Collins Dictionary описывает вайбкодинг как использование искусственного интеллекта, управляемого инструкциями на естественном языке, для помощи в написании программного кода. На практике это выглядит так: вы формулируете задачу словами, агент создаёт файлы, вы открываете результат в браузере и говорите, что поправить. Разбор вайбкодинга на Хабре приводит и формулировку Андрея Карпати: новый вид программирования, когда человек отдаётся потоку, принимает экспоненциальный прогресс технологий и забывает о самом существовании кода.
Граница подхода обозначена там же: не разбираться в коде и архитектуре можно позволить себе тогда, когда вы делаете что-то для личного использования. Продакшн, командная работа и код, который будет жить годами, требуют другого уровня контроля.
Дальше техническая база (LLM, агент, tools, MCP, Harness, ReAct), обзор агентных инструментов и сценарий сборки редактора постеров Poster Studio в Codex за три запроса. Код руками не набираем: формулируем задачу и проверяем результат.
Что такое вайбкодинг и почему он стал возможен
Подход вырос из двух сдвигов. Первый: LLM научились выдавать связный рабочий код, особенно в связке HTML, CSS и JavaScript. Второй: вокруг моделей появились агентные среды, которые применяют этот код к реальным файлам, запускают команды и читают ошибки.
Второй фактор расширил аудиторию. С развитием MCP и появлением новых интеграций разбираться в ИИ стало полезно людям разных профессий, а не только разработчикам. Список сервисов, с которыми уже умеют работать агенты, включает 1С:Бухгалтерия, Битрикс24, amoCRM, Wildberries, Ozon, МойСклад, Google Таблицы, Google Документы, Gmail, Google Календарь, Notion, Canva, HubSpot, Salesforce, Asana, Slack, Shopify, Stripe, iiko и GitHub (тот же материал). Через платформы-посредники вроде Zapier MCP агенту доступны тысячи приложений (Zapier MCP как пример посредника). Такая связка превращает «чат, который пишет код» в исполнителя задач.
Кому вайбкодинг реально подходит, а кому нет
Аудитории делятся на три группы.
- Энтузиасты, продакты, маркетологи, аналитики. Нужен личный инструмент: конвертер, калькулятор, генератор постеров, дашборд по своим данным. Цена ошибки низкая, поддержка сводится к правкам по мере надобности, время до результата измеряется часами.
- Разработчики. Агент ускоряет черновики, миграции, тесты, разбор незнакомой кодовой базы. Роль человека смещается к постановке задачи, чтению диффов и проверке.
- Команды с продакшн-кодом. Нужны архитектура, тесты, ревью, безопасность и воспроизводимая сборка. Вайбкодинг в чистом виде здесь не подходит: агент пишет быстро, ответственность за поведение системы остаётся на людях.
Выбор зависит от задачи и цены ошибки. Личный редактор картинок и сервис с платежами требуют разного уровня проверки, даже когда оба собраны агентом.
Есть и оценки масштаба эффекта, но у них разный статус доказательности. Цифры про ускорение сборки MVP на 56% и восьмикратный рост дублирования кода приводятся во вторичном разборе со ссылкой на GitHub, без раскрытия методологии замера, поэтому воспринимать их стоит как ориентир, а не как измеренный факт (разбор влияния ИИ-ассистентов на разработку). Отдельно есть исследование METR: рандомизированное контролируемое испытание с участием 16 опытных разработчиков и 246 реальных задач из крупных open-source репозиториев показало, что передовые ИИ-инструменты замедлили работу этих инженеров в среднем на 19% (разбор исследования METR). Вывод не универсален: он про опытных разработчиков в зрелых проектах, а не про сборку личного приложения с нуля.
База без воды: LLM, ИИ-агент, tools, MCP, Harness и цикл ReAct
Искусственный интеллект объединяет разные классы систем: классические скоринговые модели, которые работают годами, и большие языковые модели, получившие массовое распространение несколько лет назад. Генеративный ИИ (Generative AI, GenAI) объединяет модели, способные создавать контент на основе изученных данных: текст, изображения, видео, аудио. LLM (Large Language Model, большая языковая модель) это тип моделей генеративного ИИ, обученных на больших объёмах данных.
Токены это единицы, на которые модель режет текст. В них считают объём промпта и ответа, они влияют на стоимость запроса и на то, сколько контекста агент удержит по ходу работы.
ИИ-агент это система, которая выполняет задачи и взаимодействует с инструментами и сервисами: планирует шаги, вызывает функции, читает результат и меняет состояние проекта. Tools это как раз те инструменты, которые агент может вызывать: чтение и запись файлов, запуск команд в терминале, поиск в интернете, обращение к внешнему API. Без tools модель остаётся генератором текста.
MCP (Model Context Protocol) это открытый протокол, который задаёт стандартный способ подключать LLM-приложения к внешним источникам данных и инструментам. Спецификация описывает три роли: хост (LLM-приложение, инициирующее соединения), клиент (коннектор внутри хост-приложения) и сервер (сервис, предоставляющий контекст и возможности). По замыслу авторов протокол стандартизирует подключение дополнительного контекста и инструментов в экосистему ИИ-приложений примерно так же, как LSP стандартизирует поддержку языков программирования (спецификация Model Context Protocol). Чем больше сервисов говорит на MCP, тем меньше кастомных обвязок нужно писать под каждую задачу.
Harness это агентная среда, обвязка вокруг модели: файловая система, терминал, набор tools, история шагов, правила подтверждения опасных действий. Среда определяет, как модель видит проект и что может с ним сделать. Насколько велик её вклад, показывает пример из блога HarnessBench: одна и та же модель minimax-m2.5 на бенчмарке TheAgentCompany под управлением Hermes показала 83,2%, а под управлением OpenCode — 55,6%, и разница объясняется тем, как harness парсит ответы, управляет историей сообщений и маршрутизирует вызовы инструментов (разбор HarnessBench). Это блог, а не рецензируемая публикация, и цифры относятся к одной модели и одному бенчмарку, но вывод практический: оценивать модель в отрыве от обвязки мало что говорит о результате.
Чем LLM отличается от ИИ-агента
LLM генерирует текст в ответ на текст. Агент добавляет к этому план, действия и обратную связь: выбирает, какой tool вызвать, читает результат, корректирует следующий шаг. Обычная модель напишет код в чате, агент создаст файл в рабочей папке, запустит проверку и покажет, что сломалось.
Разница видна на бытовом примере. Попросите чат «сделай редактор постеров» и получите фрагмент кода, который надо куда-то вставить и не факт, что он соберётся. Попросите агента и получите файл, открываемый в браузере, плюс список того, что он поменял.
Как работает цикл ReAct на пальцах
Цикл ReAct раскладывается на четыре повторяющихся шага.
- Модель рассуждает: что требуется и чего не хватает для выполнения задачи.
- Выбирает действие: прочитать файл, запустить команду, поправить строку, вызвать tool.
- Получает наблюдение: вывод терминала, содержимое файла, сообщение об ошибке.
- Обновляет план и идёт на новый круг, пока не выполнит критерий или не упрётся в лимит шагов.
Это упрощённое изложение подхода из статьи ReAct: LLM генерирует рассуждения и действия в чередующемся порядке, рассуждения помогают формировать, отслеживать и обновлять план и обрабатывать исключения, а действия дают доступ к внешним источникам вроде баз знаний или окружения (ReAct: Synergizing Reasoning and Acting in Language Models).
Отсюда два практических следствия. Агент ошибается там, где задача сформулирована расплывчато: у него нет вашего контекста, есть только текст промпта и файлы. И агент ходит по кругу, когда нет проверяемого критерия готовности: он не понимает, что уже хорошо. Критерий «кнопка скачивает PNG 1080x1080» короче и надёжнее, чем «сделай красиво».
Инструменты агентной разработки: Codex, Claude Code, Cursor, OpenCode и Hermes Agent
Инструменты различаются в первую очередь обвязкой: где живёт код, есть ли визуальный редактор, сколько свободы получает агент и чем платить за автономность. Ниже — то, что подтверждается доступными источниками, с честными пометками там, где подтверждений мало.
| Инструмент | Роль | Когда уместен |
|---|---|---|
| Codex | AI-агент OpenAI для программирования и работы с кодовой базой: доступен через CLI, IDE, веб и десктопное приложение, умеет писать и править код, ревьюить pull request, добавлять тесты, работать с Git и CI/CD | Сборка проекта с нуля и правки по описанию, когда нужен именно агент, а не автодополнение |
| Claude Code | CLI-агент, работающий в терминале | Задачи в существующем репозитории, длинные сессии, автоматизация через скрипты и оркестрацию |
| Cursor | Редактор кода с агентными функциями | Когда нужен привычный редактор и контроль над файлами, а агент работает рядом с кодом |
| OpenCode | Агентная обвязка (harness), упоминается в сравнениях harness-фреймворков | Когда важна открытость обвязки и возможность разобраться, как устроен цикл |
| Hermes Agent | Агентная обвязка, упоминается в сравнениях harness-фреймворков | Сверяться с актуальной документацией: детали быстро меняются |
Оговорка по таблице: сведения о Codex подтверждены публикациями о продукте, а Claude Code, Cursor, OpenCode и Hermes Agent в доступных источниках описаны фрагментарно — OpenCode и Hermes фигурируют прежде всего как примеры harness-фреймворков. Публичных замеров на одинаковых задачах с одинаковым бюджетом токенов для всех пяти инструментов нет, поэтому сравнивать их по «уму» смысла мало. Сравнивайте по сценарию работы: где живёт проект, кто читает диффы, что происходит при ошибке.
Про доступ к Codex: по данным обзора продукта, он входит во все платные планы ChatGPT (Go, Plus, Pro, Business, Enterprise/Edu) и в ограниченном виде доступен на Free, отдельной подписки только на Codex нет (обзор OpenAI Codex 2026). Codex CLI при этом работает с репозиторием из терминала: исследует структуру проекта, создаёт и редактирует файлы в пределах выданных разрешений, использует установленные тесты и линтеры, а Skills, плагины и MCP-серверы подключают дополнительные инструменты и источники данных (описание Codex CLI).
Пример сложного сценария: разработчик с 15-летним опытом превратил пет-проект на Java в оркестратор задач на git worktree, CLI-сессиях Claude Code, tmux и веб-дашборде, и по ходу дела пересматривал метрики из-за недетерминизма LLM (кейс оркестратора задач на Claude Code). Принцип работает и в мелком проекте: агент делает шаги, человек задаёт рамки.
Как выбрать стартовый инструмент под свою задачу
Чек-лист вопросов, которые стоит задать до установки:
- Что за проект: один HTML-файл или репозиторий на десятки модулей?
- Нужен ли визуальный редактор с подсветкой и диффом или хватит терминала?
- Готовы ли вы работать в командной строке и читать вывод ошибок?
- Нужны ли внешние сервисы через MCP: таблицы, задачи, CRM, репозиторий?
- Сколько автономности вы готовы отдать: правки без подтверждения или каждый шаг на контроле?
Для личного приложения в одном файле подойдёт почти любой вариант. Для проекта с историей и ветками важнее среда и правила работы, чем название модели.
Практика: собираем Poster Studio в Codex за три запроса
Сценарий: редактор постеров Poster Studio в одном HTML-файле. Внутри сцена 1080x1080, текстовые слои, настройка шрифта и цвета, перетаскивание мышью, экспорт результата в PNG. Руками код не набираем: три запроса, между ними проверка в браузере.
Файл в проекте создаёт и правит агент. Вы формулируете задачу, открываете результат, сообщаете, что не так. Похожий цикл для сайта разобран в гайде по созданию сайта через Codex и GPT-5.6: референс, промпт, итеративные правки, ограничения агента (пошаговый гайд по Codex).
Запрос 1: каркас
Первый запрос задаёт рамки: один файл, без внешних библиотек, конкретный размер сцены и явный критерий «открывается в браузере двойным кликом».
Сделай один файл poster-studio.html. Внутри чистый HTML, CSS и JavaScript, без CDN и внешних библиотек.
Интерфейс: сцена 1080x1080 по центру, слева список слоёв, справа панель свойств.
По умолчанию два текстовых слоя: заголовок и подпись.
Критерий готовности: файл открывается в браузере двойным кликом, слои видны на сцене, консоль без ошибок.
В конце покажи структуру файла и напиши, что именно поменял.
Что проверяем: файл создан в рабочей папке, сцена нужного размера, ошибок в консоли нет. Если агент подключил внешнюю библиотеку, это видно по <script src=..., и лишнее стоит убрать сразу: одна зависимость ломает критерий «один файл».
Запрос 2: редактирование
Второй запрос добавляет функции, но запрещает переписывать всё с нуля. Требование «не удаляй существующий код» экономит время на проверке того, что уже работало.
Добавь редактирование выделенного слоя: текст, размер шрифта, цвет, жирность, выравнивание, координаты X и Y, перетаскивание мышью по сцене.
Изменения применяй сразу, без кнопки «Применить».
Не удаляй и не переписывай существующий код без необходимости.
Критерий готовности: правки видны на сцене сразу, сохранение состояния после перезагрузки не требуется.
Покажи список изменённых участков.
Здесь появляется типичная слабость генерации: обработчики событий навешиваются повторно или перетаскивание начинает дрожать. Проверяется мышью за две минуты и правится одним узким запросом.
Запрос 3: экспорт в PNG
Третий запрос закрывает задачу. Экспорт в PNG в браузере делается через canvas, и краевые случаи лучше оговорить заранее.
Добавь кнопку «Экспорт PNG». Сцена рендерится в canvas 1080x1080, файл скачивается как poster.png.
Шрифты, цвета и позиции слоёв должны совпадать с тем, что видно на сцене.
Проверь краевые случаи: пустой текст в слое, слой за границей сцены, длинная строка без пробелов.
Опиши ограничения своего решения.
Дальше обычная проверка: скачайте файл, откройте в просмотрщике, сравните с тем, что на экране. Расхождения по шрифтам и прозрачности видны глазами, опыт в вёрстке для этого не нужен.
Как формулировать запросы, чтобы агент не уходил в сторону
Принципы, привязанные к циклу ReAct:
- Один запрос, одна проверяемая цель. Три цели в одном промпте дают три шага, где ошибка маскируется.
- Критерий готовности как наблюдаемый факт: «кнопка скачивает PNG 1080x1080», а не «сделай нормально».
- Просьба объяснить изменения. Дешёвый способ заметить, что агент тронул лишнее.
- Итерации вместо одного идеального промпта на пять экранов: короткие шаги дают меньше переделок.
Что делать, когда результат не совпал с ожиданием
Порядок действий простой:
- Сузить задачу до одного симптома: «при перетаскивании слой прыгает в левый верхний угол».
- Показать агенту конкретную ошибку: текст из консоли и шаг воспроизведения.
- Попросить минимальную правку вместо переписывания файла.
- Проверить, что остальное не сломалось: пройтись по всем функциям, а не только по исправленной.
Для одного HTML-файла такая тактика предсказуема: контекст небольшой, агент видит весь код. В многофайловом проекте запрос «поправь минимально» упирается в то, что агент не знает, где именно живёт нужная функция.
Где вайбкодинг ломается: ограничения при усложнении проектов
Проблемы начинаются не в момент, когда код перестал работать, а раньше: когда его стало сложно читать.
- Сложность и связность. Один файл на 600 строк ещё обозрим. Пять файлов с общими состояниями агент правит хуже: изменения в одном месте ломают другое.
- Отладка. Агент видит сообщение об ошибке, но не видит ваш сценарий использования. Симптом «работает у меня» превращается в перебор гипотез.
- Архитектура. Вайбкодинг стартует без проекта архитектуры. На маленьком приложении это экономия, на растущем техдолг.
- Токены. Большой контекст стоит дороже и хуже удерживается моделью: длинные файлы читаются целиком на каждом шаге.
- Непонимаемые изменения. Если диффы не читать, через месяц не получится сказать, почему код выглядит именно так.
Разбор на AI-Manual фиксирует смежную вещь: код подешевел, а разработка не ускорилась, потому что проверка результата стала дороже генерации. Проект «на выходные» растянулся на два месяца именно на проверках и переделках (почему разработка с ИИ-агентами стала тяжелее).
Когда пора переходить к классической разработке
Признаки, что подход пора менять:
- Файлов больше пяти и они связаны общими модулями.
- Появились пользователи, чьи данные вы обрабатываете: нужны проверка ввода, разграничение доступа и понимание, где хранятся данные.
- Нужна командная работа: несколько человек правят один код, нужны ветки, ревью и договорённости.
- Появились требования к безопасности и код-ревью: платежи, персональные данные, интеграции с внешними системами.
- Вы не можете объяснить, что делает половина файла.
Агенты при этом не выбрасываются. Меняется роль человека: он проектирует, ставит критерии, читает диффы и отвечает за результат. Codex остаётся ускорителем внутри нормального процесса разработки.
Что в итоге: стоит ли пробовать вайбкодинг и с чего начать
Вайбкодинг работает для личных приложений, где цена ошибки низкая, а поддержка сводится к «переделать, когда надоест». Для продакшна он остаётся ускорителем под присмотром человека: архитектура, тесты, ревью и безопасность никуда не делись.
Минимальный набор знаний, без которого подход превращается в лотерею: разница между LLM и агентом, назначение tools, роль MCP как протокола интеграций, понятие Harness и цикл ReAct. Этого хватает, чтобы понимать, почему агент ошибается, и ставить задачи так, чтобы ошибок было меньше.
Первый шаг конкретный: возьмите одну задачу на один файл, например редактор постеров с экспортом в PNG, и один агентный инструмент. Сформулируйте три запроса по схеме выше, проверьте результат в браузере, посчитайте, сколько понадобилось правок. Если итераций вышло две-три, у вас есть рабочий личный инструмент и понятное представление о границах метода.