Полгода назад команда российской платформы коммуникативных ИИ-агентов targetai начала системно применять вайб-кодинг — и зафиксировала рост продуктивности в 3–4 раза на экспериментах с прототипами. Когда подход распространили на полноценную разработку нового продукта, результат оказался радикальнее: четыре недели вместо расчётных 6–12 месяцев.
Вайб-кодинг — термин, введённый в оборот исследователем Андреем Карпатым, — описывает практику, при которой разработчик делегирует LLM растущую долю написания кода. На одном полюсе — использование модели как умного автодополнения. На другом — сценарий, где инженер вообще не пишет код вручную, а только описывает желаемое поведение системы. Команда targetai работает в промежутке: архитектурные решения, стек и требования к надёжности остаются за человеком, реализацию берёт на себя агент.
Центральный элемент подхода — система агентских скиллов. Скилл — это набор инструкций и контекста, который задаёт агенту конкретную профессиональную роль. В проекте targetai были выделены роли продуктолога, архитектора, дизайнера, бэкендера на Python, бэкендера на Go и фронтендера. Каждая роль работает с определёнными артефактами: продуктолог создаёт PRD (Product Requirements Document), архитектор берёт PRD и пишет техническую спецификацию, контракты API, модель данных и схему миграций. Такая цепочка вынуждает разработчика максимально подробно формулировать требования — и одновременно оставляет явные следы каждой итерации, что упрощает аудит и отладку.
Ключевой механизм — агентские скиллы: каждый агент получает роль (архитектор, продуктолог, бэкендер) и работает с конкретными артефактами вроде PRD.
Критики вайб-кодинга апеллируют к понятию «нейрослоп» — коду, который выглядит работающим, но содержит скрытые баги, плохо масштабируется и непригоден для продакшна. Эта критика небезосновательна: LLM без явных архитектурных ограничений действительно склонна генерировать решения, оптимизированные под локальный запуск, а не под реальную нагрузку. Разработчик, не понимающий сгенерированного кода, окажется беспомощным при инциденте в продакшне. Однако в описанной схеме эти риски снимаются именно на этапе постановки задачи: стек, требования к надёжности и архитектурные принципы задаются до того, как агент начинает писать код.
По инструментам: основная среда — Cursor и Claude Code. OpenAI Codex используется как резервный вариант. На задачах разработки команда устойчиво отдаёт предпочтение claude-opus-4.6 перед GPT-5.x, несмотря на отдельные benchmark-преимущества последнего. Отдельно выделяется Qwen Coder 235B — китайская open-source модель с 235 миллиардами параметров, которая по ряду показателей уже сопоставима с Claude Sonnet и продолжает улучшаться. Для компаний, которым требуется on-premise инсталляция — как в случае targetai — это особенно актуально: проприетарные облачные модели не всегда вписываются в требования информационной безопасности корпоративных заказчиков.
Экосистема агентских скиллов уже сформировалась как отдельное направление: публичные репозитории superpowers, agency-agents и claude-code-sub-agents предлагают готовые наборы ролей, которые можно адаптировать под конкретный стек. Подключение скиллов поддерживается из коробки в Cursor и Claude Code. Параллельно команда targetai тестирует агентские роли для бизнес-процессов за пределами разработки — управления требованиями, аналитики, документирования — хотя этот опыт авторы обещают описать отдельно.
