Очень сильный трюк для вайбкодеров 🧠

Перед тем как AI пишет код
заставь его сначала объяснить решение.

Большинство делает так:

Напиши API для загрузки файлов.

AI сразу начинает генерировать код.
И часто делает не то, что нужно.

Гораздо лучше написать:

Не пиши код.

Сначала объясни,
как ты понял задачу
и как ты собираешься её решить.

AI отвечает примерно так:

• endpoint /upload
• проверка типа файла
• загрузка в S3
• запись метаданных в базу
• возврат URL

Теперь ты можешь проверить:

AI правильно понял задачу или нет 🤝

И только после этого написать:

Теперь реализуй это.

Реальный кейс

Задача: система уведомлений 📪

Без этого шага AI написал простой сервис.

После запроса «объясни архитектуру» AI предложил:

• очередь сообщений
• worker для отправки
• retry
• dead letter queue

Код стал намного более продакшн-уровня.

Правило vibe-coding 🚀

Сначала думать
→
Потом писать код

#вайбкодинг

Если ты не разработчик, но делаешь проект через AI - всегда начинай с этих вопросов 📝

Главная проблема новичков:

они просят AI написать код,
но не задают технологические рамки.

AI начинает угадывать стек.

И проект быстро превращается в хаос.

Вот 7 вещей, которые нужно спросить перед началом разработки.

1️⃣ Backend

Спроси:

Какой backend лучше использовать для этого проекта?

Например AI может предложить:

• FastAPI
• Django
• Node.js
• Supabase

2️⃣ Frontend

Спроси:

Какой frontend стек лучше для этого продукта?

Чаще всего AI предложит:
• Next.js
• React
• Vue

3️⃣ База данных

Очень важный вопрос:

Какая база данных лучше для этого проекта?

AI обычно выбирает между:
• PostgreSQL
• MongoDB
• SQLite

4️⃣ Авторизация

Спроси:

Как лучше реализовать authentication?

Типичные варианты:
• JWT
• OAuth
• Supabase auth
• Clerk

5️⃣ Хостинг

Спроси:

Где проще всего задеплоить этот проект?

Обычно ответы:
• Vercel
• Railway
• Fly.io
• AWS

6️⃣ Хранение файлов

Если у тебя есть файлы:

Где хранить файлы?

AI предложит:
• S3
• Cloudflare R2
• Supabase storage

7️⃣ Архитектура

И самый важный вопрос:

Опиши архитектуру проекта перед тем как писать код.

AI должен ответить примерно так:

Frontend → Next.js
Backend → FastAPI
Database → PostgreSQL
Storage → S3
Auth → JWT

И только после этого начинай писать код.

Это превращает хаотичный vibe-coding
в управляемую разработку.

#postgres #вайбкодинг

Почему я иногда запускаю 5-10 AI-агентов одновременно

Один из самых сильных трюков в vibe-coding 🔥

Большинство людей работают с ИИ так:

Открывают один чат → пишут задачу → ждут ответ

Но это очень медленно 🐢

Вместо этого можно запускать несколько агентов параллельно, как будто у тебя целая команда разработчиков.

Например:

Agent 1 → пишет backend
Agent 2 → делает frontend
Agent 3 → пишет тесты
Agent 4 → делает refactor
Agent 5 → пишет документацию

И все это происходит одновременно.

Пока один агент думает над архитектурой, другой уже генерирует код.

В результате задача, которая занимала несколько часов, может решиться за 20–30 минут.

Это ощущается примерно так, как будто у тебя внезапно появилась маленькая команда разработчиков, которые работают вместе.

Самое интересное - многие до сих пор используют ИИ как «умный автокомплит».

Но настоящий буст начинается тогда, когда ты начинаешь думать:

не как использовать один ИИ,
а как оркестрировать сразу несколько.

Это один из ключевых принципов vibe-coding.

#вайбкодинг

🔥 Auto-Agents или AI запускается сам

Раньше workflow выглядел так:
- Ты пишешь промпт
- AI пишет код

Теперь можно так:
- Событие в проекте
- AI агент сам запускается

Например:
- появился новый файл
- появился GitHub issue
- пришло Slack-сообщение
- сломался тест

AI сам запускается и начинает работать.

Реальный пример

Допустим, в репозитории появляется новый файл:

payments_service.py

Срабатывает automation:
- Агент #1 🤖 проверяет валидность структуры проект
- Агент #2 🤖 пишет тесты
- Агент #3 🤖 запускает линтер

Разработчик может даже не писать промпт.

Другой пример

Ты создаёшь GitHub issue:

Add dark mode

Automation запускает:

- Planner agent пишет план
- Coding agent пишет код
- Testing agent пишет тесты

Это уже называют новой моделью разработки

Agentic engineering 👀

То есть разработчик:

👉 не пишет код
👉 не пишет промпты

а настраивает систему агентов.

Это следующий этап после vibe-coding

#вайбкодинг

Новый трюк скилловый для вайбкодеров 🚀

Не пиши огромные промпты.

Создавай skills для AI-агентов.

Например:

skill: create_api
skill: write_tests
skill: debug_error

Теперь вместо промпта:

Сделай API

агент делает:

create_api →
write_tests →
run_checks

AI начинает работать
не как чат-бот

а как разработчик с набором инструментов 🔥

#вайбкодинг

Что происходит с лимитами Google Antigravity 👀

Многие разработчики сейчас жалуются на лимиты Antigravity.

Вот как они реально работают.

1️⃣ Лимиты обновляются каждые 5 часов.

2️⃣ Но у плана AI Pro есть скрытый weekly cap.
Когда он заканчивается, модели могут блокироваться на 5-7 дней 🤨

3️⃣ В плане AI Ultra ($250/мес) этого ограничения нет.

4️⃣ Лимиты тратятся не за сообщения, а за работу агента.

Например:
- анализ репозитория
- запуск тестов
- работа браузерного агента

могут сжечь квоту намного быстрее.

5️⃣ Есть баг: иногда при исчерпании одной модели
блокируются все модели сразу.

#antigravity

Как скачать базу данных из из любого PaaS

Многие думают, что нужно искать кнопку Download database 👀

Но почти во всех современных хостингах ее нет.

Базу скачивают через dump.

Принцип одинаковый для Railway, Supabase, Render, Fly.io.

Railway

1️⃣ Открываешь сервис Postgres
2️⃣ Копируешь DATABASE_URL

Теперь скачиваешь базу:

pg_dump $DATABASE_URL > database.sql

Все…
У тебя полный SQL-дамп базы.

Supabase

1️⃣ В панели:

Project → Database → Connection string

2️⃣ Берешь Postgres URL и делаешь:

pg_dump "postgres://..." > database.sql

Render

1️⃣ В базе данных есть:

External Database URL

Используешь ту же команду:

pg_dump "postgres://..." > database.sql

Если база большая 🤨

Лучше использовать:

pg_dump -Fc $DATABASE_URL > database.dump

Это сжатый дамп, который быстрее скачивается 🧠

Как потом восстановить базу

pg_restore -d postgres://user:pass@host/db database.dump

#database #paas

Один из самых сильных трюков vibe-coding

Проси AI сначала написать тесты, а уже потом код.

Большинство делает так:

Напиши функцию.

Но гораздо мощнее написать:

Сначала напиши unit-тесты для этой функции.
Потом напиши код, который их проходит.

Что происходит:

• AI лучше понимает задачу
• код получается чище
• почти нет багов

Фактически ты заставляешь AI сначала подумать о поведении, а потом писать реализацию.

Это тот же принцип, что и TDD (test-driven development).

Но с AI он работает ещё лучше.

Иногда один этот трюк делает код в разы стабильнее 👌

Не существует лучшей AI-модели для кода.
Есть лучшая модель под конкретный тип задачи.

Вот рабочая схема:

Claude - когда нужно думать по репозиторию
Если задача звучит как:

разбери архитектуру, найди слабые места, аккуратно отрефактори несколько файлов, запусти команды, поправь баг

- это сильный кейс для Claude Code.
Anthropic прямо пишет, что Claude Code читает кодовую базу, редактирует файлы, запускает команды и работает через инструменты разработки.

GPT-5.4 - когда нужен универсальный coding-agent
Если тебе нужен не просто код, а полный цикл:

понять задачу → написать код → сходить в инструменты → поработать с браузером/компьютером → проверить результат

то OpenAI сейчас рекомендует gpt-5.4 как дефолт для большинства code generation задач.
Плюс у GPT-5.4 есть native computer use и до 1M токенов контекста, поэтому он особенно силен там, где код смешан с длинными workflow и агентными действиями.

Gemini 2.5 Pro - когда контекста очень много
Если задача звучит как:

вот тебе огромный репозиторий, куча файлов, разберись, где что ломается

- смотри в сторону Gemini 2.5 Pro.
Google пишет, что Gemini 2.5 Pro умеет работать с огромными наборами данных и целыми code repositories, а в Gemini Pro доступен контекст 1M токенов - это до 30K строк кода одновременно.

Очень коротко:

Claude → архитектура, рефакторинг, работа по repo

GPT-5.4 → универсальный coding loop и agent workflow

Gemini 2.5 Pro → огромный контекст, длинные файлы, большой кодовый массив

Пример нормального workflow:

Claude → «спланируй, как лучше переделать модуль»

GPT-5.4 → «реализуй, прогони workflow, проверь»

Gemini → «проанализируй весь большой контекст и найди, что я мог упустить»

Вывод:
Сильный разработчик в 2026 выбирает не любимую модель.
Он выбирает маршрут задачи.
И уже под маршрут подставляет нужную модель.

#вайбкодинг

Навайбкодил, протестируй! Теперь как круто вайбтестить! Погнали! 👉

Если ты делаешь сайт через AI -
есть один инструмент, который может сам протестировать весь интерфейс.

Это Playwright.

И самый мощный режим - codegen.

Ты просто запускаешь:

npx playwright codegen https://your-site.com

Откроется браузер.

Дальше ты:
- кликаешь кнопки
- заполняешь формы
- переходишь между страницами

И Playwright сам пишет тестовый код.

Например:

await page.goto("https://site.com")

await page.getByLabel("Email").fill("test@test.com")

await page.getByLabel("Password").fill("123456")

await page.getByRole("button", { name: "Sign up" }).click()

await expect(page.getByText("Dashboard")).toBeVisible()

Теперь этот тест можно запускать бесконечно 🥹

Он будет проверять:

- работает ли регистрация
- кликаются ли кнопки
- открываются ли страницы
- не сломался ли интерфейс

Почему Playwright сейчас топ 🔝

Он автоматически:
- ждет загрузку элементов
- ретраит проверки
- делает trace всех действий

Если тест падает - можно открыть trace viewer и увидеть:

- что нажалось
- что загрузилось
- где все сломалось.

Самый мощный workflow

AI → пишет Playwright тест
CI → запускает тесты
Trace → показывает баг

И у тебя появляется автоматический QA для сайта 🫡

#playwright #вайбтест

Главная ошибка при работе с AI-кодингом

Большинство людей пишут промпт так:

Сделай мне dashboard для аналитики.

И получают странный результат 🤨

Проблема в том, что для AI это слишком большая и расплывчатая задача.

Есть гораздо более мощный подход.

Он называется «Phases beat prompts»

Вместо одного промпта разбиваешь работу на фазы.

Например:

Фаза 1 - Research

Опиши, как должен выглядеть dashboard для аналитики.
Какие блоки и метрики там должны быть.

Фаза 2 - Plan

Составь архитектуру проекта:
frontend, backend, структура данных.

Фаза 3 - Implement

Теперь напиши код для этого dashboard.

И происходит магия.

AI начинает работать намного точнее.

Почему?

Потому что модель сначала 1) понимает задачу,
2) потом строит план,
3) и только потом пишет код.

Разница в качестве может быть в несколько раз 🚀

Этот трюк используют многие разработчики, которые работают с Cursor или Claude.

И это один из самых простых способов резко улучшить результаты vibe-coding.

Если коротко:

Не пиши один большой промпт.
Думай фазами.

#вайбкодинг