Три эпохи вайбкодинга

Термин «вайбкодинг» появился всего полтора года назад, в феврале 2025-го, но с тех пор успел стать предметом обожания одних и ненависти других - в зависимости от того, кто и как его понимает. Ввёл его в оборот Андрей Карпати, один из сооснователей OpenAI, и уже в ноябре того же года британский словарь Collins назвал «вайбкодинг» словом года.

Здесь я буду использовать этот термин в значении LLM augmented development, то есть «процесс разработки ПО с использованием больших языковых моделей», что несколько отличается от «создания ПО промптами на естественном языке». Термин новый, но писать код при помощи LLM научились гораздо раньше.

В 2021 году появился GitHub Copilot - автодополнение кода при помощи нейронной сети. Но по-настоящему всё изменилось с рождением GPT-4 в марте 2023 года (событие, известное также как «Великий перелом»): модели научились генерировать более-менее рабочий код. Тогда же появились инструменты вроде Cursor и Aider, позволяющие встроить это в рабочий процесс. Модели ещё не умели запускать инструменты и управлять собственным контекстом, однако уже показывали впечатляющие результаты.

В 2024-2025 годах LLM научились вызывать инструменты, и началась эпоха полуавтономных агентов. LLM перестала быть генератором текста - она стала инструментом, все возможности которого нам ещё предстоит понять. Сейчас, в 2026 году, это главный тренд в мире искусственного интеллекта.

Первая эпоха: взлёт и падение prompt engineering

Базовые модели поколения GPT-3 (2020-2022) не были обучены следовать инструкциям. Чтобы получить желаемый артефакт, модели нужно было дать затравку: задать предметную область («Ты - опытный Python-разработчик, проектируешь микросервис...»), детально описать нужный артефакт («CRUD-обработчик, унаследованный от...»), привести несколько примеров (few-shot prompting) и так далее. Все эти приёмы направляли генерацию в нужное русло и предотвращали дрифт и галлюцинации.

К 2023 году сложился рынок: появились вакансии «prompt engineer», маркетплейсы промптов, курсы, книги и тысячи постов в духе «10 промптов, которые заменят вам аналитика». Сейчас фраза «Ты - опытный инженер по тестированию программного обеспечения (QA Lead) с 10-летним стажем...» выглядит довольно нелепо - модели и так компетентны. Хотя отголоски того подхода остались в так называемых skills, о них поговорим в другой раз.

Обвалилось всё это по нескольким причинам сразу, и ни одна из них не связана с тем, что промпты перестали иметь значение:

- instruction tuning и RLHF сделали то, ради чего существовала половина приёмов;

- reasoning-модели с chain-of-thought стали сами направлять генерацию в нужное русло;

- магические фразы перестали давать прирост, а иногда начали мешать - и они не переносились между поколениями моделей.

Раньше нужно было знать, как разговаривать с моделью. Теперь нужно знать, чего вы от неё хотите.

Вторая эпоха: управление контекстом

У GPT-4 был мизерный по нынешним меркам контекст - 32К токенов. Решения этой проблемы предложили два.

Ручное управление

Ярким представителем этого класса инструментов был Aider. Он автоматически держал в контексте карту части проекта, построенную по AST (абстрактному синтаксическому дереву), но требовал вручную указывать файлы, с которыми нужно работать. Оставаясь нишевым продуктом с текстовым интерфейсом, он показывал впечатляющие результаты, а некоторые его решения стали в индустрии стандартом де-факто. Например, вместо обычного diff-формата для правок (в номерах строк модель путалась) он предложил формат конфликта git merge - то, что модель видела во время обучения миллионы раз:

mathweb/flask/app.py
<<<<<<< SEARCH
from flask import Flask
=======
import math
from flask import Flask
>>>>>>> REPLACE

Retrieval-augmented generation (RAG)

Такой подход выбрал Cursor. Идея RAG такая: проиндексировать весь проект и подставлять в контекст релевантные запросу части. Для этого использовался довольно нетривиальный конвейер, включавший векторную БД, AST-парсинг, разбиение на фрагменты и много чего ещё.

Увы, проблема подхода была в присущей ранним моделям одноходовости: по запросу пользователя нужно было сразу определить, какие файлы он затрагивает, а это в общем случае сложно или просто невозможно. Но убил RAG как основной механизм не список недостатков, а появление альтернативы. Когда модель получила инструменты - прочитать файл, найти по шаблону, выполнить команду, - выяснилось, что она ищет лучше, чем поиск по эмбеддингам. Не потому, что grep умнее косинусного расстояния, а потому, что модель знает, что именно ищет, видит результат и может переформулировать запрос. Векторный поиск делает один выстрел вслепую, агент - серию прицельных.

Третья эпоха: автономные агенты

Агент в терминале

Прорыв совершил Claude Code. Он не был первым автономным агентом - он был первым, который заработал. AutoGPT появился ещё в 2023 году, затем были Devin и Cline, но по-настоящему автономные агенты стали возможны только с выходом Claude 3.5 Sonnet. Модели стали обучать на многошаговом использовании инструментов с обратной связью от среды. Появилась способность, которой раньше не было в принципе: прочитать сообщение об ошибке и изменить план. Плюс длинный контекст, позволяющий держать в голове историю из сотен шагов, и reasoning, снимающий необходимость навязывать структуру рассуждения снаружи.

Любопытно, что с первой версии Claude Code отказался от RAG и сделал ставку на минимальный набор инструментов: запуск shell-команд, grep, просмотр и редактирование файлов. То, что трудно или невозможно сделать с одного раза, легко делается за несколько итераций. Это и стало новой парадигмой.

Агенты в терминалах

Очень быстро стало понятно, что одного агента мало. Разработчики начали запускать несколько агентов и переключаться между ними. Вспомнили подзабытый git worktree, стали уделять внимание изоляции сборок. Появился инструментарий для управления: Conductor, Vibe Kanban, Claude Squad, Cursor Background Agents.

Агентам дали доступ к трекерам задач, рабочим чатам, системам сборки, тестовым стендам. Автоматизировать теперь можно практически любой аспект работы. Агентами стало возможно управлять удалённо - из браузера, с телефона. Процесс было уже не остановить.

Рой в облаке - мы находимся здесь

Агенты работают по принципу human-in-the-loop: окончание хода требует вмешательства человека, который ставит новую задачу, проверяет результаты, делает ревью. Стало понятно, что узкое место - именно человек: пока он разбирается с одним агентом, остальные простаивают.

Очевидный выход - поручить управление агентами оркестратору, то есть агенту, который сам принимает решения, не требующие участия человека: отправляет работу в сборку, двигает тикеты. Ресурсов пользовательского компьютера для этого уже не хватает: чтобы держать достаточное количество агентов, нужны песочницы в облаке.

Чуть больше месяца назад Claude Code добавил обмен сообщениями между соседними сессиями, и оказалось, что LLM поразительно эффективно коммуницируют друг с другом. Перекликается с этим и история о скоординированном побеге агентов OpenAI из песочницы. То, что недавно было экспериментами внутри лабораторий, постепенно становится индустриальным стандартом.

Новая реальность, возможно, будет выглядеть так: пользователь даёт задачу и закрывает крышку ноутбука, а на следующий день принимает готовую работу.

Что дальше

В IT-сообществе есть большой и обоснованный скепсис по поводу возможностей текущего поколения LLM, архитектуры трансформеров как таковой, пределов применимости вайбкодинга и так далее.

Но молниеносное развитие технологии, как уже не раз бывало в нашей индустрии, требует если не адаптации, то тщательного её изучения. Чтобы оставаться на месте, IT-специалистам нужно очень быстро бежать.