Техлид Amazon о вайб-кодинге: «Он ускоряет работу, но в продакшене я его избегаю»
Энни Чен — техлид Amazon, ежедневно использует ИИ для написания кода. Она занимается внедрением масштабных генеративных систем и LLM-решений и отвечает за направление, связанное с «memory» — слоем персонализации в продуктах Amazon. При этом она подчеркивает: вайб-кодинг ускоряет работу, но в продакшене без инженерного контроля он небезопасен.
«Вайб-кодинг помогает в дебаге, небольших задачах, переписывании кода и поиске решений»
Процесс напоминает быстрое код-ревью: нейросеть получает задачу, выдает решение, а ты правишь и уточняешь. Модель при этом может не только исправить ошибку, но и (!) внести новую, поэтому надо быть внимательным. Но даже так это выходит быстрее, чем делать все вручную.
Без глубоких технических знаний это почти бессмысленно
Энни поясняет: ИИ умеет генерировать кучу вариантов, но отличить надежное решение от красивого, но хрупкого, под силу только инженеру. Если не понимать архитектуру, ограничения системы и то, как она ведет себя под нагрузкой, легко выбрать вариант, который идеально выглядит в песочнице, но рухнет в бою.
Проблема еще и в том, что нейросеть не учитывает скрытые допущения. Если специально не упомянуть многопоточность, высокую нагрузку или особенности распределенной системы, она соберет простейшую рабочую версию.
На тестах все будет гладко, а под реальным трафиком все рассыпется.
Пример из практики Энни Чен
«Недавно у нас возникла сложная ситуация с блокировками при работе со смежной командой. Тема была для меня относительно новой, и без помощи LLM я, скорее всего, потратила бы целый день на исследование решений.
Поэтому я обсудила проблему с нейросетью: указала на слабые места в ее предложениях и просила улучшить их. Уже через 15 минут у меня на руках был готовый план действий.
Это идеальный пример того, как технические знания работают в тандеме с ИИ: ты понимаешь, что считать хорошим решением, а что нет. Модель здесь — как официант, который приносит все блюда из меню, а ты, зная толк в еде, выбираешь самое подходящее.
Технические знания здесь помогают — ты понимаешь, что является хорошим решением, а что нет.
Можно сравнить это с походом в ресторан: у тебя есть вкус и понимание, что должно быть в тарелке, но ты не видишь карту блюд. LLM открывает перед тобой все меню, а ты заказываешь только то, что считаешь стоящим»
Без глубоких технических знаний все это бессмысленно
Несмотря на всю пользу, Энни с большой осторожностью относится к использованию кода, написанного ИИ, в продакшене.
LLM отлично решают поставленные задачи, но они часто делают неявные допущения, о которых ты можешь не догадываться. Если ты не напишешь в запросе, что код должен работать в многопоточной среде, модель выдаст минимально рабочую версию.
Такой продукт будет работать в идеальных условиях, но при масштабировании или реальной нагрузке его код, скорее всего, рухнет.
Нетехнические специалисты могут попросить LLM написать что-то, рассчитанное на миллионы пользователей. Но без специальных знаний сложно заранее предусмотреть все ограничения и узкие места. Если не объяснить эти нюансы модели, она их просто не учтет, и проблемы проявятся уже в процессе эксплуатации.
Модель ведь не догадывается, а просто делает то, что ей сказали.
Нетехнические пользователи, как правило, используют LLM для реактивного исправления уже возникших проблем. Технические же специалисты могут предвидеть ограничения заранее и предотвращать проблемы на корню.
Кроме того, люди с опытом разработки лучше понимают сгенерированный код и отдают себе отчет в том, что у LLM получается хорошо, а что — плохо.
Чтобы использовать ИИ с максимальной отдачей, нужно понимать его природу: как он обучался и в чем его уязвимости (например, в логике или математике). Особенно это важно при масштабировании: код, рассчитанный на нагрузку в 100 миллионов пользователей, требует принципиально иного подхода, чем локальное решение.
«Делать вид, что вайб-кодинга не существует, тяжело»
Энни рассказывает, что поначалу руководство подталкивало сотрудников к использованию ИИ. «Наша команда работает с GenAI, поэтому мы были более восприимчивы к технологии», — говорит девушка. В других командах, не связанных с этой темой, инженеры поначалу реагировали скептически: «Нет, я не позвлю ИИ делать мою работу. Я не доверяю коду, написанному машиной».
Но как только люди пробовали, их отношение менялось: они видели, что ИИ нередко дает блестящие результаты.
Сейчас довольно трудно устоять перед вайб-кодингом. Руководство видит рост продуктивности у тех, кто его использует, и будет поощрять тебя делать то же самое. Когда твои коллеги кодят быстрее благодаря ИИ, трудно не последовать их примеру. Если ты не можешь поддерживать тот же темп, становится сложно работать в команде. Такой вот негласный новый стандарт.
Даже сознательное сопротивление вайб-кодингу не спасает от влияния ИИ
Сгенерированный код и комментарии неизбежно попадают на ревью. Даже если разработчик не пишет ни строчки с помощью нейросети, он все равно вынужден работать с результатами чужого «вайб-кодинга»
И вместо выводов: вайб-кодинг не отменяет профессию разработчика, а меняет ее фокус
В новой реальности побеждает не тот, кто умеет писать код вручную, а тот, кто, обладая фундаментальными знаниями, способен грамотно ставить задачи нейросети, видеть слабые места в ее «красивых» решениях и строить надежные системы из того, что предлагает нейросеть. Технология превращается из конкурента в официанта, но выбор блюд и, главное, их переваривание в продакшене — остается за человеком.
27.04.2026
Была ли статья полезной?
