Hukommelsesproblemet: Hvorfor Vibe Coding har brug for et fast fundament

Byg hurtigt, forstå langsomt

Lad os være ærlige — vibe coding føles som ren magi. Du beskriver det, du vil have, og koden materialiserer sig. Pipelines spinnes op. Features popper frem. Det er genuint spændende, og det er der god grund til: vi har aldrig før haft denne type hastighed.

Men her er det, ingen nævner på konferencedemoerne: seks måneder senere, når den pipeline bryder sammen, når kravene ændrer sig, når en ny ingeniør kommer til holdet — hvor bor forståelsen så?

Spoiler: som regel ingen掘 steder有用的.

Den skrøbelige natur af kontekst

Når du vibe coder, hælder du enorme mængder kontekst ned i prompts. Forretningsregler. Antagelser. Edge cases. Nedstrøms-afhængigheder. Ræsonnementet bag hvorfor du valgte tilgang A frem for B. Det hele ryger ind i samtalen, krystalliseres til genereret kode — og forsvinder så... som morgendis.

Koden bliver. Ræsonnementet fordamper.

Dette er ikke bare et dokumentationsproblem. Det er et systemisk issue med, hvordan AI-assisteret udvikling aktuelt fungerer. Vi genererer systemer i et breakneck tempo, mens vi samtidig mister den institutionelle viden, der gør disse systemer vedligeholdelsesdygtige, debugbare og udviklingsbare.

For data platformspecifikt skaber dette et forstærkende problem. Moderne dataarkitekturer er ikke enkelte applikationer — de er økosystemer. Ingestion-lag, transformationslogik, orchestrations-frameworks, semantiske lag, serving APIs, ML pipelines. Hver komponent ved intet om de andre undtagen gennem skrøbelige implicitte kontrakter.

Hvorfor Data Engineering mærker smerten mere akut

Hvis du bygger en CRUD-app, er vibe coding's hukommelsesproblem ubelejligt. Hvis du driver en enterprise data platform, kan det blive eksistentielt.

Data engineering har altid handlet om koordinering. Forretningslogik skal være konsistent på tværs af transformationer. Schema-ændringer ruller nedstrøms på forudsigelige (og uforudsigelige) måder. Valideringsregler beskytter datakvalitet. Orchestration-afhængigheder afgør succes eller fiasko.

Når AI genererer denne logik fra prompts, bliver al den viden om koordinering hos mennesker. Den bor i hovederne på senioringeniører. Den gemmer sig i Slack-tråde fra 2023. Den ligger begravet i Notion-sider, ingen opdaterer længere.

Platformen selv har ingen hukommelse om, hvorfor den blev bygget sådan.

En anden vej frem

Hvad hvis specifikationerne selv blev en del af systemet?

Spec-driven development vender scriptet. I stedet for at prompts genererer kode, der så har brug for dokumentation, ræsonnement og institutionel hukommelse lagt ovenpå, bliver specifikationen kilde til sandhed — eksekverbar, versionskontrolleret og persistent.

Dine forretningsregler er ikke bare "hvad koden gør." De er eksplicitte, testbare kontrakter, der overlever enhver enkelt samtale. Din orchestrationslogik er ikke bare "hvad der kører hvornår." Det er en versioneret definition, som både mennesker og AI-agenter kan ræsonnere konsistent over.

Dette handler ikke om at erstatte AI-generering. Det handler om at give AI-genererede systemer noget, de har manglet: et stabilt fundament af persistent operationel viden.

Det realistiske syn

Lad os være klare: spec-driven development er ikke et silver bullet. Det tilføjer en forudgående investering. Det kræver, at teams tænker eksplicit over requirements før generation. Det kræver disciplin, der nogle gange konflikter med den hastighed, der gør vibe coding attraktiv.

Men her er pointen — hvis du bygger systemer, der skal holde, der skal udvikle sig, der skal vedligeholdes af teams, der vil skifte over tid, så betaler den forudgående investering sig tilbage.

Det bedste tidspunkt at bygge persistent systemhukommelse var for seks måneder siden. Det næstbedste tidspunkt er nu.

Bundlinjen

Vibe coding er en fantastisk produktivitetsmultiplikator for selve implementeringsakten. Men implementering er kun en del af softwarelivscyklussen. Vedligeholdelse, evolution, debugging og vidensoverførsel er der, hvor systemer faktisk lever det meste af deres liv.

Hvis vi skal stole på AI til at generere stadig mere komplekse systemer, bliver vi nødt til at være lige så eftertænksomme omkring, hvordan disse systemer bevarer deres egen forståelse over tid.

Fremtiden for AI-assisteret udvikling er ikke bare hurtigere generation. Det er generation, der bygger systemer i stand til at forklare sig selv.

Hvilken tilgang bruger du til at bevare kontekst i dine AI-assisterede udviklingsworkflows? Vi vil meget gerne høre, hvordan forskellige teams tackler denne udfordring.