Что такое вайб-кодинг
Вайб-кодинг (vibe coding) — подход к разработке, где значительную часть кода,
архитектуры и даже продуктовых решений берёт на себя AI-ассистент, а разработчик
описывает намерение и направляет процесс, а не пишет каждую строчку вручную.
Термин закрепился в 2025 году и с тех пор из нишевого эксперимента превратился
в рабочий метод: соло-разработчики запускают SaaS за выходные, команды сокращают
циклы разработки в разы, а вокруг таких инструментов, как Cursor и Claude Code,
выросла целая экосистема практик, шаблонов и кейсов. Это не значит, что
программист больше не нужен — вайб-кодинг работает лучше всего именно у тех, кто
умеет ставить задачу, проверять результат и знает, где AI ошибается. Этот каталог —
попытка системно собирать такие кейсы: не пересказ новостей, а разбор конкретных
проектов, инструментов и решений с фокусом на то, что реально сработало. Термин
возник в среде инди-разработчиков и стартаперов, но довольно быстро перекочевал
и в команды покрупнее — просто там AI-агент чаще берёт на себя рутину (миграции,
тесты, документацию), а не пишет продукт с нуля.
Какие AI-инструменты используют для вайб-кодинга
Инструменты для AI-разработки делятся на несколько категорий, и в подборке
встречаются все. IDE со встроенным агентом — Cursor и Windsurf — предлагают
автодополнение и многошаговые правки прямо в привычном редакторе кода. Консольные
и автономные агенты — Claude Code, Devin — работают на уровне целой задачи: сами
исследуют проект, вносят изменения в несколько файлов, запускают тесты. Генераторы
интерфейса и full-stack приложений — v0, Bolt, Lovable, Replit Agent — собирают
рабочий прототип из текстового описания, иногда вообще без написания кода вручную.
Универсальные модели — ChatGPT, Claude, Gemini, GitHub Copilot — используются и
как чат-ассистент, и как встроенный помощник в IDE. Ниже — актуальный список
инструментов, по которым уже есть разобранные кейсы:
Примеры проектов, созданных с помощью AI
В подборке встречаются проекты самого разного масштаба — от небольших pet-проектов
выходного дня до продуктов с первыми платящими пользователями. Общее у них то, что
каждый кейс описывает не просто «какой инструмент использовали», а конкретный путь:
с какой проблемы начали, что AI сделал хорошо, а где потребовалась ручная доработка.
Такой формат полезнее голого списка инструментов: видно не только «что можно
сделать», но и типичные грабли — где агент уверенно ошибается, какие задачи стоит
всё же доверять человеку, и сколько итераций обычно требуется, чтобы прототип
превратился в рабочий продукт. Основные категории, которые здесь регулярно
встречаются:
- SaaS-проекты и стартапы
- Open-source решения
- AI-агенты и автоматизация
- MCP-серверы и интеграции
- Личные и pet-проекты
- Разборы кейсов и историй запуска
Почему разработчики переходят на AI-разработку
Главная причина — скорость: то, на что раньше уходили дни (настройка окружения,
бойлерплейт, рутинный рефакторинг), AI-агент делает за минуты, оставляя разработчику
время на архитектурные решения и продуктовые вопросы. Вторая причина — снижение
порога входа: с инструментами вроде Lovable или Bolt человек без опыта
программирования может собрать рабочий прототип и проверить идею на реальных
пользователях, не нанимая разработчика. Третья — конкуренция: когда часть рынка
уже выпускает продукты в разы быстрее благодаря AI-инструментам, остальным
приходится осваивать те же практики, чтобы не отстать. При этом реальные кейсы
(а не маркетинговые обещания) показывают: AI-разработка не отменяет инженерную
дисциплину — она меняет то, на что уходит время инженера. Код всё ещё нужно
понимать и проверять, архитектурные решения всё ещё принимает человек, а
ответственность за то, что уходит в продакшен, никуда не делась. Разница в том,
что рутинная часть — написание бойлерплейта, поиск синтаксиса, механический
рефакторинг — перестала быть узким местом. Именно такие, подтверждённые практикой
истории и собраны в этом каталоге.
