Gyorsan építünk, lassan értjük

Kezdjük az őszinteséggel: a vibe coding valóban varázslatos érzés. Elmondod, mit szeretnél, és a kód megjelenik. A pipeline-ok beindulnak. A funkciók megszületnek. Egyszerűen lenyűgöző, és teljesen érthetően — soha nem volt még ilyen tempónk.

De van valami, amit a konferencia demókon senki sem említ: mi történik hat hónap múlva, amikor meghibásodik a pipeline, változnak az elvárások, vagy új fejlesző csatlakozik a csapathoz? Hol van akkor az a bizonyos megértés?

A válasz általában az, hogy sehol különösebben.

A kontextus törékenysége

Amikor vibe codinggal dolgozol, rengeteg kontextust pakolsz a promptokba. Üzleti szabályokat. Feltételezéseket. Edge case-eket. Lefelé irányuló függőségeket. Az indoklást, hogy miért az A megközelítést választottad a B helyett. Mindez belekerül a beszélgetésbe, kristályosodik a generált kódba, majd... elpárolog, mint a reggeli köd.

A kód megmarad. A gondolatmenet eltűnik.

Ez nem egyszerűen dokumentációs probléma. Ez egy rendszerszintű kérdés, ami az AI-támogatott fejlesztés jelenlegi működésében gyökerezik. Rekordsebességgel generálunk rendszereket, miközben párhuzamosan elveszítjük azt a tudásanyagot, ami ezeket a rendszereket karbantarthatóvá, hibakereshetővé és fejleszthetővé tenné.

Adatplatformok esetében ez különösen aggasztó. A modern adatarchitektúrák nem egyszerű alkalmazások — ökoszisztémák. Adatinjektálási rétegek, transzformációs logika, orchestration framework-ök, szemantikus rétegek, kiszolgáló API-k, ML pipeline-ok. Minden komponens csak törékeny implicit contract-okon keresztül "tud" a többiekről.

Miért fáj ez jobban az adatingerészeknek

Ha egy CRUD appot építesz, a vibe coding memóriaproblémája kellemetlen. Ha viszont egy vállalati adatplatformot üzemeltetsz, az egzisztenciális fenyegetéssé válhat.

Az adatingerészek mindig is a koordinációról szóltak. Az üzleti logikának konzisztensnek kell lennie a transzformációk között. A schema változások kiszámítható (és kiszámíthatatlan) módon hullámzanak lefelé. A validációs szabályok védik az adatminőséget. Az orchestration függőségek határozzák meg a sikert vagy a kudarcot.

Amikor az AI promptokból generálja ezt a logikát, az egész koordinációs tudás emberi marad. Senior fejlesztők fejében él. 2023-as Slack thread-ekben rejtőzik. Olyan Notion oldalakon van eltemetve, amit már senki nem frissít.

A platform maga nem emlékszik semmire.

Egy másik irány

Mi lenne, ha a specifikációk maguk is a rendszer részévé válnának?

A spec-driven fejlesztés megfordítja a képletet. Ahelyett, hogy promptok generálnak kódot, amire aztán dokumentációt, indoklást és intézményi memóriát kell építeni, a specifikáció válik a forrásból való vérité — végrehajthatóvá, verziókezelté és tartóssá.

Az üzleti szabályaid nem csak "amit a kód csinál". Ezek explicit, tesztelhető contract-ok, amelyek túlélik bármelyik beszélgetést. Az orchestration logikád nem csak "ami fut, amikor". Ez egy verziózott definíció, amit emberek és AI agent-ek egyaránt következetesen értelmezhetnek.

Ez nem az AI generálás helyettesítéséről szól. Hanem arról, hogy adjunk az AI által generált rendszereknek valamit, amire eddig várniuk kellett: egy stabil alapot, ami hosszú távon is működik.

Reális nézőpont

Legyünk tisztában: a spec-driven fejlesztés nem varázsszer. Plusz befektetést igényel előre. Megköveteli a csapatoktól, hogy explicit módon gondolkodjanak a követelményeken, mielőtt generálnának. Fegyelmet demand, ami néha ütközik azzal a sebességgel, ami a vibe codingot vonzóvá teszi.

De van itt valami — ha rendszereket építesz, amik hosszan fennmaradnak, fejlődnek, és olyan csapatok tartanak majd karban, akik idővel változni fognak, akkor ez az upfront befektetés kamatozik.

A legjobb időpont a tartós rendszermemória kiépítésére hat hónapja lett volna. A második legjobb időpont most van.

A lényeg

A vibe coding egy fenomenális termelékenységi szorzó az implementációra. De az implementáció csak a szoftver életciklusának egy része. A karbantartás, a fejlődés, a hibakeresés és az ismeretátadás — ezek azok a fázisok, ahol a rendszerek a legtöbb időt töltik.

Ha az AI-ra támaszkodunk, hogy egyre összetettebb rendszereket generáljon, ugyanolyan gondolkodóknak kell lennünk abban, hogy ezek a rendszerek hogyan őrzik meg a saját megértésüket az idő előrehaladtával.

Az AI-támogatott fejlesztés jövője nem csak a gyorsabb generálás. Hanem olyan generálás, ami rendszereket épít, amik képesek önmagukat megmagyarázni.

Ti milyen megközelítést alkalmaztok a kontextus megőrzésére az AI-támogatott fejlesztési munkafolyamataitokban? Szívesen hallanánk, hogyan küzdenek meg különböző csapatok ezzel a kihívással.