Bild vom Herausgeber

# Einführung

Das Codieren ist traditionell eine wichtige Säule der Arbeit der meisten Softwareentwickler und -entwickler, sei es bei der Implementierung von Algorithmen, dem Aufbau von Geschäftslogik oder der Wartung komplexer Systeme. Doch aufgrund der Fortschritte bei Anwendungen, die auf großen Sprachmodellen (LLM) basieren, wie Chatbots, ändert sich dies schnell. Vibe-Codierung Es geht darum, moderne Chatbot-Apps zu verwenden, um Softwareanforderungen und -absichten in natürlicher Sprache zu spezifizieren, und die Generierung und Änderung von Code an künstliche Intelligenz (KI) zu delegieren, manchmal ohne direktes Verständnis seiner inneren Logik.

Dieser Artikel übernimmt ein „Erwartungen vs. Realität„Ansatz zur Entmystifizierung der Möglichkeiten und Grenzen von Vibe Coding, basierend auf der Erforschung echter Erfolgs- und Misserfolgsgeschichten.

# Definieren der Vibe-Codierung

Der Begriff „Vibe-Codierung„ wurde Anfang 2025 geprägt und kann als ein Chatbot-gesteuerter Softwareentwicklungsansatz definiert werden, bei dem Entwickler einem LLM ein Projekt oder eine Aufgabe beschreiben. Als Ergebnis generiert das Modell Code, der den durch die Eingabeaufforderung des Benutzers angegebenen Spezifikationen entspricht.

Wenn wir uns im wahrsten Sinne des Wortes an die ursprüngliche Idee dahinter halten, würde Vibe-Coding im Idealfall dazu führen, dass der Entwickler den generierten Code möglicherweise nicht untersuchen muss, sondern stattdessen den von der KI generierten Code so akzeptiert, wie er ist. In der Praxis ist dieser Ansatz jedoch nicht frei von Risiken – von versteckten Fehlern und subtilen Sicherheitsproblemen bis hin zu Schwierigkeiten bei der Wartbarkeit –, so dass letztendlich bei den meisten generierten Codeergebnissen immer noch ein gewisses Maß an menschlicher Aufsicht und Verfeinerung erforderlich ist, um produktionsbereit zu werden.

Möchten Sie sich zunächst ein tieferes und fundierteres Verständnis der Vibe-Codierung aneignen? Hier sind einige wichtige KDnuggets-Artikel, die Sie sich vielleicht ansehen möchten:

# Überprüfung von Erfolgs- und Misserfolgsgeschichten

Nachdem wir nun ein klares Verständnis davon haben, was Vibe-Coding ist, ist es an der Zeit, uns Beispiele von Projekten oder Initiativen aus der realen Welt anzusehen, bei denen es zu erfolgreichen Ergebnissen geführt hat, aber auch Fälle von Misserfolgen.

Zu den Erfolgsgeschichten gehören:

• Das Flugsimulationsspiel im Minecraft-Stil wurde mithilfe von Vibe-Codierung entwickelt, und zwar durch die Zusammenstellung mehrerer tausend Eingabeaufforderungen, die zusammen von Anfang bis Ende vollständige Spieleanwendungen ergeben: kein Codierungsaufwand.
• Ein weiteres beliebtes Beispiel für eine Vibe-codierte Anwendung ist Schöpferjäger: in den Worten seines Schöpfers, konzipiert während einer Zugfahrt. Ziel der App ist es, Content material-Ersteller mit Startup-Gründern zu verbinden. Während zunächst hohe Erwartungen geweckt wurden, deuteten spätere Ergebnisse der Traktionsdynamik darauf hin, dass das Wachstum des resultierenden Produkts möglicherweise viel zu früh ein Plateau erreicht hatte; Daher können wir die Gründung von Creator Hunter durchaus als eigenständige Erfolgsgeschichte betrachten, ihr langfristiger Standing als solche ist jedoch differenziert.
• Bei einem dritten Beispiel haben wir ein New York Instances (NYT) Die erfolgreichen Versuche eines Journalisten, mit Vibe-Coding zu experimentieren, um mehrere kleine Apps zur Verbesserung der Personalisierung bei Aufgaben des täglichen Lebens zu erstellen. Ein Beispiel ist LunchBox Buddyein Assistent, der basierend auf den Zutaten in Ihrem Kühlschrank Mahlzeiten vorschlägt. Obwohl es Kritik gibt, weil die Idee hinter der App nicht originell oder bahnbrechend sei, handelt es sich aus experimenteller Sicht im Hinblick auf die Verwendung von Vibe-Coding um eine Artwork Errungenschaft. Sicher, es gibt vielleicht noch viel zu verbessern, aber wir möchten darauf hinweisen, dass Vibe Coding ein sehr neues Paradigma ist, das möglicherweise noch viel ausgereift sein muss.

In der Zwischenzeit sind einige Misserfolgsgeschichten hervorzuheben:

• Das Wiederholung Die Geschichte klingt nach einer Grenzüberschreitung zwischen Realität und Science-Fiction. Ein Unternehmen nutzte das beliebte Vibe-Coding-Instrument, um einen KI-Agenten zu entwickeln, der das professionelle Netzwerk seines SaaS-Produkts verwaltete. Was als reine, süchtig machende Freude an der Nutzung des Vibe-Coding-Instruments begann, endete in einem katastrophalen Vorfall, bei dem wertvolle Datenbankeinträge mit Daten von Führungskräften und Unternehmen zerstört wurden. Der schockierendste Teil: Der KI-Agent gab zu, es getan zu haben, und argumentierte, dass er leere Datenbankabfragen gesehen habe, und zwar geriet in Panik anstatt systematisch darüber nachzudenken, wie man eine Vorgehensweise aufbauen kann. Der Relaxation ist Geschichte: Monatelange Datenerfassung, -verarbeitung und -speicherung wurden in nur wenigen Sekunden zunichte gemacht.
• Das Startup Enrichlead erwies sich als ein weiterer bekannter Fall des Scheiterns, als es versuchte, Vibe-Coding zu nutzen, insbesondere indem es seine App vollständig damit entwickelte Cursor-KI. Während es zum Startzeitpunkt funktionsfähig und sicher schien, scheiterte es kurz nach seiner Einführung in der realen Welt aufgrund schwerwiegender Sicherheitslücken, die von Angreifern ausgenutzt wurden, z. B. durch die Umgehung von Abonnements, die eine Authentifizierung erfordern, und sogar durch die Verschmutzung der Datenbank aufgrund des Fehlens geeigneter Mechanismen zur Eingabevalidierung. Einer der Gründe für den Vorfall soll ein Mangel an technischem Fachwissen zur Diagnose oder Behebung von Kaskadenproblemen sein, die auf den ersten Blick harmlos erscheinen könnten. Das gesamte Projekt musste endgültig eingestellt werden.

# Letzte Gedanken

Wenn wir uns die Erfolgs- und Misserfolgsgeschichten oben ansehen, können wir zu dem Schluss kommen, dass es bei einer kritischen, ehrgeizigen Perspektive schwierig sein könnte, aus heutiger Sicht große Erfolgsgeschichten von Vibe Coding zu finden. Die meisten dieser Fälle weisen ihre eigenen Nuancen auf, was beweist, dass Vibe Coding noch ein Paradigma ist, das noch in den Kinderschuhen steckt, und dass es viel länger dauern könnte, bis es in realen Umgebungen wirklich zuverlässig ist, insbesondere – wenn wir uns Fehlergeschichten ansehen – im Hinblick auf Sicherheit und Robustheit gegenüber unerwarteten oder weniger wahrscheinlichen Situationen.

// Wichtige Erkenntnisse

1. Vibe-Codierung kann eine schnelle Codegenerierung ermöglichen, menschliches Verständnis und Überprüfung sind jedoch immer noch von entscheidender Bedeutung. Den bei der Vibe-Codierung verwendeten KI-Instruments fehlt das kognitive Verständnis, das erforderlich ist, um den Code zu sichern, zu debuggen oder langfristig wartbar zu machen.
2. Wie bei quick jeder Technologie ist Geduld der Schlüssel zu echten Erfolgsgeschichten. Als Gründer der SaaStr Gemeinde erklärte: „Es wird ein langer und differenzierter Weg sein, Vibe-codierte Apps dorthin zu bringen, wo wir sie alle für viele echte kommerzielle Anwendungsfälle haben möchten.“

Iván Palomares Carrascosa ist ein führender Autor, Redner und Berater in den Bereichen KI, maschinelles Lernen, Deep Studying und LLMs. Er schult und leitet andere darin, KI in der realen Welt zu nutzen.

Gesponserte Inhalte

Verwendet Ihr Crew generative KI, um die Codequalität zu verbessern, die Bereitstellung zu beschleunigen und den Zeitaufwand professional Dash zu reduzieren? Oder befinden Sie sich noch in der Experimentier- und Erkundungsphase? Wo auch immer Sie sich auf dieser Reise befinden, Sie können die Tatsache nicht leugnen, dass Gen AI unsere heutige Realität zunehmend verändert. Es wird bemerkenswert effektiv beim Schreiben von Code und bei der Ausführung damit verbundener Aufgaben wie Exams und Qualitätssicherung. Instruments wie GitHub Copilot, ChatGPT und Tabnine helfen Programmierern, indem sie mühsame Aufgaben automatisieren und ihre Arbeit rationalisieren.

Und das scheint kein flüchtiger Hype zu sein. Laut a Marktforschung Zukunft Bericht zufolge wird der Markt für generative KI im Software program Improvement Lifecycle (SDLC) voraussichtlich von 0,25 Milliarden US-Greenback im Jahr 2025 auf 75,3 Milliarden US-Greenback im Jahr 2035 wachsen.

Vor der generativen KI musste ein Ingenieur manuell Anforderungen aus umfangreichen technischen Dokumenten und Besprechungen extrahieren. Bereiten Sie UI/UX-Mockups von Grund auf vor. Schreiben und debuggen Sie Code manuell. Reaktive Fehlerbehebung und Protokollanalyse.

Aber der Einzug der Era AI hat dieses Szenario auf den Kopf gestellt. Die Produktivität ist sprunghaft angestiegen. Wiederholte, manuelle Arbeit wurde reduziert. Doch dahinter bleibt die eigentliche Frage: Wie hat KI den SDLC revolutioniert? In diesem Artikel untersuchen wir das und mehr.

Wo Gen AI effektiv sein kann

LLMs erweisen sich im SDLC rund um die Uhr als wunderbare Assistenten. Es automatisiert sich wiederholende, zeitaufwändige Aufgaben. Gibt Ingenieuren die Möglichkeit, sich auf Architektur, Geschäftslogik und Innovation zu konzentrieren. Schauen wir uns genauer an, wie Gen AI SDLC einen Mehrwert verleiht:

Möglichkeiten mit Gen AI in der Softwareentwicklung sind sowohl wünschenswert als auch überwältigend. Es kann dazu beitragen, die Produktivität zu steigern und die Zeitpläne zu verkürzen.

Die andere Seite der Medaille

Obwohl die Vorteile kaum zu übersehen sind, wirft es zwei Fragen auf.

Erstens: Wie sicher sind unsere Informationen? Können wir vertrauliche Kundeninformationen verwenden, um die Ausgabe schneller abzurufen? Ist es nicht riskant? Wie groß ist die Wahrscheinlichkeit, dass diese ChatGPT-Chats privat sind? Das zeigen aktuelle Untersuchungen Die App von Meta AI markiert personal Chats als öffentlich, was Bedenken hinsichtlich des Datenschutzes aufwirft. Das muss analysiert werden.

Zweitens, und das Wichtigste: Welche Rolle werden Entwickler künftig im Zeitalter der Automatisierung spielen? Das Aufkommen der KI hat sich auf mehrere Profile des Dienstleistungssektors ausgewirkt. Vom Schreiben über Designer, digitales Advertising and marketing, Dateneingabe und vieles mehr. Und einige Berichte skizzieren tatsächlich eine Zukunft, die anders ist, als wir sie uns vor fünf Jahren vorgestellt hätten. Forscher am Oak Ridge Nationwide Laboratory des US-Energieministeriums erwähnen, dass Maschinen und nicht Menschen bis 2040 den größten Teil ihres Codes schreiben werden.

Ob dies jedoch der Fall sein wird, liegt nicht im Rahmen unserer heutigen Diskussion. Vorerst werden, ähnlich wie bei den anderen Profilen, Programmierer benötigt. Aber die Artwork ihrer Arbeit und die erforderlichen Fähigkeiten werden sich etwas ändern. Und dafür führen wir Sie durch den Gen AI-Hype-Examine.

Wo der Hype auf die Realität trifft

• Die generierte Ausgabe ist solide, aber nicht revolutionär (zumindest noch nicht): Mithilfe von Gen AI berichten Entwickler von schnelleren Iterationen, insbesondere beim Schreiben von Boilerplate- oder Standardmustern. Es funktioniert möglicherweise bei einem klar definierten Drawback oder wenn der Kontext klar ist. Bei innovativer, domänenspezifischer Logik und leistungskritischem Code bleibt die menschliche Aufsicht jedoch weiterhin nicht verhandelbar. Bei solchen Projekten können Sie sich nicht auf generative KI/LLM-Instruments verlassen. Betrachten wir zum Beispiel die Modernisierung von Legacy-Lösungen. Systeme wie IBM AS400 und COBOL unterstützen Unternehmen seit vielen Jahren. Doch mit der Zeit lässt ihre Effektivität nach, da sie nicht auf die heutige digital befähigte Benutzerbasis abgestimmt sind. Um sie zu warten oder ihre Funktionen zu verbessern, benötigen Sie Softwareentwickler, die nicht nur wissen, wie man diese Systeme umgeht, sondern auch mit den neuen Technologien vertraut sind.

  Eine Organisation kann nicht riskieren, diese Daten zu verlieren. Es wird zu viel verlangt sein, sich auf Gen-KI-Instruments zu verlassen, um fortschrittliche Anwendungen zu erstellen, die sich nahtlos in diese traditionellen Systeme integrieren lassen. Hier bleibt die Experience der Programmierer von größter Bedeutung. Lesen Sie, wie Sie Altsysteme mit KI-Agenten unterbrechungsfrei modernisieren können. Dies ist nur einer der kritischen Anwendungsfälle. Es gibt noch viel mehr Dinge. Additionally ja, LLMs können den SDLC beschleunigen, aber nicht das lebenswichtige Rädchen, additionally den Menschen, ersetzen.

• Die Testautomatisierung setzt sich im Stillen durch, aber nicht ohne menschliche Aufsicht: LLMs zeichnen sich dadurch aus, dass sie eine Vielzahl von Testfällen generieren, Lücken erkennen und Fehler beheben. Das heißt aber nicht, dass wir menschliche Programmierer aus dem Bilde heraushalten können. Gen AI kann nicht entscheiden, was getestet oder Fehler interpretiert werden soll. Da Menschen beispielsweise unberechenbar sind, kann sich eine E-Commerce-Bestellung aus mehreren Gründen verzögern. Und ein Kunde, der vor seiner Abreise zum Mount Everest-Basislager wichtige Vorräte bestellt hat, kann damit rechnen, dass die Bestellung vor der Abreise eintrifft. Wenn der Chatbot jedoch nicht auf Kontextfaktoren wie Dringlichkeit, Lieferabhängigkeiten oder Ausnahmen in der Benutzerabsicht trainiert ist, kann es sein, dass er keine einfühlsame oder genaue Antwort liefert. Ein Gen-KI-Testtool ist möglicherweise nicht in der Lage, solche Variationen zu testen. Hier zeichnen sich menschliches Denken, jahrelange Berufserfahrung und Instinct aus.
• Dokumentation battle noch nie so einfach; Doch es gibt einen Haken: Gen AI kann automatisch Dokumente generieren, Besprechungsnotizen zusammenfassen und noch viel mehr mit einer einzigen Eingabeaufforderung. Es kann den Zeitaufwand für manuelle, sich wiederholende Aufgaben reduzieren und für Konsistenz bei Großprojekten sorgen. Es kann jedoch keine Entscheidungen für Sie treffen. Es mangelt an kontextbezogenem Urteilsvermögen und emotionaler Reife. Zum Beispiel verstehen, warum eine bestimmte Logik geschrieben wurde oder wie sich bestimmte Entscheidungen auf die zukünftige Skalierbarkeit auswirken können. Aus diesem Grund liegt die Interpretation komplexer Verhaltensweisen immer noch bei Programmierern. Sie haben jahrelang daran gearbeitet und dabei ein Bewusstsein und eine Instinct aufgebaut, die von Maschinen nur schwer nachgebildet werden können.
• KI kämpft immer noch mit der Komplexität der realen Welt: Kontextbedingte Einschränkungen. Bedenken hinsichtlich Vertrauen, übermäßigem Vertrauen und Beständigkeit. Und die Integrationskonflikte bleiben bestehen. Aus diesem Grund stehen CTOs, CIOs und sogar Programmierer dem Einsatz von KI für proprietären Code ohne Leitplanken skeptisch gegenüber. Menschen sind für die Bereitstellung von Kontext, die Validierung von Ergebnissen und die Kontrolle der KI von entscheidender Bedeutung. Denn KI lernt aus historischen Mustern und Daten. Und manchmal spiegeln diese Daten die Unvollkommenheiten der Welt wider. Schließlich muss die KI-Lösung ethisch vertretbar, verantwortungsvoll und sicher in der Anwendung sein.

Letzte Gedanken

Ein aktueller Umfrage unter über 4.000 Entwicklern fanden heraus, dass 76 % der Befragten zugaben, mindestens die Hälfte des KI-generierten Codes umgestaltet zu haben, bevor er verwendet werden konnte. Dies zeigt, dass Technologie zwar die Bequemlichkeit und den Komfort verbessert, man sich aber nicht vollständig darauf verlassen kann. Wie andere Technologien hat auch Gen AI seine Grenzen. Allerdings wäre es nicht ganz richtig, es als bloßen Hype abzutun. Weil wir erfahren haben, wie unglaublich nützlich das Gerät ist. Es kann die Erfassung und Planung von Anforderungen rationalisieren, Code schneller schreiben, mehrere Fälle in Sekundenschnelle testen und auch Anomalien proaktiv in Echtzeit identifizieren. Daher liegt der Schlüssel darin, LLMs strategisch einzuführen. Nutzen Sie es, um die Mühe zu reduzieren, ohne das Risiko zu erhöhen. Behandeln Sie ihn vor allem als Assistenten, als „strategischen Co-Piloten“. Kein Ersatz für menschliches Fachwissen.

Denn letztlich werden Unternehmen von Menschen für Menschen geschaffen. Und Gen AI kann Ihnen helfen, die Effizienz wie nie zuvor zu steigern, aber wenn Sie sich ausschließlich auf sie verlassen, um eine hervorragende Leistung zu erzielen, werden auf lange Sicht möglicherweise keine positiven Ergebnisse erzielt. Was denken Sie?