AI yordamchingizga screenshot yuborishdan ko'ra, tuzilgan ma'lumotlarda gaplashingiz kerak – bu har doim samaraliroq

Piksellar Muammosi

Sizga bir manzara chizaman. Soat 2 kechasi. Bir xil CSS layout muammosi ustida bir soatdan beri ishlayapsiz. Ekran tasvirini olib, terminalga joylashtirasiz va yozasiz: "bu noto'g'ri joylashtirilgan tugmani tuzat."

Sizning AI yordamchingiz piksellarga qarab, iloji boricha yaxshi tahmin qiladi va—umid qilamanki—sizga foydali nima bodir beradi. Lekin shu qora qutida aslida nima bo'ldi: model ekraningizni ko'rish uchun tokenlar sarfladi, keyin tushunish uchun yana sarfladi, va 47 ta UI elementdan qaysi birini nazarda tutayotganingizni taxmin qilishga harakat qildi.

2 kechasi debugging qilayotganda bu juda ko'p taxmin.

Hech kim Gapirmaydigan Token Matematikasi

Mana bir gap: AI coding assistant sotuvchilari buni oldinda aytmaydilar — har bir screenshot real pul va sizning context window qismini yeydi. Claude'dagi odatiy retina screenshot vision processing uchun taxminan 1,500+ token. GPT-4o'da bu 1,100 atrofida. Gemini 2.5? 1,550 ga yaqin.

Endi uni iterative sessiya bilan ko'paytiring. Har necha promptda ekran holatini ko'rsatasiz — agar siz singari murakkab UI muammolarini debug qilsangiz, sessiyada 15-20 marta.

Birdden 22,000 dan 31,000 token vision uchun sarfladingiz, hali agent hech qanday foydali ish qilmagan. 200k context window'da bu qaytib kelmaydigan joy.

Opus 4.7 yoki 4.8 ishlatayotgan bo'lsangiz? Shu sessiyada 96,000 vision token kutib turing.

Muqobil yechim? UI elementlaringizni tavsiflovchi structured JSON: pozitsiyalar, ranglar, matn mazmuni, semantik rollar. Shu ekran holatini JSON'da? 700 token atrofida. 20 turni tashkil etuvchi sessiyada: 14,000 token.

Bu chekka yaxshilanish emas. Bu refactoringni yakunlash va context-compacted bo'lib qolish orasidagi farq.

Piksellar emas, Struktur — Asosiy Yutuq

Lekin token matematikasidan tashqari, muhimroq bir narsa bor.

Screenshot joylashtirganda, agent har bir turni qayta talqin qilishi kerak. Qaysi elementni tanlaganingizni oltita prompt keyin so'rasangiz, model yana piksellarga qaraydi, qayta talqin qiladi, qayta taxmin qiladi.

Structured JSON barcha dinamikani o'zgartiradi. "Piksellar nimani ifodalashi mumkin" o'rniga, agentga ishonchli faktlarni berasiz: "e4 elementi tugma, pozitsiyasi [0.34, 0.60, 0.32, 0.07], rangi #3B82F6, yorlig'i 'Sign up.'"

Agent qaysi inputni tanlaganingizni taxmin qilmaydi. Schema allaqachon biladi. Reasoning bir xil primitivlarga asoslanadi, keyingi turn ham shundan foydalanadi. Ko'rsatmayapsiz; aytayapsiz.

Vibe Coding uchun Nima Uchiun Muhim

Mana bu yerda AI-assisted development'dagi kengroq o'zgarish bilan bog'liq — kimdir buni "vibe coding" deb ataydi.

Vibe coding'ning butun maqsadi — siz xohlaganingizni tasvirlashingiz, tez takrorlashingiz va AI'ga implementation detallarini ishonib topshirishingiz kerak. Lekin vibe coding faqat AI aniq ma'lumot olganda ishlaydi.

Screenshot bu — lossy format. PNG'dagi annotatsiya — bu faqat to'rtburchakdagi qizil piksellar. Structured JSON'dagi annotatsiyada intent bor: qaysi element mo'ljallangan, nima uchun highlighted, agentdan nima qilishni so'rayapsiz.

Taxminlarni olib tashlasangiz — friction'ni olib tashlaysiz. Vibe coding aslida shu haqda.

Amaliy Xulosa

Men aytmayman — screenshot hech qachon joylashtirmang. Ba'zan tez ko'rsatish kerak. Lekin AI coding assistant bilan jiddiy iterative ish qilsangiz — refactoring, debugging, murakkab UI bilan feature yaratish — structured data yo'li to'g'ri.

Buni tushunadigan toollar kundan-kunga aqlli bo'layapti. Tushunmaydiganlar ortda qolish arafasida. Chunki oxir-oqibatda, screenshot joylashtirganda AI assistant aslida "ko'rmaydi". U talqin qiladi. Va talqin qilish — qimmat, lossy, nobarqaror.

Unga o'qiy oladigan narsa bering.

Siz qanday fikrsiz? Uzoq AI coding sessiyalarida context window bosimi sezganmisiz? Fikringizni yozing — biz buni real vaqtda qurayapmiz, va sizning tajribangiz muhim.