Почти год назад писал про свой небольшой опыт использования AI для написания кода. За этот год экосистема LLM сделала большой прогресс, появились полноценные и юзабельные LLM агенты, а я перестал быть AI-скептиком и покорился неизбежно наступающему будущему. Новогодние каникулы в этом году длинные, мозоли от весел на ладонях успели зажить, поэтому решил погрузиться в тему еще раз. В этот раз лень писать подробно и красиво, да и пишу по большей части для себя, чтобы вспомнить об этих наблюдениях еще через год, поэтому впечатления будут в формате тезисов.
Для контекста: кодил транспайлер TfLite моделей (да, я все еще живу в 2020) в C++ код, вызывающий XNNPACK, то есть и веса модели и граф задаются прямо в коде. Это позволяет сэкономить ROM, избавившись от жирного рантайма TfLite, но сохранив при этом прозводительность при инференсе на CPU (на прошлой работе делал аналогичный инсрумент для TfLite -> NNAPI, получилось неплохо). Может быть не слишком современно и вообще полезно, но зато это понятная и достаточно простая задача для бенчмарка. Чуть позже может быть выложу что получилось навайбкодить 😁.

1. Современные LLM агенты для кодинга дают большой прирост продуктивности, но есть нюансы.
Vibecoding is real, но качественный софт получается только если кодишь что-то, что и так смог бы сделать за какое-то адекватное время. Если знаний технологии и предметной области никаких нет, то в лучшем случае получится прототип на один раз. По ощущениям, агенты пока что думают и действуют довольно ограниченно - дизайн системы все равно должен определяться пользователем. Возможно, эти проблемы решаются более кропотливым и аккуратным промптингом, но это уже другой уровень трудозатрат.

2. За вайбкодинг в 2026 нужно дорого платить.
Использовал Claude Code CLI/Codex + spec-kit с Pro подписками, лимитов хватает на пару часов разработки. Дальше - подписки с ценой 100-200 баксов, что уже довольно существенно.

3. Локальные LLM для SWE агентов пока подходят плохо.
Если взять любую OSS LLM до 150B параметров и подключить ее к cline/Aider/OpenCode, то результат будет сомнительный, а ведь даже такие модели (тот же Qwen3-Coder-30B) далеко не все могут запустить дома или в контуре компании. Опять же, наверняка если запариться с промптами, то получится что-то выжать и из них, но не уверен, что не очень большой прирост КПД (если платные облачные дают условные x2-3, то тут дай бог x1.5 получится после недели настройки) + дорогое железо для локального деплоя этого стоит. Это накладывает очень серьезные ограничения на применимость LLM агентов в целом, потому что все-таки большая часть разработки, где важна скорость и стоимость - коммерческая, но не все компании могут позволить себе покупку enterprise облачных решений от Calude или OpenAI, по разным причинам, начиная от приватности и заканчивая санкциями.

4. Вайбкодинг порождает AI-slop (авторский перевод - ИИ-хрючево).
На момент написания поста в моем проекте поддержана транспиляция только FP32 моделей (а есть еще куча вариантов квантизации) с ограниченным набором операторов, нет тестового C++ проекта для проверки интеграции и нет тулинга для бенчмарков, но при этом написано уже 5k строк кода на Питоне, в которых я ваще хз что происходит, и есть некоторые признаки, что код мог бы быть как минимум раза в два короче. Кажется, что это системная проблема, над решением для которой умные люди уже наверняка думают, но вопрос качества и человечских трудозатрат на ревью этого хрючева пока остается открытым.

Резюме и прогнозов в этот раз не будет, но LLMки - круто, не знаю, как мы раньше без них жили 🙂