---
title: Vibe coding
description: Исследовательская разработка через естественно-языковые запросы к AI и правила перехода от прототипа к поддерживаемому коду.
---

## Определение

**Vibe coding** — неформальный способ создавать или менять программу, описывая желаемый результат AI-ассистенту и оценивая получившееся поведение. Разработчик быстро пробует варианты, не обязательно заранее составляя подробный план или спецификацию. Термин описывает стиль работы, а не стандарт SDLC и не гарантию качества.

## Где подход полезен

Он подходит для низкорискового исследования: набросать интерфейс, проверить API, собрать одноразовый скрипт, сравнить несколько вариантов или выяснить, как сформулировать задачу. Быстрая обратная связь помогает понять, что именно нужно уточнить.

## Где заканчивается прототип

Внешне работающий результат ещё не доказывает корректность. Перед включением кода в поддерживаемый продукт следует:

- сформулировать ожидаемое поведение и критерии приемки;
- проверить ошибки, граничные случаи, права доступа и обработку данных;
- просмотреть изменения и понять добавленные зависимости;
- добавить подходящие автоматические проверки и документацию;
- проверить миграции, обратную совместимость и эксплуатационные последствия.

Чем выше цена ошибки и сложнее откат, тем меньше оснований полагаться на неформальную проверку. В таких задачах лучше перейти к [SDD](https://wpcraft.ru/kb/ai/coding/sdd.md) и [TDD](https://wpcraft.ru/kb/ai/coding/tdd.md), сохраняя короткие итерации.

## Практический переход

Когда эксперимент оказался полезным, остановите генерацию и запишите, что именно подтвердилось. Затем превратите найденное поведение в небольшую спецификацию, определите проверяемые примеры и продолжайте обычный цикл [SDLC с AI](https://wpcraft.ru/kb/ai/coding/sdlc.md). Это отделяет ценное наблюдение от случайных решений прототипа.

## Экономика токенов: CapEx и OpEx

У vibe coding низкие начальные затраты (CapEx): можно начать с короткого запроса, не тратя время на настройку правил, тестов и рабочего процесса. Но при развитии прототипа растут операционные затраты (OpEx): неоднозначный контекст и непроверенные решения провоцируют новые циклы исправлений, а вместе с ними — расход токенов на slop-код и его переделку.

Agentic engineering требует большего CapEx: сначала нужно подготовить harness — спецификации, инструкции для агента, инструменты и автоматические проверки. В последующей работе эти опоры помогают получать более точные изменения за меньшее число итераций и снижать OpEx. В исходном материале приводится оценка, что такой подход в долгосрочной перспективе может быть в 3–10 раз надёжнее и дешевле vibe coding. Это ориентир автора, а не универсальная метрика: результат зависит от задач, стоимости подготовки harness и того, насколько часто его переиспользуют.

Поэтому точка окупаемости может наступить быстро на повторяющихся задачах и в активно развиваемых проектах, где harness используется снова и снова. Для разового низкорискового прототипа первоначальные вложения могут не окупиться. Подробнее о процессе и контроле качества — в статье [SDLC и разработка с AI](https://wpcraft.ru/kb/ai/coding/sdlc.md).

## Материалы и источники

- [Исходное видео об AI-driven SDLC](https://www.youtube.com/watch?v=zbmuiaPuiNM)