Проблема забывчивости: почему vibe coding не может обойтись без постоянного дома

Быстрая генерация, медленное понимание

Будем откровенны — vibe coding ощущается как магия. Описываешь задачу, и код появляется сам. Конвейеры запускаются. Фичи выкатываются одна за другой. Это по-настоящему захватывает. И не зря: такой скорости у нас ещё не было.

Но вот что никто не показывает на демонстрациях в конференц-залах: что происходит через полгода, когда конвейер ломается, требования меняются, в команду приходит новый инженер? Где тогда живёт понимание системы?

Ответ, как правило, удручающий — нигде.

Хрупкость контекста

Когда работаешь через vibe coding, в промпты вкладывается огромный массив контекста. Бизнес-правила. Допущения. Граничные случаи. Зависимости от других компонентов. Логика решений — почему выбран подход А, а не Б. Всё это попадает в разговор, кристаллизуется в сгенерированном коде, а потом... испаряется, как утренний туман.

Код остаётся. Обоснование исчезает.

Это не просто проблема документации. Это системный изъян текущего подхода к AI-assisted разработке. Мы генерируем системы с головокружительной скоростью и одновременно теряем институциональные знания, которые делают эти системы поддерживаемыми, отлаживаемыми и развиваемыми.

Для data-платформ это создаёт кумулятивную проблему. Современные архитектуры данных — это не одиночные приложения. Это целые экосистемы: слои ингестии, логика трансформаций, фреймворки оркестрации, семантические слои, API для подачи данных, ML-пайплайны. Каждый компонент ничего не знает о других — только через хрупкие неявные контракты.

Почему data engineering чувствует эту боль острее

Если ты строишь CRUD-приложение, проблема памяти при vibe coding — это неудобство. Если ты управляешь enterprise data-платформой, это может стать экзистенциальной угрозой.

Data engineering всегда был про координацию. Бизнес-логика должна быть консистентной между трансформациями. Изменения схемы распространяются вниз по потоку — предсказуемо и нет. Правила валидации защищают качество данных. Зависимости в оркестрации определяют успех или провал.

Когда AI генерирует эту логику из промптов, все знания о координации остаются человеческими. Они живут в головах старших инженеров. Прячутся в Slack-тредах 2023 года. 埋在没人更新的 Notion-страницах.

У самой платформы нет памяти о том, почему она построена именно так.

Другой путь

А что, если спецификации сами станут частью системы?

Spec-driven development переворачивает привычную схему. Вместо того чтобы промпты генерировали код, поверх которого потом натягивают документацию, обоснования и корпоративную память — спецификация становится единым источником истины. Исполняемым, версионируемым, персистентным.

Твои бизнес-правила — это не просто «что делает код». Это явные, тестируемые контракты, которые переживут любую отдельную сессию. Твоя логика оркестрации — это не просто «что запускается когда». Это версионируемое определение, с которым могут работать и люди, и AI-агенты, получая консистентное понимание.

Речь не о замене AI-генерации. Речь о том, чтобы дать сгенерированным системам то, чего им не хватает: стабильный фундамент из персистентных операционных знаний.

Реалистичный взгляд

Будем честны: spec-driven development — это не серебряная пуля. Он требует начальных вложений. Заставляет команды явно продумывать требования до генерации. Дисциплина, которая порой конфликтует со скоростью, делающей vibe coding привлекательным.

Но вот в чём дело — если ты строишь системы, которые должны жить долго, развиваться, поддерживаться сменяющимися командами, эта начальная инвестиция окупается сторицей.

Лучшее время построить персистентную память системы было полгода назад. Второе лучшее время — сейчас.

Итог

Vibe coding — невероятный множитель продуктивности для этапа реализации. Но реализация — лишь часть жизненного цикла софта. Поддержка, развитие, отладка, передача знаний — вот где системы проводят основную часть своей жизни.

Если мы собираемся полагаться на AI в генерации всё более сложных систем, мы должны с равной тщательностью думать о том, как эти системы сохраняют собственное понимание со временем.

Будущее AI-assisted разработки — это не только более быстрая генерация. Это генерация, которая создаёт системы, способные объяснять себя.

Какой подход используете вы для сохранения контекста в AI-assisted рабочих процессах? Будет здорово узнать, как разные команды решают эту задачу.