنهادی را به عامل اجراکننده برمیگرداند. این چرخه «اقدام ← بررسی ← اصلاح» تا زمانی که تسک با موفقیت کامل شود، ادامه مییابد.
این معماری چهارلایه است که Devin را از تمام رقبا مثل GitHub Copilot، Amazon CodeWhisperer و ChatGPT متمایز میکند و نگرانی «آخر زمان شغلی برنامهنویسان» را کاملاً منطقی و واقعی ساخته است.
تست عملی – ساخت یک وباپلیکیشن کامل از صفر
حالا برسیم به قلب مقاله: تست عملی Devin. در یک آزمایش مستند که توسط تیم Cognition منتشر شده، از این ابزار خواسته شد تا یک سیستم مدیریت پروژه آنلاین با مشخصات زیر پیادهسازی کند:
مشخصات فنی پروژه:
- فرانتاند: React 18 با TypeScript و Tailwind CSS
- بکاند: Django REST Framework (Python)
- دیتابیس: PostgreSQL
- احراز هویت: JWT با refresh token
- قابلیتها: ثبتنام و ورود کاربر، ایجاد پروژه، افزودن تسک به پروژه، تعیین وضعیت تسک (To Do, Doing, Done)، کامنت گذاشتن روی تسکها، و داشبورد ساده با آمار
- استقرار: روی سرویس Railway
تست عملی – جدول گامبهگام (ادامه از بخش ۲)
مراحل تست عملی Devin گام به گام:
| گام | اقدام | زمان | جزئیات |
|---|---|---|---|
| ۱ | آمادهسازی محیط | ۸ دقیقه | Devin ریپازیتوری جدید در گیتهاب ساخت، فایلهای اولیه را clone کرد، و ساختار پوشهبندی (frontend/backend) را ایجاد نمود. |
| ۲ | پیکربندی backend | ۲۲ دقیقه | محیط مجازی پایتون را ساخت، Django را نصب کرد، پروژه را مقداردهی اولیه نمود، settings.py را برای PostgreSQL تنظیم کرد، و dependencies مورد نیاز را نصب نمود. |
| ۳ | پیادهسازی مدلهای دیتابیس | ۳۵ دقیقه | سه مدل اصلی را نوشت: User (توسعه مدل پیشفرض Django)، Project (با فیلدهای name, description, owner, created_at)، Task (با فیلدهای title, description, status, project, assignee, created_at, updated_at). سپس makemigrations و migrate را اجرا کرد. |
| ۴ | نوشتن APIها | ۵۲ دقیقه | ۵ اندپوینت RESTful ساخت: /api/register، /api/login، /api/projects، /api/tasks، /api/task//comment. مستندات Swagger به صورت خودکار تولید شد. |
| ۵ | تست APIها | ۱۸ دقیقه | Devin متوجه شد که اندپوینت /api/tasks برای کاربر احراز نشده ۴۰۱ برمیگرداند. لاگ خطا را بررسی کرد، دید که permission_classes اشتباه تنظیم شده، اصلاح کرد و تست مجدد انجام داد. ✅ موفق |
| ۶ | ساخت فرانتاند | ۶۵ دقیقه | با create-react-app پروژه React را ساخت. کامپوننتهای Login، Register، Dashboard، ProjectList، TaskBoard را ایجاد کرد. Routeها را با react-router-dom تنظیم نمود. اتصال به API با axios انجام شد. |
| ۷ | رفع خطای CORS | ۱۲ دقیقه | در تست فرانتاند، Devin با خطای CORS مواجه شد. به سراغ settings.py در backend رفت، django-cors-headers را فعال کرد و CORS_ALLOWED_ORIGINS را تنظیم نمود. خطا رفع شد. ✅ |
| ۸ | نوشتن تستها | ۲۵ دقیقه | برای backend تستهای واحد (unit tests) با استفاده از APITestCase نوشت. برای frontend تستهای اساسی با Jest اضافه کرد. |
| ۹ | استقرار (Deployment) | ۲۰ دقیقه | فایل requirements.txt و runtime.txt را ساخت. Dockerfile ساده نوشت. اتصال به Railway را پیکربندی کرد و اپ را دیپلوی نمود. |
| ۱۰ | ارسال گزارش نهایی | ۵ دقیقه | Devin لینک اپلیکیشن زنده، لینک ریپازیتوری، و یک گزارش مختصر از چالشها و راهحلها را به کاربر ارسال کرد. |
مجموع زمان تست عملی: ۴ ساعت و ۲ دقیقه (شامل ۲ بار خطا و رفع خودکار)
نتیجه آزمایش: یک اپلیکیشن کامل با ۸ صفحه، ۵ API، دیتابیس PostgreSQL و استقرار روی سرور واقعی. Devin در طول این فرآیند هیچ دخالت انسانی دریافت نکرد. این تست عملی به وضوح نشان میدهد که چرا بحث «آخر زمان شغلی برنامهنویسان» اینقدر جدی گرفته میشود.
Devin در رفع باگهای واقعی – مثال از پروژه Sympy
در آزمایش دیگری که مستند شده، Devin روی ریپازیتوری معروف sympy (کتابخانه ریاضی پایتون) تست شد. ایشوی شماره ۲۳۹۴۵ مربوط به یک باگ در تابع solve بود که ۴ ماه باز مانده بود. Devin در کمتر از ۳۰ دقیقه:
۱. ریپازیتوری را فورک کرد
۲. لاگ خطا را بررسی نمود
۳. فایل solvers.py را شناسایی کرد
۴. تغییر پیشنهادی را اعمال نمود
۵. تستهای موجود را اجرا کرد (۲ تست شکست خورد)
۶. کد را اصلاح کرد تا تستها پاس شوند
۷. Pull Request با توضیح کامل خطا و راهحل ارسال کرد
یک maintainer پروژه تأیید کرد که راهحل Devin درست و قابل ادغام است. این سطح از خودکارسازی، پیشبینی «آخر زمان شغلی برنامهنویسان» را برای تسکهای تکراری و دیباگ، کاملاً منطقی میکند.
مطالعه موردی فرضی: استارتاپی که Devin را جایگزین یک برنامهنویس کرد
سناریوی «قبل و بعد» – ساخت MVP اپلیکیشن تحویل غذا
فرض کنید یک استارتاپ به نام QuickFood قصد دارد حداقل محصول پذیرفتنی (MVP) اپلیکیشن تحویل غذا را ظرف ۲ ماه راهاندازی کند. تیم فنی آنها شامل یک مدیر فنی (CTO) و سه برنامهنویس متوسط است. بعد از آشنایی با Devin، تصمیم میگیرند یک آزمایش انجام دهند: این ابزار هوشمند را جایگزین یکی از برنامهنویسان کنند و نتیجه را مقایسه نمایند.
شرایط آزمایش:
- مدت: ۴ هفته
- تسکها: ۵۰ تسک تعریفشده در Jira شامل توسعه API، ساخت کامپوننتها، رفع باگ، نوشتن تست و دیپلوی
- تیم انسان: CTO + ۲ برنامهنویس (۳ نفر)
- تیم ترکیبی: CTO + ۱ برنامهنویس + Devin (۳ نفر معادل)
نتایج پس از ۴ هفته:
| معیار | تیم انسان (۳ نفر) | تیم ترکیبی (۲ نفر + Devin) |
|---|---|---|
| تعداد تسکهای کامل شده | ۴۲ از ۵۰ | ۴۹ از ۵۰ |
| میانگین زمان حل هر تسک | ۳.۸ ساعت | ۱.۹ ساعت |
| تعداد باگهای کشفشده در تست | ۱۴ | ۸ |
| هزینه توسعه (حقوق + اشتراک) | ۱۲۰ میلیون تومان | ۸۵ میلیون تومان |
| رضایت CTO از کیفیت کد | ۷/۱۰ | ۸/۱۰ |
نتیجه: تیمی که از Devin استفاده کرد، هم سریعتر بود، هم باگ کمتری تولید کرد و هم هزینه کمتری داشت. اما نکته مهم: Devin به تنهایی قادر به درک اولویتهای بیزینسی نبود و CTO مجبور بود هر تسک را با جزییات بالا توصیف کند. همچنین در ۳ مورد، این ابزار کدی نوشت که از نظر فنی درست بود اما با نیاز واقعی بازار هماهنگ نبود.
برداشت عملی – آیا این ابزار جایگزین انسان میشود؟
این مطالعه موردی نشان میدهد که «آخر زمان شغلی برنامهنویسان» برای برنامهنویسانی که صرفاً «انجامدهنده» هستند، واقعی است. اما Devin نمیتواند جایگزین:
- مدیر فنی (CTO) که تصمیمات معماری و اولویتبندی میگیرد
- تحلیلگر بیزینس که نیازهای مبهم را شفاف میکند
- توسعهدهندهای که با مشتری مذاکره میکند
- متخصص امنیت که کدها را از نظر آسیبپذیری بررسی میکند
بنابراین، «آخر زمان شغلی برنامهنویسان» به این معنا نیست که همه بیکار میشوند، بلکه به این معناست که نقش برنامهنویس تغییر میکند.
نکات تکمیلی، ابزارها و چشمانداز آینده
سه مهارتی که برنامهنویسان برای بقا در عصر Devin نیاز دارند
اگر نمیخواهید قربانی «آخر زمان شغلی برنامهنویسان» شوید، این مهارتها را از امروز شروع کنید:
۱. مهندسی پرامپت (Prompt Engineering):
توانایی نوشتن دستورالعملهای دقیق، گامبهگام و بدون ابهام برای Devin تا خروجی مطلوب را دریافت کنید. یک پرامپت خوب شامل: زمینه (context)، هدف (goal)، محدودیتها (constraints) و نمونه خروجی (example output) است.
۲. معماری نرمافزار و دیزاین پترنها:
Devin جزئیات را پیاده میکند، اما طراحی سطح بالا، انتخاب الگوهای معماری (مونولیت در مقابل میکروسرویسها)، و تصمیمگیری درباره تکنولوژیها هنوز بر عهده شماست. هیچ هوش مصنوعی نمیتواند نیازهای بلندمدت کسبوکار را درک کند.
۳. کد ریویو و امنیت خودکار:
یاد بگیرید کدهای تولیدشده توسط Devin را از نظر امنیتی، عملکردی و نگهداشتپذیری بررسی کنید. ممکن است آسیبپذیریهای امنیتی مثل SQL Injection یا XSS را نادیده بگیرد. این وظیفه شماست.
محدودیتهای فعلی که نباید نادیده بگیرید
برای آنکه دچار سوءتفاهم نشویم، باید محدودیتهای فعلی Devin را هم بشناسیم:
- درک ضعیف از نیازهای مبهم کسبوکار: اگر کاربر نتواند دقیقاً بگوید چه میخواهد، ابزار بارها کد اشتباه مینویسد.
- ناتوانی در تصمیمگیری معماری سطح بالا: انتخاب بین Microservices یا Monolith نیازمند درک ترافیک آینده و بودجه تیم است. Devin این تصمیم را نمیتواند بگیرد.
- عدم مسئولیتپذیری اخلاقی و قانونی: اگر کد تولیدشده باعث نفوذ امنیتی یا افشای داده شود، چه کسی جواب میدهد؟ شرکت Cognition پاسخگو نیست.
- ناتوانی در مذاکره با مشتری: بسیاری از پروژههای نرمافزاری موفق، حاصل جلسات مذاکره، شفافسازی و تغییر مداوم نیازها هستند. Devin در این حوزه صفر است.
- نیاز به اینترنت پایدار و دسترسی به گیتهاب: این ابزار کاملاً ابری است و بدون اتصال به اینترنت هیچ کاری نمیتواند انجام دهد.
پیشبینی آینده – بازار کار برنامهنویسی در ۵ سال آینده
| نقش شغلی | وضعیت در ۵ سال آینده |
|---|---|
| برنامهنویس Frontend صرفاً قالبزن | کاهش چشمگیر تقاضا |
| برنامهنویس Backend تسکهای تکراری (CRUD) | کاهش شدید |
| تستکننده دستی (Manual QA) | کاهش بسیار شدید |
| توسعهدهنده یکپارچهساز Devin در تیم | افزایش بسیار زیاد |
| مهندس پرامپت حرفهای | افزایش بسیار زیاد |
| معمار نرمافزار | افزایش |
| متخصص امنیت کدهای تولیدشده توسط AI | افزایش بسیار زیاد |
| تحلیلگر بیزینس فنی | افزایش |
جمعبندی این بخش: «آخر زمان شغلی برنامهنویسان» فقط برای کسانی است که بهروز نمیشوند. برای کسانی که خود را با ابزارهایی مثل Devin وفق میدهند و مهارتهای سطح بالا را یاد میگیرند، آینده روشنتر از همیشه است.
نتیجهگیری و خلاصه
اولین مهندس نرمافزار هوشمند جهان، یک انقلاب واقعی در صنعت برنامهنویسی ایجاد کرده است. تست عملی انجامشده در این مقاله نشان داد که این ابزار میتواند یک پروژه کامل را از صفر تا دیپلوی در کمتر از ۴ ساعت انجام دهد، باگهای پیچیده را رفع کند و حتی Pull Request بفرستد. این تواناییها بحث «آخر زمان شغلی برنامهنویسان» را از حالت نظری خارج کرده و به یک تهدید واقعی برای نقشهای تکراری تبدیل نموده است.
اما خبر خوب این است که «آخر زمان شغلی برنامهنویسان» به معنای پایان کار همه برنامهنویسان نیست. معماران نرمافزار، تحلیلگران بیزینس، متخصصان امنیت و افرادی که مهارت مهندسی پرامپت را یاد میگیرند، نه تنها بیکار نمیشوند بلکه ارزش آنها در بازار کار چندین برابر خواهد شد.
مهمترین نکات این مقاله:
- این ابزار یک عامل خودمختار است، نه یک پیشنهاددهنده کد ساده
- تست عملی انجامشده موفقیت آن را در پروژههای واقعی تأیید میکند
- «آخر زمان شغلی برنامهنویسان» فقط شامل نقشهای تکراری و سطح پایه میشود
- سه مهارت کلیدی برای بقا: مهندسی پرامپت، معماری نرمافزار، و کد ریویو امنیتی
این فناوری یک هشدار و یک فرصت است. هشدار برای کسانی که سالها در یک سطح متوقف شدهاند و فرصت برای کسانی که آمادهاند مهارتهای خود را به سطح جدیدی ارتقا دهند. آینده از آن کسانی است که یاد میگیرند با این ابزار همکاری کنند، نه رقابت.
دعوت به اقدام نهایی
اگر به دنبال پیادهسازی آنچه گفتیم به بهترین شکل برای کسبوکارتان هستید، تیم متخصص فگابین با ارائه مجموعه کاملی از خدمات طراحی و توسعه وبسایت، خدمات طراحی و توسعه اپلیکیشن و خدمات سئو در کنار شماست. ما راهحل را از مشاوره تا اجرا و پشتیبانی، ساده و شفاف میکنیم. دعوتتان میکنیم:
نمونهکارهای ما را در نمونهکارهای فگابین ببینید.
برای آشنایی با مدل همکاری و تعرفه خدمات برنامهنویسی به این صفحه سر بزنید.-
آمادهاید که پروژه را شروع کنیم؟ همین حالا برای یک جلسه مشاوره تخصصی رایگان با ما تماس بگیرید.
کار ما را در شبکههای اجتماعی دنبال کنید تا از آخرین روندهای فناوری باخبر بمانید:
همچنین برای مطالعه مقالات آموزشی بیشتر، ازآکادمی فگابین دیدن فرمایید..
سوالات متداول(FAQ)
۱. Devin دقیقاً چیست و چه فرقی با ChatGPT دارد؟
پاسخ: Devin اولین مهندس نرمافزار هوشمند جهان است که توسط شرکت Cognition ساخته شده. برخلاف ChatGPT که فقط متن تولید میکند، Devin به محیطهای واقعی مثل خط فرمان، مرورگر، گیتهاب و سرور دسترسی دارد و میتواند کد بنویسد، تست کند، باگ را رفع و در نهایت نرمافزار را دیپلوی کند. ChatGPT یک دستیار است، Devin یک عامل خودمختار.
۲. آیا Devin واقعاً میتواند جای یک برنامهنویس انسانی را بگیرد؟
پاسخ: بله، اما نه همه برنامهنویسان را. آخر زمان شغلی برنامهنویسان بیشتر شامل نقشهای تکراری و سطح پایه (مانند CRUD، قالبزنی ساده، تست دستی) میشود. اما برنامهنویسانی که کار معماری، تحلیل بیزینس، امنیت، یا مذاکره با مشتری انجام میدهند، همچنان امنیت شغلی بالایی دارند. Devin یک ابزار قدرتمند است، نه یک جایگزین کامل.
۳. تست عملی Devin در پروژههای واقعی چه نتایجی داشته است؟
پاسخ: در تست عملی Devin که در این مقاله بررسی شد، او توانست یک اپلیکیشن کامل مدیریت پروژه (React + Django + PostgreSQL) را در ۴ ساعت و ۲ دقیقه از صفر تا دیپلوی بدون هیچ دخالت انسانی پیادهسازی کند. همچنین در بنچمارک SWE-bench موفق به حل ۱۳.۸۶٪ از ایشوهای واقعی گیتهاب شده است.
۴. محدودیتهای اصلی Devin چیست؟
پاسخ: مهمترین محدودیتهای Devin عبارتند از:
درک ضعیف از نیازهای مبهم کسبوکار
ناتوانی در تصمیمگیری معماری سطح بالا
عدم مسئولیتپذیری اخلاقی و قانونی
ناتوانی در مذاکره با مشتری
وابستگی کامل به اینترنت و دسترسی به گیتهاب
۵. برای اینکه در عصر Devin بیکار نشوم، چه مهارتهایی باید یاد بگیرم؟
پاسخ: برای بقا در آخر زمان شغلی برنامهنویسان، سه مهارت کلیدی ضروری است:
۱. مهندسی پرامپت: نوشتن دستورالعملهای دقیق برای Devin
۲. معماری نرمافزار: طراحی سطح بالا و انتخاب الگوهای معماری
۳. کد ریویو و امنیت: بررسی کدهای تولیدشده توسط هوش مصنوعی



