Многие до сих пор очень скептично относятся к использованию нейросетей в работе, хотя при правильном подходе они помогают достичь крутых результатов. Это грустно, но понятно — на это есть причины.
В этой статье разберём, почему у одних вайб-кодинг превращается в сплошное разочарование, а другие создают продукты за недели вместо месяцев.
Почему многие до сих пор думают, что ИИ не умеет в разработку?
На мой взгляд, есть две основные проблемы, которые отчасти взаимосвязаны:
Многие попробовали нейросети, когда они объективно были очень плохи в кодинге
Чтобы научиться управлять нейросетью, нужно немного практики
Представьте: в начале 2023 года ChatGPT едва мог написать функцию сложения без багов. Люди попробовали, получили ужас, сделали вывод «вайб-кодинг — отстой» и забили. А модели тем временем прокачались в разы.
Сейчас мы имеем ситуацию, когда Cursor может очень сильно упростить работу разработчика, но репутация уже подмочена. И даже если скептик решит вновь воспользоваться нейронкой для кодинга, то легко получит подтверждение своей правоты, ведь без правильного подхода с большой вероятностью получит плохой результат.
Анатомия плохого вайб-кодинга
Плохой вайб-кодинг — это когда вы пишете нейросети что-то вроде «сделай мне интернет-магазин» и ожидаете готовое решение. В результате получаете кашу из едва работающего кода, которую проще переписать, чем исправить.
Основные признаки плохого подхода:
Слишком общие задачи без деталей
Отсутствие контекста проекта
Попытки сделать всё за один промпт
Игнорирование архитектуры проекта
Секрет успеха в вайб-кодинге состоит из трёх компонентов: качество нейросети + хорошо переданный контекст + чётко поставленная задача. Качество нейросетей кратно растёт из года в год, что позволяет отдавать им всё более сложные задачи. Со стороны разработчика нужно только скачать условный Cursor и попытаться разобраться как он может ему помочь в работе.
Простые вещи, которые помогут с любым проектом
Даже если вы пока не нашли применение разработке через агентов, есть несколько возможностей Cursor, которые гарантированно помогут в работе:
1. Autocomplete
Его хвалят примерно 100% разработчиков, которые его попробовали. Он с высокой точностью предугадывает следующие действия разработчика и предлагает применить следующие шаги, просто нажав на Tab.
Серьёзно, это кажется мелочью, но когда вы привыкнете, работать в обычном редакторе станет мучением.
2. Разбор чужого кода
Cursor довольно хорошо может помочь разобраться в новом проекте. Он значительно ускорит погружение в новый код, если загрузить его вопросами типа «Опиши схему работы мьютексов в этом проекте» или «Как тут происходит скачивание, обработка и сохранение медиафайлов?».
Ошибок в ответах на подобные вопросы я пока не замечал — модель отлично анализирует существующий код.
3. Написание документации
Думаю, мало кто любит писать документацию, а ведь это можно просто отдать нейросети, задав ей нужный формат. Загружаете код, просите написать README или API-документацию — и получаете готовый результат, который нужно только слегка подправить.
Секреты хорошего вайб-кодинга
Ну а если всё же решитесь попробовать делегировать нейросети что-то более серьёзное, то вот ниже делюсь своим опытом.
Хороший вайб-кодинг — это когда вы умеете грамотно работать с контекстом проекта, знаете, насколько нужно детализировать задачу в зависимости от её сложности и знаете какую задачу нейросеть потянет, а какую нужно разбить на более мелкие.
Золотое правило баланса
В вайб-кодинге вы всегда балансируете между трудозатратами на детализацию промпта и качеством работы модели. Чем проще задача и круче модель, тем меньше можно париться по поводу детализации промпта и передачи контекста, чтобы с большой вероятностью получить приемлемый результат. Чем сложнее задача, тем, соответственно, больше усилий вам нужно прилагать и тем больше технических навыков потребуется.
Простая задача: «Сделай функцию для валидации email» — и получите рабочий код
Сложная задача : нужна детализация и разбивка на этапы, чтобы получить хороший результат
Понимание этого баланса — половина успеха в вайб-кодинге.
Передача контекста
Cursor на своей стороне многое делает для улучшения передачи контекста в LLM — эффективно индексирует кодовую базу и использует эмбеддинги для поиска релевантной части кода. Но мы со своей ��тороны также можем на это влиять.
Жизненно необходимо прописывать правила для нейросети. Например, .cursorrules при работе через Cursor. Примеры можно найти тут. Важно также вести подробную документацию, включающую описание проекта и его структуры. Чем больше передаём полезной информации, тем лучше.
Это сделает результат менее случайным и более близким к необходимому. Например, при использовании в Django проекте CBV, нужно это написать, иначе модель спокойно может сгенерировать код с использованием FBV.
Правильная детализация задач
Детализация крайне важна, но не всегда хочется тратить много времени на самостоятельное составление промпта. Обычно я использую два подхода в зависимости от сложности задачи:
Подход 1: Итеративный (для задач попроще)
Пишете поверхностный промпт
Смотрите результат и что с ним не так
Откатываете и пишете более детальный промпт с учётом полученного результата
Подход 2: Через вопросы (для задач посложнее)
Описываете идею и просите у модели накидать вопросов
Просите сделать промпт с учётом полученной информации
Берёте промпт и вставляете его в новом окне
Работа с комплексными задачами
Если задача объёмная, то лучше зафиксировать её описание в каком-нибудьPLAN.md и разбить по шагам. Этот файл также можно составить совместно с моделью. Потом поэтапно кормить её кусками этой задачи.
Комплексный workflow от идеи до прототипа
Вот реальный пример того, как некоторые используют разные AI-инструменты в связке при создании прототипа:
Фундамент в ChatGPT — от идеи до базового описания продукта. Собираю 3-4 документа: идея/overview + детальное описание флоу + PRD + дизайн-систему.
Исследование в Perplexity — если есть функции, которые у кого-то реализованы хорошо, иду в Perplexity Labs и прошу детально описать реализацию функции.
Дизайн в специализированных инструментах — прошу ChatGPT сделать промпт для Lovable и v0. Сую промпты в эти инструменты, смотрю на первичный результат, выбираю тот, который понравился больше.
Финальная доработка в Cursor — забираю лучший вариант и допиливаю до нужного состояния.
Такой подход позволяет использовать сильные стороны каждого инструмента: ChatGPT для планирования, Perplexity для исследований, v0/Lovable для дизайна, Cursor для разработки.
Что делать дальше?
Если вы до сих пор скептично относитесь к ИИ в разработке — попробуйте ещё раз, но уже с правильным подходом. Начните с простых задач, постепенно усложняйте.
И даже если вы пока не поняли, как использовать ИИ-агентов на полную — как минимум autocomplete в Cursor точно стоит того, чтобы его установить. Уже это приятно сократит вашу рутину при написании кода.
Как я делаю продукты с почти нулевым бюджетом с помощью нейросетей я показываю у себя в телеге.
Мои продукты (не реклама, просто хвастаюсь):
Buyer — метмамаркетплейс брендовых кроссовок и одежды с миллионом товаров и выручкой в десятки миллионов рублей
EasyFit AI — Telegram бот для контроля питания, который считает КБЖУ по фото, который активно ищет Product Market Fit
