Im vergangenen Monat battle ein vollständig von KI-Agenten betriebenes soziales Netzwerk das faszinierendste Experiment im Web. Falls Sie noch nichts davon gehört haben: Moltbook ist im Wesentlichen eine soziale Netzwerkplattform für Agenten. Bots posten, antworten und interagieren ohne menschliches Eingreifen. Und für ein paar Tage schien es alles, worüber jeder reden konnte – mit autonomen Agenten, die Kulte gründen, über Menschen schimpfen und ihre eigene Gesellschaft aufbauen.

Dann veröffentlichte das Sicherheitsunternehmen Wiz einen Bericht, der ein massives Leck im Moltbook-Ökosystem zeigte (1). Eine falsch konfigurierte Supabase-Datenbank hatte 1,5 Millionen API-Schlüssel und 35.000 Benutzer-E-Mail-Adressen direkt dem öffentlichen Web zugänglich gemacht.

Wie ist das passiert? Die Ursache battle kein raffinierter Hackerangriff. Es battle Vibe-Coding. Die Entwickler haben dies durch Vibe-Codierung erstellt und dabei, schnell zu erstellen und Abkürzungen zu nutzen, diese Schwachstellen übersehen, die Codierungsagenten hinzugefügt haben.

Das ist die Realität der Vibe-Codierung: Codierungsagenten optimieren die Ausführung des Codes und nicht die Sicherheit des Codes.

Warum Agenten scheitern

Bei meiner Recherche an der Columbia College haben wir die besten Coding-Brokers und Vibe-Coding-Instruments bewertet (2). Wir haben wichtige Erkenntnisse darüber gewonnen, wo diese Agenten versagen, und die Sicherheit als eines der kritischsten Fehlermuster hervorgehoben.

1. Geschwindigkeit vor Sicherheit: LLMs sind auf Akzeptanz optimiert. Der einfachste Weg, einen Benutzer dazu zu bringen, einen Codeblock zu akzeptieren, besteht häufig darin, die Fehlermeldung verschwinden zu lassen. Leider ist die Einschränkung, die den Fehler verursacht, manchmal eine Schutzmaßnahme.

In der Praxis haben wir beobachtet, dass Agenten Validierungsprüfungen entfernten, Datenbankrichtlinien lockerten oder Authentifizierungsflüsse deaktivierten, nur um Laufzeitfehler zu beheben.

2. KI ist sich der Nebenwirkungen nicht bewusst: KI kennt oft nicht den gesamten Codebasiskontext, insbesondere wenn sie mit großen, komplexen Architekturen arbeitet. Wir haben dies ständig beim Refactoring gesehen, bei dem ein Agent einen Fehler in einer Datei behebt, aber Breaking Adjustments oder Sicherheitslücken in Dateien verursacht, die auf diese Datei verweisen, einfach weil er den Zusammenhang nicht erkannt hat.

3. Mustervergleich, keine Beurteilung: LLMs verstehen die Semantik oder Implikationen des Codes, den sie schreiben, nicht wirklich. Sie sagen einfach anhand ihrer Trainingsdaten voraus, welche Token ihrer Meinung nach als nächstes kommen werden. Sie wissen nicht, warum es eine Sicherheitsüberprüfung gibt oder dass ihre Entfernung ein Risiko darstellt. Sie wissen nur, dass es dem Syntaxmuster entspricht, das den Fehler behebt. Für eine KI ist eine Sicherheitsmauer nur ein Fehler, der die Ausführung des Codes verhindert.

Diese Fehlermuster sind nicht theoretisch – sie tauchen ständig in der täglichen Entwicklung auf. Hier sind ein paar einfache Beispiele, die mir während meiner Recherche persönlich begegnet sind.

3 Sicherheitslücken bei Vibe Coding, die ich kürzlich gesehen habe

1. Durchgesickerte API-Schlüssel

Sie müssen eine externe API (wie OpenAI) von einem React-Frontend aus aufrufen. Um dies zu beheben, fügt der Agent einfach den API-Schlüssel oben in Ihre Datei ein.

// What the agent writes
const response = await fetch('https://api.openai.com/v1/...', {
  headers: {
    'Authorization': 'Bearer sk-proj-12345...' // <--- EXPOSED
  }
});

Dadurch wird der Schlüssel für jeden sichtbar, da Sie mit JS „Examine Ingredient“ ausführen und den Code anzeigen können.

2. Öffentlicher Zugang zu Datenbanken

Dies passiert ständig bei Supabase oder Firebase. Das Downside besteht darin, dass ich beim Abrufen von Daten die Fehlermeldung „Berechtigung verweigert“ erhalten habe. Die KI schlug eine Richtlinie für USING (wahr) oder öffentlichen Zugriff vor.

-- What the agent writes
CREATE POLICY "Enable public entry" ON customers FOR SELECT USING (true);

Dadurch wird der Fehler behoben, da der Code ausgeführt wird. Aber es hat lediglich die gesamte Datenbank im Web veröffentlicht.

3. XSS-Schwachstellen

Wir haben getestet, ob wir rohen HTML-Inhalt innerhalb einer React-Komponente rendern können. Der Agent fügte sofort die Codeänderung hinzu, um hazardlySetInnerHTML zum Rendern des Roh-HTML zu verwenden.

// What the agent writes
<div dangerouslySetInnerHTML={{ __html: aiResponse }} />

Die KI schlägt selten eine Desinfektionsbibliothek vor (wie dompurify). Es gibt Ihnen nur die rohe Stütze. Dies stellt ein Downside dar, da Ihre App dadurch anfällig für Cross-Website-Scripting-Angriffe (XSS) ist, bei denen schädliche Skripts auf den Geräten Ihrer Benutzer ausgeführt werden können.

Zusammengenommen handelt es sich dabei nicht nur um einmalige Horrorgeschichten. Sie stimmen mit dem überein, was wir in breiteren Daten zu KI-bedingten Veränderungen sehen:

So Vibe-Code richtig

Wir sollten nicht aufhören, diese Instruments zu nutzen, aber wir müssen die Artwork und Weise ändern, wie wir sie nutzen.

1. Bessere Eingabeaufforderungen

Wir können den Agenten nicht einfach bitten, „dies sicher zu machen“. Das wird nicht funktionieren, weil „sicher“ für ein LLM zu vage ist. Wir sollten stattdessen eine spezifikationsgesteuerte Entwicklung verwenden, bei der wir vordefinierte Sicherheitsrichtlinien und Anforderungen haben können, die der Agent erfüllen muss, bevor er Code schreibt. Dies kann Folgendes umfassen, ist aber nicht beschränkt auf: kein Zugriff auf öffentliche Datenbanken, das Schreiben von Komponententests für jede hinzugefügte Funktion, die Bereinigung von Benutzereingaben und keine fest codierten API-Schlüssel. Ein guter Ausgangspunkt ist die Verankerung dieser Richtlinien in den OWASP High 10, der branchenüblichen Liste der kritischsten Internet-Sicherheitsrisiken.

Darüber hinaus zeigen Untersuchungen, dass Chain-of-Thought-Eingabeaufforderungen, bei denen der Agent insbesondere aufgefordert wird, vor dem Schreiben von Code über Sicherheitsaspekte nachzudenken, unsichere Ausgaben erheblich reduzieren. Anstatt nur nach einer Lösung zu fragen, können wir fragen: „Was sind die Sicherheitsrisiken dieses Ansatzes und wie können Sie sie vermeiden?“

2. Bessere Bewertungen

Bei der Vibe-Codierung ist es wirklich verlockend, sich nur die Benutzeroberfläche anzusehen (und nicht auf den Code zu schauen), und ehrlich gesagt ist das das ganze Versprechen der Vibe-Codierung. Aber aktuell sind wir noch nicht so weit. Andrej Karpathy – der KI-Forscher, der den Begriff „Vibe-Coding“ geprägt hat – warnte kürzlich, dass Agenten einfach Slop erzeugen können, wenn wir nicht aufpassen. Er wies darauf hin, dass sich unsere Hauptaufgabe, je mehr wir uns auf KI verlassen, vom Schreiben von Code auf dessen Überprüfung verlagert. Es ist ähnlich wie bei der Arbeit mit Praktikanten: Wir lassen nicht zu, dass Praktikanten Code ohne ordnungsgemäße Überprüfung in die Produktion bringen, und genau das sollten wir mit Agenten tun. Sehen Sie sich Unterschiede richtig an, überprüfen Sie Unit-Exams und stellen Sie eine gute Codequalität sicher.

3. Automatisierte Leitplanken

Da Vibe-Coding dazu anregt, sich schnell zu bewegen, können wir nicht sicherstellen, dass Menschen alles erfassen können. Wir sollten Sicherheitsüberprüfungen automatisieren, damit die Agenten sie vorher ausführen können. Wir können Pre-Commit-Bedingungen und CI/CD-Pipeline-Scanner hinzufügen, die Commits scannen und blockieren, die fest codierte Geheimnisse oder erkannte gefährliche Muster enthalten. Instruments wie GitGuardian oder TruffleHog eignen sich intestine zum automatischen Scannen nach offengelegten Geheimnissen, bevor Code zusammengeführt wird. Aktuelle Arbeiten zu Software-erweiterten Agenten und „LLM-in-the-Loop“-Verifizierungssystemen zeigen, dass sich Modelle in Kombination mit deterministischen Prüfern weitaus zuverlässiger und sicherer verhalten. Das Modell generiert Code, die Instruments validieren ihn und alle unsicheren Codeänderungen werden automatisch abgelehnt.

Abschluss

Codierungsagenten ermöglichen es uns, schneller als je zuvor zu bauen. Sie verbessern die Zugänglichkeit und ermöglichen es Menschen mit jedem Programmierhintergrund, alles zu bauen, was sie sich vorstellen. Dies sollte jedoch nicht auf Kosten der Sicherheit gehen. Durch den Einsatz zeitnaher Engineering-Techniken, die gründliche Überprüfung von Codeunterschieden und die Bereitstellung klarer Leitplanken können wir KI-Agenten sicher einsetzen und bessere Anwendungen erstellen.

Referenzen

1. https://www.wiz.io/weblog/exposed-moltbook-database-reveals-millions-of-api-keys
2. https://daplab.cs.columbia.edu/common/2026/01/08/9-critical-failure-patterns-of-coding-agents.html
3. https://vibefactory.ai/api-key-security-scanner
4. https://apiiro.com/weblog/4x-velocity-10x-vulnerabilities-ai-coding-assistants-are-shipping-more-risks/
5. https://www.csoonline.com/article/4062720/ai-coding-assistants-amplify-deeper-cybersecurity-risks.html

Bild vom Autor

Früher habe ich Vibe-Coding gehasst. Ich glaubte, ich könnte besseren Code schreiben, sauberere Systeme entwerfen und selbst durchdachtere Architekturentscheidungen treffen. Das dürfte lange Zeit so gewesen sein. Im Laufe der Zeit änderten sich die Dinge. KI-Agenten haben sich deutlich verbessert. MCP-Server, Claude-Fähigkeiten, Agenten-Workflows, Planungs-First-Execution und Codierungstools mit langem Horizont machten die Vibe-Codierung von einer Spielerei zu einer praktischen Möglichkeit, echte Systeme aufzubauen.

Irgendwann habe ich nachgegeben. Seitdem verwende ich Claude Code und OpenCode, um Systeme zu erstellen, die ich normalerweise für zu komplex für eine schnelle Iteration halten würde. Dazu gehören Zahlungsplattformen, Stablecoin-Wallets, Buchleseanwendungen und produktionsbereite Full-Stack-Websysteme. Was mich überraschte, struggle nicht nur die Geschwindigkeit, sondern auch die Konsistenz der Ergebnisse, sobald die richtige Struktur und die richtigen Instruments vorhanden waren.

Das eigentliche Drawback, mit dem die meisten Menschen bei der Vibe-Codierung konfrontiert sind, besteht nicht darin, Code zu schreiben.

Es kommt auf die Wahl des richtigen Tech-Stacks an.

Frontend, Backend, Authentifizierung, Datenbanken, Speicher, E-Mail, Zahlungen und Bereitstellung bieten unzählige Optionen. Ohne einen klaren Stack fällt es selbst starken KI-Programmierern schwer, gute Entscheidungen zu treffen. Wenn einem Agenten ein klar definierter und fundierter Technologie-Stack zur Verfügung gestellt wird, kann er zuverlässig und mit weitaus weniger Reibungsverlusten eine Finish-to-Finish-Anwendung erstellen.

Darauf konzentriert sich dieser Artikel.

Ich werde meinen bevorzugten Tech-Stack für die Vibe-Codierung moderner Anwendungen durchgehen. Das ist der Stack, den ich wiederverwende, weil er funktioniert. Wir besprechen, wie die Teile zusammenpassen, wofür jedes Werkzeug verantwortlich ist und wie man von Null zu einem produktionsbereiten System gelangt. Außerdem werde ich eine Claude-Code-Beispielaufforderung und optionale Instruments vorstellen, die dabei helfen, einen funktionierenden Prototyp in ein produktionsreifes System umzuwandeln.

# Mein Tech-Stack und warum dieser Stack funktioniert

In diesem Abschnitt werde ich den genauen Tech-Stack, den ich für die Vibe-Codierung verwende, aufschlüsseln und erklären, warum diese Instruments beim Erstellen realer Anwendungen so intestine zusammenarbeiten.

Der Stapel

• Subsequent.js (App-Router) -> Frontend und Layouts
• shadcn/ui -> UI-Komponenten
• Serveraktionen + Routen -> Backend-Logik und Webhooks
• Supabase -> Datenbank, Authentifizierung, Speicher
• Erneut senden -> Transaktions-E-Mails
• Streifen -> Zahlungen und Abonnements
• Vercel -> Bereitstellung und Vorschau

Dieser Stapel ist bewusst einfach gehalten. Sie können das kostenlose Kontingent jeder hier aufgeführten Plattform nutzen, was es splendid für Einsteiger macht. Sie können eine vollständige Anwendung kostenlos auf Vercel bereitstellen und verwaltete Dienste ohne Vorabkosten verbinden.

Warum dieser Stapel skaliert werden kann, ohne dass es zu Unordnung kommt

Zwei Subsequent.js-Grundelemente übernehmen die meiste Arbeit, wenn die App wächst:

1. Serveraktionen Behandeln Sie Formularübermittlungen und serverseitige Mutationen. Sie sorgen dafür, dass Datenschreibvorgänge nahe an der Benutzeroberfläche erfolgen und viele Textbausteine ​​entfernt werden, die normalerweise früh auftauchen.
2. Routenhandler Behandeln Sie Webhooks, Gesundheitsprüfungen und benutzerdefinierte Endpunkte. Dies gibt Ihnen einen sauberen Ort, an dem externe Systeme mit Ihrer App kommunizieren können, ohne Ihre UI-Logik zu verschmutzen.

Supabase bietet Ihnen Datenbank, Authentifizierung und Speicherung mit einem Sicherheitsmodell, das nah an den Daten ist. Wenn Sie die Sicherheit auf Zeilenebene frühzeitig aktivieren, bleibt die Autorisierung konsistent, wenn das System wächst, und Sie vermeiden spätere mühsame Migrationen.

Erneut senden sorgt dafür, dass Transaktions-E-Mails einfach und umgebungsorientiert sind.

Streifenkasse In Kombination mit Webhooks erhalten Sie eine zuverlässige Möglichkeit, Zahlungen in echte Ansprüche umzuwandeln, statt in verstreute Function-Flags.

Vercel sorgt dafür, dass Vorschau- und Produktionsbereitstellungen aufeinander abgestimmt sind, sodass Sie vom ersten Tag an in realen Umgebungen testen können.

Dieser Stack eignet sich intestine für die Vibe-Codierung, da er eigensinnig und vorhersehbar ist und für einen KI-Coding-Agenten leicht nachvollziehbar ist. Sobald die Grenzen klar sind, baut sich das System quick von selbst auf.

# Bauen Sie einen Plan von Null auf einen bezahlten MVP auf

Dieser Construct-Plan ist für die Vibe-Codierung mit echten Instruments konzipiert. Das Ziel ist es, eine zu bekommen zunächst ein serienreifes Grundgerüstund fügen Sie dann in kleinen Phasen Funktionen hinzu, ohne frühere Entscheidungen zu zerstören. Jede Section ist direkt dem von Ihnen verwendeten Stack zugeordnet, sodass ein KI-Coding-Agent sie von Anfang bis Ende verfolgen kann.

Section 1: MVP-Gründung

Bauen Sie den vollständigen Produktkreislauf mit minimalem Umfang auf.

• Aufstellen Subsequent.js (App-Router) Projekt mit Vercel Einsatz
• Dashboard-Shell und Navigation mit shadcn/ui
• Authentifizierungsflüsse mit Supabase-Auth (Anmelden, Anmelden, Zurücksetzen)
• Eine zentrale benutzereigene Tabelle in Supabase Postgres
• CRUD-Bildschirme powered by Subsequent.js-Serveraktionen
• Vorschau der Bereitstellungen bei jeder Änderung über Vercel

Am Ende dieser Section verfügen Sie bereits über eine nutzbare App, die in der Produktion läuft, auch wenn der Funktionsumfang gering ist.

Section 2: Datensicherheit und Zugriffskontrolle

Sperren Sie Benutzerdaten, bevor Sie weitere Funktionen hinzufügen.

• Aktivieren Sicherheit auf Zeilenebene auf benutzereigenen Tabellen in Supabase
• Definieren Sie Lese- und Schreibrichtlinien basierend auf dem Eigentum
• Verwenden Sie konsistente Muster wie „owner_id“, „created_at“, „update_at“.
• Validieren Sie Zugriffsregeln durch echte UI-Abläufe, nicht nur durch SQL

Diese Section verhindert zukünftige Umschreibungen und sorgt dafür, dass die Sicherheit an der tatsächlichen Funktionsweise der App ausgerichtet ist.

Section 3: E-Mail und Speicherung

Fügen Sie Vertrauen und Dateiverwaltung hinzu.

• Transaktions-E-Mails über Erneut senden (Willkommen, Verifizierung, Zurücksetzen)
• Verwendung privater Speichereimer Supabase-Speicher
• Laden Sie Flows hoch, die dieselben Eigentumsregeln wie Ihre Datenbank berücksichtigen
• Signierte URLs oder kontrollierter Zugriff basierend auf der Benutzeridentität

Ab diesem Zeitpunkt fühlt sich das Produkt vollständig statt experimentell an.

Section 4: Abrechnung und Ansprüche

Verwandeln Sie Nutzung in Umsatz.

• Erstellen Streifenkasse Sitzungen und Umleitung von Benutzern
• Handhaben Stripe-Webhooks mit Subsequent.js-Routenhandlern
• Speichern Sie den Abonnement- oder Kaufstatus in Supabase
• Erhalten Sie Premium-Funktionen basierend auf gespeicherten Berechtigungen
• Machen Sie die Webhook-Verarbeitung mithilfe verarbeiteter Ereignis-IDs idempotent

Am Ende dieser Section verfügen Sie über einen kostenpflichtigen MVP, der skaliert werden kann, ohne die Kernarchitektur zu ändern.

# Claude Code Starter-Eingabeaufforderung

Sie können ersetzen „Buchladen + Reader MVP“ mit Ihrer eigenen Idee über die gleiche Claude-Code-Eingabeaufforderung.

Construct a **E-book Store + Reader MVP** utilizing this stack:
- Subsequent.js App Router  
- shadcn/ui  
- Supabase (Postgres, Auth, Storage)  
- Resend  
- Stripe (Checkout + webhooks)  
- Vercel  

## Aim
Ship a production-ready E-book Store and Reader with paid entry.

## Construct
- Public pages: touchdown, pricing, ebook checklist  
- Auth: enroll, register, reset password  
- Protected app: reader dashboard  

## Information
- `books`, `chapters`
- Row Degree Safety so customers entry solely their very own information

## Options
- CRUD by way of Server Actions  
- Reader view with progress monitoring  
- Non-public storage for ebook property  
- Welcome e-mail  
- Stripe Checkout + webhook-based entitlements  

## Output
- Clear app construction
- Minimal dependencies
- README with setup, env vars, migrations, Stripe, and Vercel steps
- Handbook verification guidelines per characteristic

Sie müssen lediglich auf Claude Code umsteigen Planmodusfügen Sie die Eingabeaufforderung ein und ändern Sie die Idee oder passen Sie den Umfang entsprechend Ihren Anforderungen an.

Sobald Sie beginnen, plant Claude zunächst das System und beginnt dann Schritt für Schritt ohne Reibungsverluste mit dem Aufbau. Außerdem werden Sie durch die Einrichtung erforderlicher Dienste, die Erstellung von Konten auf Plattformen von Drittanbietern und die Generierung von API-Schlüsseln bei Bedarf geführt.

Dies macht es einfach, von einer Idee zu einer funktionierenden Anwendung zu gelangen, ohne bei der Einrichtung oder den Entscheidungen hängenzubleiben.

# Optionale Instruments

Diese Instruments sind für die Auslieferung der ersten Model nicht erforderlich, helfen Ihnen jedoch beim Testen, Überwachen und Härten der Anwendung, während sie im realen Einsatz wächst.

# Letzte Gedanken

Moderne Entwicklungs- und Engineering-Instruments entwickeln sich schnell weiter. Die meisten von ihnen sind mittlerweile auf die KI-Integration ausgelegt und bieten eine gute Dokumentation, APIs und Zugriff im MCP-Stil, sodass KI-Agenten direkt mit ihnen zusammenarbeiten und Software program schneller als je zuvor erstellen können.

Wenn Sie ein Datenwissenschaftler sind, der sich noch nie mit Webentwicklung beschäftigt hat, oder ein absoluter Anfänger, der etwas Reales aufbauen oder ein Startup gründen möchte, empfehle ich dringend, mit diesem Tech-Stack zu beginnen. Es erfordert nur minimale Einrichtung und ermöglicht die nahezu sofortige Bereitstellung einer funktionierenden Anwendung.

Ich habe quick drei Monate gebraucht, um Instruments zu testen und zu vergleichen, bevor ich mich für diesen Stack entschieden habe. Wenn Sie hier beginnen, sparen Sie diese Zeit.

Wenn Sie später mehr Flexibilität wünschen, können Sie die Dinge aufteilen. Verwenden Sie zum Beispiel Neon für die Datenbank, Sachbearbeiter zur Authentifizierung und lassen Sie alles andere gleich. Wenn Ihr System wächst, können Sie durch die Aufteilung der Verantwortlichkeiten auf mehrere Instruments einfacher ein Teil ersetzen, ohne den Relaxation zu beschädigen.

Beginnen Sie einfach, liefern Sie früh aus und entwickeln Sie sich nur dann weiter, wenn Sie es brauchen.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

Bild vom Autor

# Einführung

Befinden wir uns alle in einem Wettlauf nach unten, den wir selbst geschaffen haben? Datenexperten werden seit Jahren mit der Entwicklung großer Sprachmodelle (LLMs) beschäftigt.

Mittlerweile scheint die Zahl der offenen Datenpositionen täglich zu sinken. Von denen, die beworben werden, scheinen die meisten ziemlich miserabel zu sein.

Mit miserabel meine ich nicht zu niedrige Gehälter oder unangemessene technische Erwartungen an die Kandidaten. Nein, ich meine diese vagen Formulierungen: „Komfortables Arbeiten mit KI-Produktivitätstools“, „Kann große Codemengen versenden“ oder „Ausgeprägte Immediate-Engineering-Fähigkeiten sind von Vorteil.“ Übersetzung: Ein Chatbot ist Ihr wichtigster Programmierpartner. Es gibt keine Mentorschaft, keine Requirements, nur Code-Umstellung.

Ein Chatbot, unsere eigene Kreation, reduziert uns jetzt auf bloße Kopierer seiner Ergebnisse. Es klingt nicht nach einer sehr sinnvollen oder erfüllenden Arbeit.

Ist es in diesem Umfeld noch möglich, eine sinnvolle Arbeit zu finden?

# Was ist Vibe-Codierung?

Andrej Karpathyein OpenAI Mitbegründer, prägte den Begriff „Vibe Coding“. Das bedeutet, dass Sie überhaupt nicht programmieren.

Was Sie tun: Sie trinken Ihren Matcha Latte, vibrieren, erteilen einem Programmier-Chatbot Befehle und kopieren seinen Code in Ihren Code-Editor.

Was der Chatbot macht: Er codiert, prüft auf Fehler und debuggt den Code.

Was Sie nicht tun: Sie programmieren nicht, prüfen nicht auf Fehler und debuggen den Code nicht.

Wie fühlt sich eine solche Arbeit an? Wie eine Vollzeit-Gehirnfäule.

Was hast du erwartet? Sie haben alle interessanten, kreativen und problemlösenden Aspekte Ihres Jobs an einen Chatbot übergeben.

# Vibe Coding hat die Codierung abgewertet

„Für wegwerfbare Wochenendprojekte ist es nicht schlecht, aber trotzdem ziemlich amüsant“, sagt Andrej Karpathy über Vibe Coding.

Dennoch entschieden die Unternehmen, denen Sie vertrauen würden – diejenigen, die ihre Produkte nicht als „Wegwerf-Wochenendprojekte“ betrachten –, dass es immer noch eine gute Idee sei, mit dem Vibe-Coding zu beginnen.

Die KI-Codierungstools kamen zum Einsatz und Datenexperten wurden rausgeworfen. Für diejenigen, die geblieben sind, besteht ihre Hauptaufgabe darin, sich mit einem Chatbot zu unterhalten.

Die Arbeit wird schneller als je zuvor erledigt. Sie halten Termine ein, die vorher unmöglich waren. Die Fähigkeit, so zu tun, als wäre man produktiv, hat ein völlig neues Niveau erreicht.

Das Ergebnis? Halbfertige Prototypen. Code, der die Produktion unterbricht. Datenprofis, die nicht wissen, warum der Code nicht funktioniert. Verdammt, sie wissen nicht einmal, warum der Code Ist Arbeiten.

Vorhersage: Profis, die wirklich wissen, wie man programmiert, werden schon bald wieder in Mode kommen. Schließlich muss jemand den von einem Chatbot „so schnell“ geschriebenen Code neu schreiben. Sprechen Sie über Effizienz. Nun, viel effizienter geht es nicht.

Aber wie überlebt man bis dahin?

# Wie findet man jetzt einen sinnvollen Job?

Das Prinzip ist ganz einfach: Erledigen Sie die Arbeit, die der Chatbot nicht erledigen kann. Hier ist ein Vergleich zwischen dem, was KI nicht kann, und dem, was Sie können.

Natürlich erfordert dies alles bestimmte Fähigkeiten.

# Erforderliche Fähigkeiten

Um im Zeitalter des Vibe-Codings eine sinnvolle Arbeit zu finden, sind diese Fähigkeiten erforderlich.

// 1. Verfassen technischer Spezifikationen

Die meisten Anfragen, die Sie bearbeiten, enthalten unvollständige und mehrdeutige Informationen. Wenn Sie diese Informationen in eine präzise technische Spezifikation umwandeln können, werden Sie dafür geschätzt, dass Sie widersprüchliche Annahmen und Erwartungen aus der Entwicklungsarbeit vermeiden. Technische Spezifikationen helfen dabei, alle am Projekt beteiligten Groups aufeinander abzustimmen.

Hier ist, was diese Fähigkeit umfasst.

Ressourcen:

// 2. Verständnis des Datenflusses

Systeme scheitern nicht nur an falschem Code. Sie scheitern vermutlich häufiger an falschen Annahmen über die Daten.

Unabhängig von der Vibe-Codierung muss immer noch jemand verstehen, wie Daten generiert, geändert und konsumiert werden.

Ressourcen:

// 3. Produktions-Debugging

LLMs können in der Produktion nicht debuggen. Hier kommen Sie ins Spiel, mit Ihrem Wissen über die Interpretation von Protokollen und Metriken zur Diagnose von Grundursachen für Produktionsvorfälle.

Ressourcen:

// 4. Architektonisches Denken

Ohne Verständnis ihrer Architektur werden Systeme so konzipiert, dass sie in der Produktion funktionieren (Daumen drücken!), aber im realen Datenverkehr scheitern sie oft.

Architektonische Überlegungen bestimmen die Zuverlässigkeit, Latenz, den Durchsatz und die betriebliche Komplexität eines Methods.

Ressourcen:

// 5. Schema- und Vertragsdesign

Schlecht gestaltete Schemata und Definitionen der Artwork und Weise, wie Systeme kommunizieren, können einen Dominoeffekt verursachen: kaskadierende Fehler, die zu übermäßigen Migrationen führen, die wiederum zu Koordinationsreibungen zwischen Groups führen.

Erstellen Sie ein gutes Design, und Sie haben Stabilität geschaffen und Ausfälle verhindert.

Ressourcen:

// 6. Betriebsbewusstsein

Systeme verhalten sich in Produktionsumgebungen immer anders als in der Entwicklung.

Da die Grundidee darin besteht, dass das System funktioniert, müssen Sie verstehen, wie sich Komponenten verschlechtern, wie es zu Ausfällen kommt und was und wo es Engpässe gibt. Mit diesem Wissen wird der Übergang zwischen Entwicklung und Produktion weniger schmerzhaft sein.

Ressourcen:

// 7. Anforderungsverhandlung

Auch hier gilt: „Vorbeugen ist besser als heilen“. Wenn die Anforderungen anfangs schlecht definiert waren, müssen Sie mit quick endlosen Ausfällen und Umschreibungen rechnen. Es ist eine Hölle, wenn man versucht, das System zu reparieren, sobald es in Produktion ist.

Um dies zu verhindern, müssen Sie bereits in den frühen Entwicklungsphasen geschickt eingreifen, um den Umfang anzupassen, technische Einschränkungen zu kommunizieren und vage Anforderungen in technisch machbare umzusetzen.

Ressourcen:

// 8. Überprüfung des Verhaltenskodex

Sie sollten in der Lage sein, Code nicht nur hinsichtlich seiner Funktionalität, sondern allgemeiner hinsichtlich seiner Auswirkungen auf das System zu lesen.

Auf diese Weise können Sie Risiken identifizieren, die bei Linting oder Checks nicht auftauchen, insbesondere bei KI-generierten Patches, und subtile Fehler verhindern, die andernfalls Ihre Produktion beeinträchtigen würden.

Ressourcen:

// 9. Kosten- und Leistungsbeurteilung

Ihre Arbeit hat finanzielle und betriebliche Auswirkungen. Sie werden mehr wertgeschätzt, wenn Sie zeigen, dass Sie sie verstehen, indem Sie bei Ihrer Arbeit Computernutzung, Latenz, Durchsatz und Infrastrukturkosten berücksichtigen.

Das wird von Unternehmen viel mehr geschätzt, als teure Systeme zu bauen, die auch noch nicht funktionieren.

Ressourcen:

# Echte Jobs, die sich immer noch sinnvoll anfühlen

Lassen Sie uns abschließend über tatsächliche Jobs sprechen, bei denen zumindest einige oder alle der zuvor besprochenen Fähigkeiten noch zum Einsatz kommen. Der Fokus verlagert sich möglicherweise vom Programmieren selbst, aber einige Aspekte dieser Jobs können sich immer noch sinnvoll anfühlen.

// 1. Datenwissenschaftler (die echte Artwork, nicht nur auf Notebooks)

KI kann Code generieren, aber Datenwissenschaftler sorgen für Struktur, Argumentation und Domänenverständnis für vage und oft falsch formulierte Probleme.

// 2. Ingenieur für maschinelles Lernen

KI kann ein Modell trainieren, aber was ist mit der Datenvorbereitung, dem Coaching von Pipelines, der Bereitstellung der Infrastruktur, der Überwachung, der Fehlerbehandlung usw.? Das ist die Aufgabe eines Ingenieurs für maschinelles Lernen.

// 3. Analytics-Ingenieur

KI kann SQL-Abfragen schreiben, aber Analyseingenieure sind diejenigen, die Korrektheit und Langzeitstabilität garantieren.

// 4. Dateningenieur

Dateningenieure sind für die Vertrauenswürdigkeit und Verfügbarkeit der Daten verantwortlich. KI kann Daten transformieren, aber sie kann das Systemverhalten, vorgelagerte Änderungen oder die langfristige Datenzuverlässigkeit nicht verwalten.

// 5. Maschinenlern-Ops-/Information-Ops-Ingenieur

Diese Rollen stellen sicher, dass Pipelines zuverlässig laufen und Modelle genau bleiben.

Sie können KI verwenden, um Korrekturen vorzuschlagen, aber Leistung, Systeminteraktionen und Produktionsausfälle bedürfen weiterhin der menschlichen Aufsicht.

// 6. Forschungswissenschaftler (Angewandtes Maschinelles Lernen/Künstliche Intelligenz)

KI kann eigentlich nichts Neues bringen, schon gar nicht neue Modellierungsansätze und Algorithmen; Es kann einfach wieder aufwärmen, was bereits existiert.

Für alles andere ist Expertenwissen erforderlich.

// 7. Datenproduktmanager

Die Beschreibung dieser Stelle besteht darin, zu definieren, was Daten- oder maschinelle Lernprodukte leisten sollen. Dazu gehört die Übersetzung von Geschäftsanforderungen in klare technische Anforderungen und die Abstimmung der Prioritäten verschiedener Stakeholder.

Sie können KI nicht einsetzen, um den Umfang auszuhandeln oder das Risiko zu bewerten.

// 8. Governance-, Compliance- und Datenqualitätsrollen

KI kann nicht sicherstellen, dass Datenpraktiken rechtlichen, ethischen und Zuverlässigkeitsstandards entsprechen. Jemand muss Regeln definieren und diese durchsetzen. Dafür sind Governance-, Compliance- und Datenqualitätsrollen da.

// 9. Rollen in der Datenvisualisierung/Entscheidungswissenschaft

Damit Daten einen Zweck erfüllen, müssen sie mit Entscheidungen verknüpft werden. Die KI kann so viele Diagramme erstellen, wie sie will, weiß aber nicht, worauf es bei der Entscheidungsfindung ankommt.

// 10. Leitende Datenrollen (Schulleiter, Mitarbeiter, Leiter)

KI ist ein großartiger Assistent, aber eine schreckliche Anführerin. Genauer gesagt kann es nicht führen.

Entscheidungsfindung? Domänenübergreifende Führung? Leitende technische Richtung? Das können nur Menschen.

# Abschluss

Im Zeitalter des Vibe-Coding ist es nicht einfach, sinnvolle Arbeit zu finden. Allerdings ist Codierung nicht das Einzige, was Datenprofis tun. Versuchen Sie, nach Stellenanzeigen zu suchen, die, auch wenn sie Vibe-Codierung erfordern, auch einige dieser Fähigkeiten erfordern, die KI immer noch nicht ersetzen kann.

Nate Rosidi ist Datenwissenschaftler und in der Produktstrategie tätig. Er ist außerdem außerordentlicher Professor für Analytik und Gründer von StrataScratch, einer Plattform, die Datenwissenschaftlern hilft, sich mit echten Interviewfragen von High-Unternehmen auf ihre Interviews vorzubereiten. Nate schreibt über die neuesten Developments auf dem Karrieremarkt, gibt Ratschläge zu Vorstellungsgesprächen, stellt Information-Science-Projekte vor und behandelt alles rund um SQL.

Bild vom Autor

# Einführung

Vibe-Codierung wird für moderne Entwickler schnell zum Standardansatz, wenn es um die Entwicklung von Software program mit KI geht. Anstatt einem Codierungsassistenten einmalige Fragen zu stellen, orchestrieren Sie jetzt ein umfassendes, kontextbewusstes System. Dieses System umfasst Agenten, Subagenten, Instruments, Fähigkeiten und Protokolle wie das Mannequin Context Protocol (MCP), die alle zusammenarbeiten, um Ihr Projekt zu verstehen, Ihren Anweisungen zu folgen und die Konsistenz in der gesamten Codebasis aufrechtzuerhalten.

In diesem neuen Workflow weisen Sie die KI nicht nur an, „eine Funktion zu schreiben“. Stattdessen gestalten Sie den Kontext, indem Sie Erwartungen festlegen, Rollen definieren, Instruments verbinden und Ihrem Programmieragenten erlauben, Sie bei Frontends, der Reparatur von Backends, der Umgestaltung von Legacy-Code und sogar beim Debuggen mit speziellen Instruments zu unterstützen. Diese Methode ermöglicht es Entwicklern, schneller Prototypen zu erstellen, Funktionen früher bereitzustellen und eine höhere Qualität über gesamte Projekte hinweg sicherzustellen.

Um agentenbasierte KI-Codierungstools jedoch vollständig nutzen zu können, ist eine solide Grundlage unerlässlich, die die richtigen Setups, Muster, Eingabeaufforderungen und mentalen Modelle umfasst.

In diesem Artikel werden wir 10 GitHub-Repositories erkunden, die Ihnen dabei helfen, die Vibe-Codierung zu meistern. Diese Repositories helfen Ihnen dabei, die Grundlagen zu erlernen, Beispiele aus der Praxis zu erkunden, zu verstehen, wie man Agenten und Instruments integriert, und letztendlich Produkte schneller bereitzustellen als diejenigen, die KI immer noch als einfachen Frage-und-Antwort-Assistenten betrachten.

# GitHub-Repositorys zum Beherrschen der Vibe-Codierung

// 1. Kontext-Engineering-Vorlage

Dieses Repository führt Context Engineering als Grundlage der Vibe-Codierung ein. Anstatt sich auf clevere Eingabeaufforderungen zu verlassen, gestalten Sie die Umgebung mit Zielen, Einschränkungen, Beispielen und Akzeptanzkriterien, sodass KI-Codierungsassistenten (insbesondere Claude Code) aufgaben- und teamübergreifend konsistente Leistungen erbringen können.

Sie lernen, CLAUDE.md für projektweite Regeln, INITIAL.md für klare Funktionsanfragen und PRP-Blaupausen zu erstellen, die diese Anfragen in validierte, schrittweise Implementierungspläne umwandeln – und so der KI den vollständigen Kontext geben, den sie benötigt, um beim ersten Versuch funktionierenden Code zu liefern.

// 2. Tolle Vibe-Codierung

Dieses Repository kuratiert Vibe Coding als KI-gestützte Entwicklung und katalogisiert Instruments, mit denen Sie mit KI zusammenarbeiten können, um Code in natürlicher Sprache zu schreiben.

Sie lernen das gesamte Ökosystem kennen, von Browser-Buildern wie Bolt.new über IDE-Erweiterungen wie Cursor bis hin zu Terminalagenten wie Claude Code, Kernkonzepte von Andrej Karpathys Definition bis hin zu praktischen Immediate-Engineering-Playbooks und wie Sie das richtige Instrument für Fast Prototyping, professionelle Entwicklung oder datenschutzorientierte lokale Arbeitsabläufe auswählen.

// 3. Liste der Vibe-Codierungstools

Dieses Repository kuratiert eine handverlesene Sammlung KI-gestützter Instruments und Ressourcen für die Vibe-Codierung, die Erstellung von Software program durch Eingabeaufforderungen, Iterationen und Erkundungen.

Sie lernen, mit Browser-Buildern, IDE-Erweiterungen und CLI-Agenten umzugehen. Entdecken Sie praktische Sofortstrategien und kuratierte Leitfäden. und wählen Sie den richtigen KI-Assistenten für Prototyping-, Produktions- oder Datenschutz-Workflows aus.

// 4. Vibe-Coding-Workflow

Dieses Repository bietet einen 5-stufigen KI-Workflow zur Erstellung von MVPs in Stunden, nicht in Monaten.

Sie lernen, strukturierte Dokumentationen (Forschung, Anforderungen, Design) und universelle Anweisungen für KI-Agenten (NOTES.md, CLAUDE.md, GEMINI.md) zu erstellen, die Instruments wie Claude Code und Cursor durch validierte Implementierungen mit neuesten KI-Modellen führen.

// 5. Regelwerk KI

Dieses Repository stellt Rulebook-AI vor, ein Befehlszeilentool zum Packen und Bereitstellen konsistenter Expertenumgebungen für KI-Codierungsassistenten.

Sie lernen, tragbare „Pakete“, Regeln, Kontexte und Instruments zu erstellen, die mit Assistenten wie Cursor, Gemini und Copilot synchronisiert werden, und KI-Vergesslichkeit und -Inkonsistenz zu beseitigen, indem Sie die Architektur und Arbeitsabläufe Ihres Projekts als versionierbaren Code behandeln.

// 6. Claude Code-Einstellungen und Befehle für die Vibe-Codierung

Dieses Repository sammelt Claude Code-Einstellungen, benutzerdefinierte Befehle und Subagenten für verbesserte Vibe-Coding-Workflows.

Sie lernen, den LiteLLM-Proxy für mehrere Modelle zu konfigurieren, spezielle Befehle für die spezifikationsgesteuerte Entwicklung zu erstellen (/specify, /plan, /implement), KI-Subagenten für die Codeanalyse und die GitHub-Integration bereitzustellen und ganze Funktionen von den Anforderungen bis zur Ausführung mithilfe strukturierter Arbeitsabläufe wie Github Spec Equipment zu orchestrieren.

// 7. Der erste AI Coding Type Information

Dieses Repository führt KI-spezifische Codierungsstilleitfäden ein, um Kontextfensterbeschränkungen bei der Vibe-Codierung zu lösen.

Sie lernen ein 8-stufiges Komprimierungssystem kennen, das den Code auf 20–50 % seiner Größe reduziert, indem es Leerzeichen eliminiert, Variablen kürzt und erweiterte Sprachfunktionen nutzt.

Anhand von Beispielen wie KMP- und JSON-Parsern erfahren Sie, wie Sie die Token-Effizienz maximieren und gleichzeitig darauf vertrauen können, dass LLMs den Code sowohl komprimieren als auch später dekomprimieren/erläutern, wenn menschliches Debuggen erforderlich ist.

// 8. Vibe Examine MCP

Dieses Repository stellt Vibe Examine MCP bereit, einen forschungsgestützten Überwachungsserver, der als Meta-Mentor für KI-Coding-Agenten fungiert.

Sie lernen, Chain-Sample Interrupts (CPI) zu implementieren, die Over-Engineering und Reasoning Lock-in verhindern, Sitzungskonstitutionen konfigurieren, um Regeln durchzusetzen, und Instruments wie Vibe Examine und Vibe Study zu integrieren, um die Agenten aufeinander abzustimmen und zu reflektieren. Dadurch werden die Erfolgsraten um 27 % verbessert und schädliche Aktionen halbiert.

// 9. Vibe Kanban

Dieses Repository bietet Vibe Kanban, eine auf Rust basierende Orchestrierungsplattform für KI-Coding-Brokers wie Claude Code und Gemini CLI.

Sie lernen, zwischen Agenten zu wechseln, parallele und sequentielle Aufgaben zu orchestrieren, die Arbeit der Agenten zu überprüfen und MCP-Konfigurationen zu zentralisieren. Optimieren Sie den Übergang vom Schreiben von Code zur Planung, Überprüfung und Orchestrierung der KI-gesteuerten Entwicklung.

// 10. VibeKit

Dieses Repository bietet VibeKit, eine Sicherheitsschicht zum Ausführen von KI-Codierungsagenten in isolierten Docker-Sandboxen.

Sie lernen, Claude Code, Gemini CLI und andere Agenten sicher mit automatischer geheimer Schwärzung auszuführen, Vorgänge mit integrierter Observability zu überwachen und die Sandbox-Ausführung mithilfe des VibeKit SDK in Anwendungen zu integrieren – alles vollständig offline und ohne Cloud-Abhängigkeiten.

# Repo-Rezension

Diese Tabelle gibt Ihnen einen schnellen Überblick darüber, was jedes Repository lehrt und für wen es am besten geeignet ist, sodass Sie sofort den richtigen Vibe-Codierungspfad auswählen können.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

Bild vom Autor

# Einführung

GLM-4.6 ist die neueste Model des Z.AI Open-Weight-Codierungsmodells und bietet erhebliche Verbesserungen gegenüber GLM-4.5 in Bereichen wie Agentenleistung, Argumentation und Codierungs-Benchmarks. Obwohl es als offene Gewichtung für das Selbsthosting verfügbar ist, kann der Betrieb mit voller Kapazität ressourcenintensiv sein. Aus diesem Grund bevorzugen viele Entwickler eine schlanke Abonnementoption, die ihnen den Zugriff auf das Modell ermöglicht, ohne dass schwere {Hardware} erforderlich ist.

Wir stellen vor GLM-Codierungsplan: Eine kostengünstige und unkomplizierte Möglichkeit, GLM-4.6 für ca $3 professional Monat. Dieser Plan lässt sich nahtlos in gängige Entwicklertools integrieren, sodass Sie ihn mit minimalem Setup mit Ihrem Editor oder Ihrer Befehlszeilenschnittstelle verbinden können.

In diesem Tutorial erfahren Sie, wie Sie das verknüpfen GLM-Codierungsplan Zu OpenCode und verwenden Sie eine einzige Eingabeaufforderung, um eine einfache Zahlungsplattform-Web site zu erstellen, die es Ihnen ermöglicht, die Leistung von GLM-4.6 in einem realen Entwicklungsszenario zu bewerten.

# Den GLM-Codierungsplan verstehen

Der GLM-Codierungsplan ist der abonnementbasierte Dienst von Z.AI, der KI-gestützte Codierung mithilfe von integriert GLM-4.6 Modell in gängige Entwicklertools integrieren, schon ab nur $3 professional Monat.

Es funktioniert nahtlos in Umgebungen wie Claude Code, Cline und OpenCode, sodass Sie Ihren bestehenden Workflow beibehalten und gleichzeitig das zugrunde liegende Modell aktualisieren können.

Anstelle einer Gebühr professional Token bietet dieses monatliche Abonnement einen Lite-Einstiegsplan, der etwa 120 Eingabeaufforderungen innerhalb eines 5-Stunden-Zyklus in Claude Code bereitstellt, was es zu einer kostengünstigen Wahl für häufige Programmiersitzungen macht.

Praktisch gesehen können Sie für nur 3 $ professional Monat auf die Codierungsfunktionen von GLM über unterstützte Instruments wie Claude Code zugreifen, wobei eine kontinuierliche Erweiterung um zusätzliche Integrationen geplant ist. Auf diese Weise müssen Sie keine nutzungsabhängigen Gebühren verwalten.

Bild von GLM-Codierungsplan

# Einrichten von OpenCode mit dem GLM-Codierungsplan

Wir werden den GLM Coding Plan mit OpenCode verwenden. OpenCode ähnelt dem Claude Code-Ökosystem und bietet in einigen Fällen möglicherweise bessere Integrationsoptionen als Claude Code, sodass Sie problemlos jedes Modell aus Open-Supply- oder Claudes proprietären Quellen integrieren können.

1. Bitte installieren Sie OpenCode mit npm. Stellen Sie sicher, dass Node.js installiert ist. Führen Sie den folgenden Befehl in Ihrem Terminal aus:

npm set up -g opencode-ai

Wenn Sie Linux verwenden, können Sie alles einrichten, indem Sie den folgenden Befehl in das Terminal eingeben:

curl -fsSL https://opencode.ai/set up | bash

Wenn Sie Home windows verwenden, können Sie den integrierten Befehl zum Installieren von OpenCode verwenden:

2. Gehen Sie zu GLM-Codierungsplan Web site und melden Sie sich an. Wählen Sie das GLM Coding Lite-Abonnement aus. Sie müssen Kreditkarteninformationen angeben und Ihr Konto wird mit 3 $ belastet.

3. Rufen Sie Ihr Dashboard auf und klicken Sie auf „API-Schlüssel“ Choice. Generieren Sie Ihren API-Schlüssel und kopieren Sie ihn.

4. Geben Sie im Terminal den Befehl ein:

Wählen Sie den Z.AI-Codierungsplan aus und fügen Sie den API-Schlüssel ein, den Sie gerade kopiert haben.

5. Starten Sie OpenCode durch Eingabe opencode im Terminal. Benutzen Sie die /mannequin Befehl, um das Modellauswahlmenü aufzurufen und das vom Z.AI-Codierungsplan bereitgestellte Modell „GLM-4.6“ auszuwählen.

Sie sind bereit. So einfach ist das.

# Erstellen der Gen Pay-Web site mit dem GLM-4.6-Codierungsplan

Wir werden uns nun an die Entwicklung einer Web site für „Gen Pay“ machen, einer modernen Cellular-First-Zahlungslösung für die Era Z. Unser Ziel ist es, mit modernsten Webtechnologien ein ansprechendes, reaktionsfähiges und zugängliches Benutzererlebnis zu bieten.

Wir starten OpenCode und geben die Eingabeaufforderung ein, um die gesamte Web site zu erstellen.

Immediate:

Erstellen Sie mithilfe eines modernen Internet-Stacks eine interaktive, auf Mobilgeräte ausgerichtete Web site für eine Zahlungslösung der Era Z (Gen Pay). Verfolgen Sie alle Änderungen mit klaren, atomaren Git-Commits. Machen Sie das Erlebnis äußerst ansprechend und reaktionsschnell.

Nach ein paar Minuten wurde der Plan generiert und wir wurden angewiesen, den Planmodus zu verlassen und in den Erstellungsmodus zu wechseln. Sie können dies tun, indem Sie die Tab-Style auf Ihrer Tastatur drücken. Danach einfach eingeben proceedund es beginnt mit der Erstellung der Ordnerstruktur, der Dateien und wichtigen Metadaten, während Änderungen mit Git verfolgt werden.

Die Erstellung der Web site dauerte etwa 5 Minuten. Als nächstes haben wir es gebeten, alle Abhängigkeiten zu installieren und die Web site lokal auszuführen.

Notiz: Unter Home windows treten bei einigen Benutzern Probleme beim Scrollen durch den generierten Verlauf auf. Um dies zu vermeiden, stellen Sie Ihr Terminal auf das Open-Supply-Terminal um Eifer/Eifer.

Die Web site sieht poliert aus; Bei der ersten Überprüfung konnten wir keine sichtbaren Fehler feststellen. Es umfasst Optionen, Animationen, leuchtende Farben und alle notwendigen Informationen für die Zahlungsplattform.

Die Web site enthält alle erforderlichen Funktionalitäten und alles funktioniert reibungslos. Sie müssen nur einige kleinere Anpassungen vornehmen, wie zum Beispiel das Hinzufügen von Hyperlinks zu Social-Media-Konten und dem YouTube-Hyperlink für das Demovideo.

Es enthält sogar ein Formular, mit dem Benutzer ein Konto erstellen können. Ich bin beeindruckt; es ist auf Augenhöhe mit Claude Sonnet 4.

Das Beste daran ist, dass alle Änderungen nachverfolgt werden und Sie das Projekt auf GitHub veröffentlichen können: kingabzpro/Gen-Pay: Zahlungslösung für Gen Z

# Abschluss

Der GLM-4.6-Codierungsplan ist eine hervorragende Choice, wenn Sie maximale Codierungsfunktionen zu minimalen Kosten suchen. Die Pläne beginnen bei nur 3 $ professional Monat und sind mit beliebten Instruments wie Claude Code, Kilo Code und OpenCode kompatibel. Dieser Plan bietet etwa die dreifache Nutzung typischer Alternativen (Claude Code) und stellt auf der Lite-Stufe etwa 120 Eingabeaufforderungen professional 5-Stunden-Zyklus bereit.

Die Kombination aus niedrigem Preis, höherer Anfragequote und umfassender Integration ermöglicht eine einfache Integration in Ihren bestehenden Workflow, ohne dass die Funktionalität verloren geht.

Ich habe es mit Cursor, Kilo Code, Droid und OpenCode verwendet. Am wichtigsten ist, dass ich den ganzen Monat nur 3 $ bezahlt habe und nicht einmal das Restrict erreicht habe. Im Vergleich zu den Plänen Cursor und Cline halte ich dies für die beste verfügbare Choice.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.