Вайбкодинг: возможности, ограничения и ответственность

От идеи к работающей программе

Вы хотите вести список дел на компьютере. Вместо того чтобы писать программу строка за строкой, описываете агенту нужное поведение: «Добавляй задачу, показывай список, отмечай выполненное». Агент предлагает решение и меняет файлы. Уже через несколько минут можно получить первый результат. Но как понять, что задачи сохранятся после закрытия программы?

Вайбкодингом обычно называют разработку через разговор с ИИ, при которой человек задаёт направление, а модель создаёт значительную часть кода. В узком смысле слово описывает работу почти без чтения и проверки кода. В этом курсе мы начнём с разговорного способа разработки и постепенно добавим проверки. Вы сможете поручать написание кода агенту и принимать результат по наблюдаемому поведению.

Модель генерирует ответы на основе переданного контекста. Кодирующий агент использует модель и инструменты: читает файлы, редактирует проект, запускает команды. Если модель предложила команду в чате, это ещё не означает, что кто-то её выполнил. Если агент сообщил об успешном запуске, результат всё равно нужно сопоставить с выводом команды и требованиями.

Где способ помогает, а где подводит

Агент полезен, когда нужно попробовать идею, разобраться в незнакомом коде, написать черновик функции или получить объяснение ошибки. Быстрое создание нескольких вариантов помогает выбрать подход до больших затрат. В маленьком проекте легко проверить результат руками.

Сложности появляются, когда правдоподобный ответ принимают за доказательство. Модель может придумать несуществующий параметр, неправильно понять сохранение данных или исправить один случай ценой другого. Быстрые изменения становятся дорогими, если никто не знает, что именно поменялось. Передача кода внешнему сервису также требует понимания того, какие данные разрешено передавать.

Не обещайте пользователям надёжность только потому, что агент быстро собрал демонстрацию. Прототип показывает идею; готовность к эксплуатации требует других доказательств.

Как устроен курс

Наш проект — локальный менеджер задач на Python. Вы не обязаны самостоятельно писать его реализацию. Нужно уметь открыть папку, запустить команду, прочитать результат и объяснить требования. Код появляется там, где помогает увидеть механизм. Полезные основы можно изучать параллельно в курсе Git.

Скачайте комплект практики. Внутри находятся starter — заготовка, reference — открытый эталон, и шаблоны рабочего процесса. Используйте заготовку для собственных изменений; эталон открывайте после попытки. Главы занимают примерно 2–3 часа чтения суммарно. На упражнения и финальную работу запланируйте ещё 8–12 часов; это ориентир, а не обещание скорости.

Чтение, изучение эталона и локальные тесты бесплатны. Для упражнений с живым агентом нужен доступ к Claude Code или Codex на условиях выбранного сервиса. Без доступа можно разобрать запросы и проверить эталон, но это не заменяет опыт общения с агентом.

Самостоятельное задание

Выберите одну личную задачу, которую хочется автоматизировать. Запишите, кто будет пользоваться результатом, какие данные нужны и что случится при ошибке. Затем сформулируйте три проверяемых признака готовности. Не используйте «удобно», «быстро» и «правильно» без объяснения.

Можно начать с такого запроса и проверить, какие сведения ещё понадобятся:

Хочу вести личный список задач на одном компьютере.
Предложи самый маленький вариант и три способа проверить,
что он работает. Пока не пиши код. Назови риск потери данных.

Критерии и разбор

Хороший критерий: «После закрытия и повторного запуска видны ранее добавленные задачи». Слабый критерий: «Список работает». Первый позволяет устроить опыт; второй оставляет решение на усмотрение агента. Если ошибка может потерять чужие данные, начните с копии и искусственных примеров.

Дальше: Файлы, терминал, Git и первый запуск.