Личный опыт «вайб-кодинга» глазами руководителя разработки

Интро

Максим Романовский

Head of AI & Product engineering в одном из отделов большого европейского банка, руководитель небольшой исследовательской лаборатории по машинному обучению и основатель внутреннего AI коммьюнити компании с 500+ ML энтузиастами. До перехода в менеджмент был архитектором, тех-лидом и ведущим программистом.

Последние три месяца я активно тестировал AI coding инструменты, работая над пет‑проектами в свободное время, изучал ограничения существующих инструментов и лучшие практики. В своем ТГ‑канале ^[1] я делюсь результатами своего исследования и другими полезными материалами, личным опытом и возможностями.

Выбор инструмента

Я попробовал v0, Replit, Lovable, Bolt.New, Firebase, Trae, Cursor, Windsurf, Gemini Code Assist, MS Copilot, Continue, и наверняка, еще что‑нибудь забыл. Всего же я нашел больше 100 инструментов. В первую очередь они отличаются по уровню автономности и типу.

Уровни автономности

1. Детерминированные и статистические правила. Примеры: автодополнение кода (в любой IDE), статические анализаторы кода (SonarQube, ^[2] Veracode, ^[3] PyLint ^[4] и т.д.)

2. AI ассистенты: выполняют отдельные задачи, которые пользователь детально описывает, как правило, с высокой гранулярностью (ChatGPT, ^[5] Claude, ^[6] и т.д.). В последнее время у многих AI ассистентов есть тенденция к более высоким уровням автономности.

3. AI CoPilot: программист работает над продуктом в паре с AI CoPilot, совместно внося изменения. Программист по-прежнему несет полную ответственность за разрабатываемый программный продукт. Примеры инструментов данного уровня: Cursor, ^[7] Windsurf, ^[8] Trae, ^[9] Codex ^[10].

4. AI Agent: генерация продуктов по описанию, пользователь выступает в качестве супервизора и тестировщика. Данный уровень все еще не достигнут, потому что в текущем поколении систем этого уровня, пользователь по-прежнему отвечает за разрабатываемый продукт и нередко вынужден помогать с разрешением проблем. Примеры: Lovable, ^[11] v0, ^[12] Replit ^[13] , Bolt.New ^[14]. ^[15]

5. Полная автономность разработки: здесь пользователь описывает цели, которые он хочет достичь, а AI система уже сама решает, как ее достичь (Devin, ^[16] MetaGPT). ^[17]

6 типов инструментов

1. Framework - для программистов, которые хотят разрабатывать самостоятельных AI coding агентов или иметь максимальную гибкость.

2. CLI (command line interface) - для программистов, предпочитающих гибкость и контролируемость CLI инструментов или планирующих встроить их в свой CI/CD пайплайн.

3. IDE plugin - для разработчиков, которые не хотят переезжать со своей любимой IDE.

4. IDE - отдельная среда разработки, как правило, на основе VS Code.

5. SaaS - отдельный сервис или мобильное приложение, в котором можно вести автоматическую или полуавтоматическую разработку, как правило, с минимальными знаниями программирования.

6. AI chat assistant - любой ИИ чатбот, который отвечает на вопросы по программированию, например ChatGPT, ^[5] Gemini, ^[18] Grok ^[19] или Claude. ^[6]

Какой инструмент выбрать

Если вы инженер и:

• хотите попробовать повысить свою продуктивность - попробуйте AI Coding IDE и возьмите бесплатный двухнедельный триал от Cursor. ^[7] Крупные альтернативы: Windsurf, ^[8] Trae ^[9]. ^[20]

• не хотите менять IDE - попробуйте плагины для вашей любимой IDE: Continue, ^[21] GitHub Copilot, ^[20] Junie. ^[22]

• любите CLI и готовы платить за токены - попробуйте Codex ^[10] или Claude Code. ^[23]

• вам катастрофически критична конфиденциальность вашей разработки - попробуйте локальную связку из MetaGPT ^[17] + Ollama ^[24] (с Gemini3-27B или QwQ2.5).

Если вы не инженер и хотите сделать свой небольшой проект, то попробуйте Lovable ^[11], Replit ^[13] или v0 ^[25]. Будьте готовы, что какие‑то проблемы вам придется решать самостоятельно.

Для меня при выборе инструмента была важна возможность удобного редактирования и ревью кода, удобство развертывание и тестирования. В итоге каждая итерация работы над личными проектами заканчивалась в IDE (Cursor ^[7] или Trae ^[9]). Также мне понравился v0, ^[12] который является подпродуктом cloud‑провайдера Vercel, и благодаря этому отлично проинтегрирован с ним.

С какими проблемами я столкнулся

1. Не сразу понял важность детального описания требуемой функциональности и архитектуры.

   Решение: детально описывать задачу в промпте, архитектуру и фунциональность в md-файлах проекта.

2. Многие тулы не универсальны и у меня возникло несоответствие ожиданий: например, многие сервисы не могут создать backend проект без фронтенд части.

   Решение: не завышать ожидания, пробовать разные тулы и детально изучать их возможности.

3. Генерируемый код часто содержит ошибки, которые приходится исправлять вручную.

   Решение: декомпозировать задачу на мелкие подзадачи, делать тщательный код-ревью и уметь программировать самостоятельно.

4. В большинстве инструментов есть лимиты на использование, а в некоторых еще и долгое время ожидания (в Trae до нескольких минут в час пик).

   Решение: покупать подписки с требуемыми лимитами. Если нет возможности - пользоваться сразу несколькими бесплатными инструментами.

5. Сервисы все еще не очень стабильны, например один из них просто завис после получения запроса и так и не открылся в течение часа.

   Решение: использовать больше одного инструмента и уметь программировать самостоятельно.

6. Код, генерируемый LLM был устаревшим и не соответствовал версиям библиотек в проекте. Особенно это болезненно при настройке аутентификации или авторизации.

   Решение: подключить MCP-сервер с актуальной документацией (например ^[26]) или загрузить документацию вручную, уметь программировать самостоятельно.

7. Часть фичей было проще сделать самому, чем добиваться правильного поведения от AI инструмента.

   Решение: уметь программировать самостоятельно.

Для всех проблем, с которыми я столкнулся есть решения, но примерно в половине случаев оно звучит так: уметь программировать самостоятельно.

Выводы

AI coding инструменты значительно ускоряют разработку, но требуют навыков программирования, тестирования и код‑ревью. Вне зависимости от наших желаний, эти инструменты с нами останутся и нам надо учиться эффективно их использовать. При неопытном и халатном использовании, можно добавить очень много серьезных багов в проект, включая, проблемы с безопасностью, производительностью или платежами.

Чтобы оставаться востребованными на изменяющемся рынке, я считаю важным прокачивать навыки код-ревью, архитектуры, управления продуктом, коммуникации со стейкхолдерами, а также проактивно изучать новые технологии и инструменты.

Я однозначно продолжу углубляться в эту тему, потому что я люблю технологии на основе машинного обучения и вижу огромный потенциал AI coding инструментов.

Еще больше полезных постов про разработку, AI coding и стартапы у меня в TG‑канале: присоединяйтесь ^[1].