Эта статья для тех, кто только решается попробовать свои силы в вайб-кодинге, не имея при этом специальных знаний и понимания хотя бы основ программирования. Для тех, кто, наслушавшись разных гуру (как, впрочем, и я), решил с ходу ворваться в IT, используя только различные LLM. Моя цель — показать, что вас ждёт, предостеречь от завышенных ожиданий, но при этом не отбить желание испытать свои силы.
Коротко обо мне: мне 35 лет, гуманитарий с 12-летним опытом юридической практики. На волне хайпа вокруг нейросетей полгода назад я решил попробовать себя в написании кода для программ, приложений на Android и макросов — всего того, что может помочь мне в работе (а в дальнейшем, если всё пойдёт как по маслу, возможно, и вовсе сменить род деятельности).
Мой старт: от нуля к первым строкам кода
Начитавшись статей о волшебном вайб-кодинге и промыв голову хвалебными рилсами вайба из запрещённой соцсети, уверенный в собственных силах и мощи LLM, последние 6 месяцев я окунулся с головой в написание кода на Python, создание макросов и работу со Stable Diffusion.
Мой опыт на момент февраля 2025 года равнялся нулю. Максимум моих умений — переустановить Windows, и то даже этот навык с каждым годом становился всё хуже. С ПК я давно на «вы», что такое Python, Джун, Бэкенд, Фронтенд и другие словечки из IT-сленга я не знал, и мне это было не нужно. В общем, типичный гуманитарий, чьи навыки заканчиваются на «красиво говорить».
И как мне тогда казалось, работа с нейросетями предельно проста: ты даёшь LLM детально прописанную задачу со всеми вводными и алгоритмом выполнения, а она выдаёт тебе готовый, полностью рабочий код. Так, в одном из рилсов я увидел, как некий «Айзек» (кажется, так звали того блогера) с помощью Cursor AI за 1 промт написал мобильное приложение для дыхательной гимнастики. Ещё у него был челлендж «Миллион на AI за месяц», где на протяжении 30 дней он показывал свой путь к заветному миллиону, выполняя с помощью LLM разные задачи. Позже он создал отдельный курс, чтобы заработать на тех, кто поверил в этот трюк с челленджем.
Но розовые очки быстро спали, когда я понял, что для того, чтобы объяснить машине задачу так, чтобы она правильно вас поняла, нужно изъясняться на уровне не ниже Льва Толстого. А чтобы она ещё и выполнила её правильно, надо самому хотя бы немного разбираться в синтаксисе. И даже если вы всё это понимаете и умеете чётко доносить свои мысли, LLM всё равно может интерпретировать ваши запросы не так, как вам это представляется. Поэтому, когда я слышу, что сейчас гуманитарии якобы покажут программистам силу «слова», хочу предостеречь: написание кода — это не то же самое, что перевод с русского на английский, с чем LLM, без сомнения, справляются на отлично.
Да, вам может показаться, что нейросеть вас прекрасно понимает, и вот-вот вы раскроете весь свой потенциал: подвиньтесь, программисты, гуманитарии наступают! Наступают, то да, но, скорее, не туда, куда хотелось бы…
Ниже я привёл примеры моих результатов за полгода работы с нейросетями: что мне удалось сделать, какие достижения получились и какие лайфхаки я вынес за это время.
Мои задачи и результаты
1. Создание алгоритма для анализа Excel-таблиц
Задача: Написать код на Python, который анализирует Excel-таблицы и сводит информацию из разных файлов в одну по наименованиям реализуемых товаров. Звучит просто, но на деле всё оказалось сложнее: часть файлов была в архивах, наименования товаров написаны с ошибками (многие зашифрованы), столбцы перепутаны, включая их названия, а общий объём файлов превышал 200 ГБ.
Результат: Больше месяца работы. Получилось частично: сводную таблицу сделал, но расшифровать все наименования товаров не смог. LLM помогала с кодом, но часто путалась в сложных случаях, особенно с зашифрованными данными (частично помог созданный словарь, который менял часть шифра, но он оказался слишком запутанным и унифицировать все замены не удалось).
2. Макрос для Excel с гибким алгоритмом
Задача: Написать макрос для Excel, который переносит данные из отдельных файлов, группирует их в три разные таблицы, рассчитывает средние показатели продолжительности сроков проведения проверочных мероприятий и присваивает баллы на основе алгоритма, который пользователь может менять, внося свои данные в ячейки (алгоритм прописан в отдельном листе).
Результат: 4-5 недель работы. Макрос заработал, но пока не получается вывести справочную информацию в документ Word. Вроде бы и не сложно, но нужно прописать много информации в промт.
3. Простое приложение в Android Studio
Задача: С помощью Python и Android Studio сделать простое приложение — калькулятор. Код написал, на эмуляторе заработало, но собрать APK не смог — не хватило времени, да и лень было разбираться.
Результат: Потратил около недели. Из нее только 4-5 дней ушло на установку Android Studio и что бы разобраться как запускать эмулятор. Код написал быстро, но откровенно калькулятор получился полное г.
4. Программа-помощник для юриста
Задача: Создать программу на интерфейсе Tkinter — профессиональный помощник юриста для написания исковых заявлений и работы с документами. Пока только начал, сделал частично структуру.
Результат: Ушло больше пяти недель, и работа ещё в процессе. Интерфейс оказался сложнее, чем я думал, а LLM уже не справляется с большим кодом, виснет при написании, пробовал разные LLM, с большим объемом строчек пока лучше всех справляется Grock и Qwen, хотя где-то читал, что Qwen далеко не самая умная LLM. Сейчас думаю, о том, как раздробить код на блоки, что бы основной код запускал структуру, и дальше подключал разные процессы и с других блоков кода.
Лайфхаки
За эти полгода я вывел несколько приёмов, которые сильно помогли в работе с нейросетями:
1. Когда Excel-формулы не работают
Если вы перепробовали кучу формул, а нейросеть каждый раз уверяет, что «сейчас всё заработает», но ничего не выходит, попросите её написать код на Python или макрос, который проанализирует указанные ячейки и выдаст всю информацию о них в документ Word. Это помогает понять, где ошибка, и написать правильную формулу.
Пример промпта: «У меня есть Excel‑файл, где в ячейках A1:A100 — числа, а в B1:B100 — текст. Формула в C1 не работает, хотя я пробовал разные варианты. Напиши Python‑скрипт, который откроет файл 'C:/Data/test.xlsx', проанализирует ячейки A1:B100, выведет их содержимое и тип данных в документ Word, чтобы ты понял, что там не так.»
2. Анализ структуры Excel-файла
Чтобы объяснить нейросети, как устроен ваш Excel-файл, сначала попросите её написать скрипт на Python, который проанализирует файл и выдаст описание (например, какие столбцы заполнены, их названия, типы данных) в документ Word. Это экономит время и помогает LLM лучше понять задачу. Так можно сначала самому сделать, то, как вы хотите, чтобы выглядел готовый выходной файл, а потом, что бы не объяснять это нейронке, просто скопировать всю информацию с параметрами из документа Word.
Пример промпт: «Напиши Python‑скрипт, который открывает Excel‑файл 'C:/Data/data.xlsx', анализирует все листы, их столбцы и ячейки, и создаёт документ Word с описанием: названия листов, заголовки столбцов, примеры данных из первых 5 строк и типы данных в каждом столбце, высоту, ширину ячеек, тип данных, расположение и др. информацию.»
Итог
Вайб-кодинг — это не магия, но и не провал, но:
Без основ программирования и с завышенными ожиданиями вам будет очень тяжело.
Задачи нужно дробить на маленькие блоки, с большими промптами LLM работает плохо.
Не спешите писать код, сначала убедитесь, что машина вас правильно поняла, обсуждайте с ней задачу, пока не будете уверены, что вы с LLM на одной волне.
Грамотно формулируйте промпты, спрашивайте у LLM, какие сведения ей нужны для корректного выполнения задания.
Несмотря на все трудности, мне нравится, что я могу сделать даже те «крохи», которые у меня получились. Но о вайб-кодинге, который можно использовать в работе программиста, говорить пока не приходится. Пусть этим занимаются профессионалы (хотя, кто знает, что нас ждем в будущем, все очень быстро меняется).
P.S. Текст оригинальный, к помощи LLM прибег только для правки орфографии, окончаний, и знаков препинания, с этим LLM справляется хорошо.