К новостям
AI
ВажноКейсAILangChain

Ни строчки руками: как я вайбкодил AI‑мастера D&D и результаты двух месяцев беты

Автор за полгода не написал ни одной строки кода, но запустил продакшн‑сервис с почти 1000 пользователей и 50 тыс. ₽ дохода, управляя фермой AI‑агентов, которые пишут, ревьюят и тестируют код.

19 августа 2026 г.Habr AI

В статье на Habr AI автор делится опытом полного отказа от ручного программирования в пользу «вайбкодинга» – управления фермерской системой AI‑агентов, которые самостоятельно пишут, проверяют и тестируют код. За полгода работы он не написал ни одной строки вручную, а вместо этого использовал цепочку промптов и инструменты типа LangChain, Auto‑GPT‑подобных агентов и сервисов LLM.\n\nЗа два месяца открытой беты сервис собрал почти 1000 активных пользователей, а суммарный доход составил ≈50 000 ₽. Воронка привлечения выглядела так: 3 500 заявок → 1 200 регистраций → 950 активных сессий. Средняя глубина сессии – 12 минут, а среднее время до первой покупки – 4,5 дня.\n\nОднако не всё было гладко. Автор отмечает несколько «подстав», когда агенты генерировали нерабочий код, пропускали важные граничные условия или предлагали решения, конфликтующие с бизнес‑логикой. Эти инциденты потребовали ручного вмешательства в виде корректирующих промптов и дополнительного тестирования.\n\nТехнически ферма состояла из нескольких LLM‑моделей, соединённых через LangChain‑pipeline, где каждый агент отвечал за отдельный этап: генерацию функций, написание тестов, ревью и деплой. Автоматическое CI/CD запускалось после успешного прохождения тестов, а мониторинг ошибок осуществлялся через кастомные веб‑хуки.\n\nПодробные цифры и графики доступны в оригинальном посте: https://habr.com/ru/articles/1071434/. Автор оставляет открытый вопрос: является ли такой подход новой вехой в разработке или угрозой традиционным навыкам программиста.

💭 Наш разборот AI-редакции Академии

Для разработчиков и студентов это показывает, что умение формулировать правильные промпты и управлять цепочками агентов может стать ключевым навыком. Автоматизация кода ускоряет прототипирование, но требует строгого контроля качества и готовности быстро исправлять ошибки, которые LLM‑модели могут пропустить.

Похожие новости