Глоссарий вайбкодинга и ИИ-разработки

Фрагмент текста для AI.

React-компоненты.

Ошибки в реальном времени.

Очереди задач Node.js на Redis.

In-memory хранилище.

Приём платежей API.

Документ требований для AI.

Одна задача = один файл.

Дашборды.

Chrome из кода.

Валидация TS-данных.

Данные в коде.

Автоматизация браузера.

Парсинг HTML как jQuery.

Запасной план.

HTTP-запрос при событии.

Ограничение запросов.

Изолированная среда.

Создать через AI быстро.

Стиль разработки, при котором человек выступает в роли арт-директора или продуктового менеджера, а основную массу кода пишет ИИ-агент (Cursor, Claude Code, Composer). Разработчик управляет процессом через высокоуровневые промпты, полагаясь на интуицию и общее ощущение правильности работы интерфейса.

Инструкция или запрос, который вы даёте AI-модели для получения ответа.

Код, сгенерированный ИИ-агентом, который работает и выполняет задачу, но разработчик до конца не вникал в каждую строчку синтаксиса. Держится на удачном сочетании промпта, контекста и встроенных библиотек.

Вся информация, которую модель знает о текущей задаче и предыдущих сообщениях в диалоге.

Создатель продуктов нового поколения, который минимально пишет код вручную. Его главные навыки — декомпозиция задач, формулирование ценности (JTBD), промпт-инжиниринг и проверка результата через артефакты.

Условная единица текста, на которые модель разбивает входные данные. ~4 символа английского или ~1-2 символа русского.

Инженерная дисциплина составления структурированных инструкций для ИИ-моделей. Включает задание системной роли, контекста проекта, XML-контрактов, Few-Shot примеров и ограничений на формат вывода.

Высший пилотаж взаимодействия с ИИ: аккуратное, точное направление агента с помощью коротких, контекстно-обогащенных микро-промптов вместо огромных простыней текста, что исключает галлюцинации и расфокус.

Скрытые инструкции, которые разработчик модели задаёт до начала диалога. Пользователь их не видит.

Параметр от 0 до 2, который контролирует степень случайности и креативности ответов модели.

Парадигма, в которой ИИ-агенты наделены автономностью: они сами читают файловую систему, запускают терминал, проверяют линтеры, читают логи ошибок и циклически исправляют баги до получения зеленого билда.

Архитектура разработки, где специализированные ИИ-агенты распределяют обязанности: агент-автор пишет код, агент-валидатор прогоняет тесты, агент-аудитор проверяет безопасность и доступность.

Низкокачественный, шаблонный, раздутый и бессмысленный код или контент, сгенерированный ИИ без должного контроля человека. Характеризуется избыточными комментариями-очевидностями, устаревшими паттернами и отсутствием архитектурной мысли.

Large Language Model — большая языковая модель. Нейросеть, обученная на огромных объёмах текста.

Секретный ключ, который даёт доступ к AI-модели через программный интерфейс.

Избыточный, неэффективный код, предложенный автодополнением ИИ, который разработчик бездумно принял нажатием Tab (например, 40 строк ненужных проверок там, где хватило бы одной строчки).

Ситуация, когда ИИ генерирует излишне многословный код 'на все случаи жизни' с десятками неиспользуемых интерфейсов, хелперов и обработчиков, которые только усложняют чтение проекта.

AI-ассистент, который работает вместе с программистом как напарник: предлагает код, находит ошибки, объясняет.

Код от ИИ, который идеально работает на основном счастливом сценарии (Happy Path), но падает с ошибкой при любом нестандартном вводе, пустом массиве или медленном интернете, так как ИИ не учел краевые случаи.

Сгенерированный ИИ код, который настолько нелогичен, содержит ошибки компиляции и выдуманные функции, что его проще удалить целиком и переписать промпт с нуля, чем тратить время на исправление.

Решение задачи одним промптом, без дополнительных уточнений.

Вид технического долга, при котором кодовая база завязана на нестабильные или не зафиксированные системные промпты, и после очередного обновления модели провайдером вся автоматизация внезапно ломается.

Пошаговое улучшение результата через серию запросов.

Переписывание существующего кода без изменения его поведения — для читаемости, производительности, расширяемости.

Процесс генеральной уборки проекта: удаление шаблонного ИИ-мусора, очевидных комментариев, хардкода стилей и приведение архитектуры к чистым инженерным стандартам.

Ситуация, когда языковая модель уверенно придумывает несуществующие функции, методы или npm-пакеты, которых никогда не было в природе, основываясь на вероятностном распределении слов.

Готовая базовая структура проекта, которую используют как стартовую точку.

Minimum Viable Product — минимально жизнеспособный продукт. Самая простая версия, которую уже можно показать.

Явление, при котором ИИ-агент в ходе длинной сессии чата постепенно забывает исходную цель или правила проекта, уходя в сторону и начиная переписывать не те файлы.

Классическая ловушка вайбкодинга: ИИ исправляет баг А, создавая ошибку Б, затем чинит Б, возвращая баг А, и так по бесконечному кругу, сжигая токены.

Процесс поиска и исправления ошибок в коде с помощью AI.

AI-система, которая не просто отвечает на вопросы, а выполняет действия: пишет код, работает с файлами, отправляет запросы.

Фрагменты старого кода или удаленные импорты, которые ИИ упорно продолжает восстанавливать и предлагать исправить, потому что они остались в истории чата или кэше контекста.

Решение от ИИ, которое выглядит неочевидным, переусложненным или странным, но при этом безупречно работает и проходит тесты. Создатель боится прикасаться к нему руками.

Способность AI-модели использовать внешние инструменты: калькулятор, поиск, базу данных, API.

Запрос к ИИ в духе 'сделай красивее', 'причеши код' или 'улучши архитектуру' без конкретных технических требований, что обычно приводит к непредсказуемой поломке рабочей логики.

Быстрая экспресс-проверка работоспособности фичи глазами в браузере: кликнуть по кнопке, проверить анимацию и адаптивность на 375px без запуска тяжелых unit-тестов.

Retrieval-Augmented Generation — метод, при котором модель ищет ответы в вашей базе знаний, а не только в своей памяти.

Преобразование текста в числовой вектор, который отражает его смысл. Близкие по смыслу тексты = близкие векторы.

Грубая ошибка: просьба к ИИ 'исправь ошибку' или 'добавь кнопку' без прикрепления файла, фрагмента кода, точного лога терминала или структуры данных.

Психологическое состояние создателя, при котором он теряет способность писать базовый синтаксис или формулировать алгоритмы в чистом блокноте без постоянных подсказок ИИ.

Специализированная база данных для хранения и поиска по векторным представлениям (embedding'ам).

Процесс дообучения готовой модели на своих данных для улучшения качества в конкретной задаче.

Запутанные дебри кода, возникшие после десятка итераций правок разными агентами, где никто уже не понимает общую архитектуру, но всё держится на честном слове.

Популярный фреймворк для построения цепочек вызовов AI: промпт → API → обработка → следующий промпт.

Процесс генерации готового интерактивного интерфейса (React, Tailwind, CSS) исключительно из текстового описания задачи в специализированных средах (v0, Bolt, Lovable).

Вайбкодинг-паттерн, при котором разработчик загружает изображение референса или макета в мультимодальную модель (Claude Sonnet 3.7 / GPT-5), а агент воссоздает разметку и стили.

Модель с усиленной способностью к логическому рассуждению. Думает дольше, но глубже.

Техника, при которой модель показывает пошаговый процесс рассуждения перед ответом.

Заблуждение новичков о том, что ИИ может в один клик превратить сложный многослойный макет из Figma в чистый production-ready код без необходимости ручной доработки адаптивности и семантики.

Подход к стилизации, при котором создатель не высчитывает каждый пиксель в редакторе, а задает общее настроение и ориентиры: 'в стиле Stripe, чистый минимализм, мягкие тени и высокая контрастность'.

Процесс генерации ответа моделью. В отличие от обучения, inference — это использование уже готовой модели.

Время между отправкой запроса и получением ответа от AI.

Антипаттерн, при котором ИИ игнорирует зафиксированные в проекте CSS-переменные (var(--color-accent)) и начинает вставлять случайные hex-цвета (#3b82f6) и магические числа, ломая цветовую схему.

Ситуация, когда ИИ придумывает несуществующие классы Tailwind CSS (например, text-super-bold, bg-custom-glow-500, flex-center-all), которые не поддерживаются без кастомного конфига.

Стандартизированный тест для измерения производительности AI-моделей в конкретных задачах.

Хаотичное накручивание значений z-index агентом (z-[999], z-[9999], z-[999999]) для решения проблем с перекрытием слоев вместо правильного управления stacking context.

Платформа для сравнения моделей методом слепого тестирования.

Ограничения, встроенные в модель для предотвращения вредных или опасных ответов.

Антипаттерн генерации, когда ИИ, не разобравшись с классами, начинает массово навешивать тяжелые объекты style={{ margin: '14px', display: 'flex' }} прямо в JSX, делая код нечитаемым.

Возможность модели возвращать ответ в строго определённом формате, например JSON по схеме.

Ситуация, когда ИИ импортирует или использует компонент, которого нет в вашем проекте (например, <MagicDatePicker /> или <BadgeGlow />), потому что помнит его из других библиотек.

Визуально бездушный, пластиковый интерфейс с шаблонными неоновыми фиолетово-синими градиентами, кривыми тенями и гигантскими кнопками, по которому сразу видно, что дизайнер к нему не прикасался.

Перегрузить чат с AI лишней информацией так, что модель начинает путаться.

Довести AI-агента до состояния когда он делает бессмысленные действия.

Бессмысленная многослойная вложенность из десятков тегов <div><div><div>, сгенерированная ИИ ради центрирования одной иконки, полностью игнорирующая семантический HTML.

Интерфейс, сшитый ИИ из кусков совершенно разных дизайн-систем: одна кнопка со скруглением 99px из Material, вторая квадратная со строгой рамкой, а таблица со шрифтом из 2010 года.

Накопление старых решений и комментариев в диалоге, которые мешают работе.

Модель (или конкретная сессия), которая начала активно придумывать несуществующие факты.

Склонность ИИ генерировать внешне красивый интерфейс, который абсолютно недоступен для клавиатуры, не имеет aria-лейблов, alt-тегов у картинок и правильного цветового контраста.

Жаргонные глаголы: работать в Cursor, обсуждать архитектуру с Claude, быстро генерировать через GPT.

Забытый текст-рыба (Lorem ipsum, 'John Doe', 'Card description goes here'), который ИИ сгенерировал во время верстки, а создатель забыл заменить на живой текст перед публикацией.

Заставить модель глубже анализировать задачу через правильную постановку вопроса или системный промпт.

Идеально выверенное техническое задание для ИИ, в котором указаны точные размеры контейнера, брейкпоинты, шрифтовые токены и контрастность, сводящее вероятность слопа к нулю.

Файл стилей после 15 итераций правок от ИИ, где старые неиспользуемые правила конфликтуют с новыми, везде проставлены !important, а мелкая правка ломает половину сайта.

Загрузить в диалог все необходимые документы, правила и историю для качественной работы.

Максимальный объем информации (в токенах), который языковая модель может удерживать в оперативной памяти за один раз. При его превышении старая часть разговора безвозвратно стирается.

Нерациональный расход лимитов подписки или API-баланса путем отправки гигантских ненужных дампов базы данных, картинок или всей кодовой базы в каждый промпт.

Открытый стандарт от Anthropic (USB-разъем для AI), позволяющий безопасно подключать языковые модели к базам данных, локальным файлам, серверам и внешним API без написания кастомных интеграций.

Базовый каркас файла или модуля (импорты, интерфейсы, пустые функции-заглушки), который создается на первом шаге, чтобы затем пошагово наполнить его логикой без расфокусировки модели.

Методы промптинга. Zero-shot — запрос к модели 'в лоб' без примеров. Few-shot — передача в промпте 1–3 эталонных примеров 'вход → идеальный ответ', что повышает точность кода в разы.

Часть приложения, которую видит и с которой взаимодействует пользователь: кнопки, формы, анимация.

Серверная часть приложения: база данных, API, бизнес-логика. То, что пользователь не видит.

Application Programming Interface — набор правил, по которым программы общаются друг с другом.

Самый распространённый стиль API: URL = ресурс, HTTP-методы = действия.

JavaScript Object Notation — текстовый формат обмена данными. Стандарт для API.

JSON Web Token — компактный токен для аутентификации. Содержит подпись, которую нельзя подделать.

Протокол, позволяющий пользователю входить через сторонние сервисы (Яндекс, Google, GitHub).

Object-Relational Mapping — прослойка, которая превращает таблицы БД в объекты кода.

Create, Read, Update, Delete — четыре базовые операции с данными.

Код, который выполняется ДО основного обработчика запроса. Проверка авторизации, логирование.

React-фреймворк для создания full-stack приложений. Серверный рендеринг, API-роуты, файловая маршрутизация.

JavaScript-библиотека для создания интерфейсов. Компонентный подход: всё состоит из кубиков.

JavaScript с проверкой типов. Ловит ошибки до запуска, а не в продакшене.

Современный ORM для Node.js и TypeScript. Генерирует типобезопасный клиент из схемы БД.

Backend в облаке.

Утилитарный CSS-фреймворк. Стили пишутся прямо в HTML-классах.

Платформа для упаковки приложений в изолированные контейнеры.

Библиотека для создания типобезопасных API без REST и GraphQL.

Организованное хранилище данных. Вместо файлов — таблицы со связями.

Способ version-control'ить структуру БД. Каждое изменение схемы — отдельный файл.

Уникальный идентификатор каждой записи в таблице.

Группа операций с БД, которые выполняются как одно целое: либо все, либо ни одной.

Система контроля версий. Сохраняет историю всех изменений в коде.

Запрос на добавление изменений из одной ветки в другую. Стандарт код-ревью.

Continuous Integration / Continuous Deployment — автоматизация тестирования и деплоя.

Ситуация когда два человека изменили один и тот же код и Git не может решить чья версия правильная.

Процесс публикации приложения на сервер, где его видят пользователи.

Domain Name System — система, которая переводит имена сайтов в IP-адреса.

Secure Sockets Layer — протокол шифрования данных между браузером и сервером.

Веб-сервер и обратный прокси. Принимает запросы и распределяет их.

Окружение в котором работает приложение: development (локально), staging (тест), production (боевой).

Content Delivery Network — сеть серверов, которая раздаёт статику с ближайшего к пользователю узла.

Virtual Private Server — виртуальный выделенный сервер. Твой личный компьютер в дата-центре.

Software as a Service — модель когда вы продаёте доступ к программе по подписке.

Minimum Viable Product — версия с минимумом функций, достаточная для проверки идеи.

Key Performance Indicator — числовой показатель эффективности.

Бизнес-модель: базовые функции бесплатно, продвинутые — за деньги.

Процент пользователей, совершивших целевое действие (покупка, регистрация).

Search Engine Optimization — оптимизация сайта для поисковых систем.

Заголовок страницы, который показывается в поисковой выдаче. 50-70 символов.

Файл со списком всех страниц сайта для поисковых роботов.

Стандарт разметки данных для поисковиков. Позволяет показывать звёзды, цены, FAQ в выдаче.

Мета-теги для красивого превью страницы при分享е в соцсетях.

Файл с инструкциями для поисковых роботов: что можно индексировать, а что нет.

Довести диалог с AI до состояния когда модель начинает противоречить сама себе.

Долго и вдумчиво обсуждать архитектуру с Claude, получая детальный план.

Быстро сгенерировать проект через GPT, не вдаваясь в архитектурные детали.

AI-агент повторяет одно и то же действие бесконечно, не понимая что результата нет.

Дать слишком много инструкций в одном промпте — модель начинает путаться.

«Подними MCP к Supabase, заверни через RAG и кинь в агент через Tool Calling» → «Подключи базу данных через протокол MCP, дай модели доступ к знаниям через RAG и позволь использовать инструменты».

«Вайбанул на Next.js с Prisma, задеплоил через Docker на VPS, SSL через Nginx» → «Создал проект на Next.js с базой данных через Prisma, упаковал в Docker-контейнер и запустил на своём сервере с защищённым соединением».

«Завернул агента в event-driven workflow с reflection loop и memory layer» → «Сделал AI-агента, который реагирует на события, проверяет свои результаты и помнит контекст».

«Context window забился — надо почистить и сжать контекст перед следующей итерацией» → «Модель помнит слишком много старой информации — нужно начать новый диалог с кратким изложением сути».

«Агент галлюцинирует — подними temperature и добавь structured output с JSON схемой» → «Модель придумывает факты — уменьши креативность и заставь отвечать строго по шаблону».

Асинхронный Python-фреймворк для Telegram ботов. Самый популярный в России.

TypeScript/JS фреймворк для Telegram Bot API с middleware-архитектурой.

Метод получения обновлений: бот периодически опрашивает сервер Telegram.

HTTP-интерфейс для управления ботами. Отправка сообщений, кнопок, платежей.

Кнопки под сообщением бота. При нажатии отправляют callback-запрос.

Внутренняя валюта Telegram для оплаты цифровых товаров в ботах и Mini Apps.

Веб-приложение внутри Telegram. Использует Telegram Web App API.

Запрос от Telegram при нажатии Inline Keyboard. Содержит заданный тобой data.

Паттерн управления состояниями. Позволяет вести пользователя по шагам диалога.

Разновидность Polling: соединение держится открытым пока нет обновлений.

Промежуточный обработчик. Перехватывает сообщение до основного обработчика.