وایب کدینگ
وایب کدینگ یا کدنویسی حسی ((به انگلیسی: Vibe coding)) روشی برای تولید کد منبع با استفاده از هوش مصنوعی مولد است که در آن کاربر به جای نوشتن مستقیم بخش بزرگی از کد، نیاز یا هدف خود را با زبان طبیعی برای یک مدل هوش مصنوعی توضیح می‌دهد و سپس خروجی تولیدشده را با اجرای برنامه، ارائه بازخورد و درخواست اصلاحات، به‌صورت تکرارشونده توسعه می‌دهد. در شکل اصلی این رویکرد، کاربر ممکن است بدون درک کامل جزئیات کد تولیدشده آن را بپذیرد و بیشتر بر نتیجه و رفتار نرم‌افزار تمرکز کند.[۱]
اصطلاح «vibe coding» را آندری کارپاتی، پژوهشگر هوش مصنوعی و از اعضای بنیانگذار اوپن‌ای‌آی، در ۲ فوریه ۲۰۲۵ در پستی در شبکه اجتماعی ایکس به کار برد. او این روش را نوعی کدنویسی توصیف کرد که در آن فرد تا حد زیادی از جزئیات کد فاصله می‌گیرد و با بیان خواسته‌ها، اجرای نتیجه و بازگرداندن خطاها به مدل، به‌صورت گفت‌وگومحور با آن کار می‌کند.[۲][۱]
تعریف و ویژگی‌ها
کدنویسی حسی بر تعامل گفت‌وگومحور میان انسان و مدل‌های زبانی بزرگ یا عامل‌های هوش مصنوعی متمرکز است. کاربر می‌تواند هدفی مانند ساخت یک وبگاه، افزودن یک قابلیت به یک برنامه یا ایجاد یک ابزار کوچک را به زبان طبیعی بیان کند. سامانه هوش مصنوعی سپس می‌تواند کد، فایل‌های پیکربندی و در برخی ابزارها حتی ساختار پروژه را تولید یا تغییر دهد. کاربر نتیجه را اجرا می‌کند و در صورت مشاهده خطا یا نتیجه نامطلوب، توضیح یا پیام خطا را دوباره در اختیار سامانه قرار می‌دهد.[۱][۳]
یکی از ویژگی‌های اصلی کدنویسی حسی، کاهش میزان توجه مستقیم کاربر به جزئیات پیاده‌سازی است. کارپاتی در توصیف اولیه خود از این اصطلاح، توضیح داد که در این شیوه کد می‌تواند از سطح درک معمول او فراتر برود و در صورت بروز خطا، به جای بررسی کامل علت، از مدل برای اصلاح یا تغییر برنامه استفاده می‌کند.[۲]
این ویژگی باعث شده است کدنویسی حسی با مفهوم گسترده‌تر «برنامه‌نویسی با کمک هوش مصنوعی» یکسان در نظر گرفته نشود. سایمون ویلیسون، پژوهشگر مستقل و توسعه‌دهنده نرم‌افزار، میان استفاده از مدل زبانی به‌عنوان دستیار برنامه‌نویسی و کدنویسی حسی تفاوت می‌گذارد. از دیدگاه او، اگر مدل تمام خطوط کد را تولید کند اما توسعه‌دهنده کد را بررسی، آزمایش و درک کند، این کار بیشتر استفاده از مدل زبانی به‌عنوان دستیار است؛ در حالی که پذیرش کد بدون درک کامل آن به تعریف رایج‌تر کدنویسی حسی نزدیک است.[۱]
خاستگاه اصطلاح
پیش از رواج اصطلاح «vibe coding»، مدل‌های زبانی و ابزارهای هوش مصنوعی برای تکمیل کد، تولید قطعه‌کد، توضیح برنامه و رفع خطا مورد استفاده قرار می‌گرفتند. کدنویسی حسی نام مشخصی برای شکل افراطی‌تر این تعامل ایجاد کرد که در آن بخش قابل توجهی از فرایند تولید و اصلاح کد به مدل هوش مصنوعی سپرده می‌شود.[۱]
آندری کارپاتی در ۲ فوریه ۲۰۲۵ اصطلاح «vibe coding» را در شبکه اجتماعی ایکس معرفی کرد. او در همان نوشته از ابزارهایی مانند Cursor Composer و مدل‌های زبانی نام برد و توضیح داد که با استفاده از گفت‌وگو و حتی ورودی صوتی، می‌تواند بدون تماس مستقیم زیاد با صفحه‌کلید پروژه‌ای نرم‌افزاری ایجاد کند.[۲]
این اصطلاح در مدت کوتاهی در میان توسعه‌دهندگان، شرکت‌های فناوری و رسانه‌های تخصصی رایج شد. در مارس ۲۰۲۵، آرس تکنیکا آن را به‌عنوان رویکردی نوظهور در توسعه نرم‌افزار بررسی کرد و به بحث درباره مزایا و خطرات آن پرداخت.[۱]
فرایند
کدنویسی حسی معمولاً به‌صورت یک چرخه تکرارشونده انجام می‌شود:
- کاربر هدف یا قابلیت مورد نظر خود را به زبان طبیعی توضیح می‌دهد.
- مدل هوش مصنوعی کد یا تغییرات لازم را تولید می‌کند.
- کاربر برنامه را اجرا می‌کند و نتیجه را مشاهده می‌کند.
- خطا یا رفتار نامطلوب به مدل اعلام می‌شود.
- مدل تغییرات جدیدی پیشنهاد یا اعمال می‌کند.
- این چرخه تا رسیدن به نتیجه مطلوب ادامه پیدا می‌کند.
در ابزارهای جدیدتر، سامانه ممکن است تنها تولیدکننده کد نباشد و بتواند فایل‌های پروژه را بررسی کند، چند فایل را تغییر دهد، دستورهای خط فرمان اجرا کند، آزمایش‌ها را اجرا کند و بر اساس نتیجه، تغییرات بعدی را پیشنهاد دهد. به همین دلیل، مرز میان کدنویسی حسی و استفاده از عامل‌های هوش مصنوعی برای مهندسی نرم‌افزار در سال‌های پس از معرفی این اصطلاح تا حدی گسترده‌تر شده است.[۴]
کاربردها
کدنویسی حسی در ابتدا بیشتر برای پروژه‌های کوچک، نمونه‌های اولیه، ابزارهای شخصی و پروژه‌های آزمایشی مطرح شد. کارپاتی نیز در توصیف اولیه خود آن را برای پروژه‌های موقتی و شخصی مناسب‌تر از نرم‌افزارهای حساس و بلندمدت دانست.[۲]
از کاربردهای مطرح‌شده برای این رویکرد می‌توان به ساخت نمونه‌های اولیه وبگاه‌ها و برنامه‌ها، ایجاد ابزارهای شخصی، خودکارسازی کارهای ساده، ساخت بازی‌های کوچک و آزمایش سریع ایده‌های نرم‌افزاری اشاره کرد.[۱][۴]
این روش امکان ساخت برخی برنامه‌های ساده را برای افرادی که تجربه محدودی در برنامه‌نویسی دارند نیز فراهم کرده است. با این حال، نداشتن مهارت برنامه‌نویسی لزوماً به معنای توانایی ساخت و نگهداری نرم‌افزارهای پیچیده نیست و پروژه‌های بزرگ‌تر همچنان به دانش معماری نرم‌افزار، آزمون، امنیت، کنترل نسخه و اشکال‌زدایی نیاز دارند.[۴]
گسترش در صنعت فناوری
رواج کدنویسی حسی در سال ۲۰۲۵ با افزایش استفاده از ابزارهای تولید کد مبتنی بر هوش مصنوعی همراه شد. ابزارهایی مانند Cursor، GitHub Copilot و Replit Agent از جمله سامانه‌هایی بودند که امکان تعامل زبانی با کد و تولید یا اصلاح بخش‌هایی از پروژه را فراهم کردند.[۱]
در مارس ۲۰۲۵، ایوان متا از تک‌کرانچ گزارش کرد که جرد فریدمن، مدیرعامل Y Combinator، گفته است حدود یک‌چهارم استارتاپ‌های گروه زمستان ۲۰۲۵ این شتاب‌دهنده، پایگاه‌های کدی داشته‌اند که حدود ۹۵ درصد آنها توسط هوش مصنوعی تولید شده است. فریدمن در عین حال تأکید کرد که این استارتاپ‌ها بنیان‌گذاران فنی داشتند و استفاده گسترده از هوش مصنوعی لزوماً به معنای غیر فنی بودن آنها نبود.[۵]
در ادامه سال ۲۰۲۵، استفاده از اصطلاح «vibe coding» از فضای توسعه‌دهندگان فراتر رفت. گوگل در اکتبر ۲۰۲۵ قابلیت‌هایی برای کدنویسی حسی را در Google AI Studio معرفی کرد که هدف آنها تبدیل توضیح زبانی کاربر به برنامه‌های کاربردی مبتنی بر هوش مصنوعی بود.[۶]
واکنش‌ها
رواج کدنویسی حسی با واکنش‌های متفاوتی در جامعه توسعه‌دهندگان همراه بوده است. طرفداران آن بر سرعت بیشتر در ساخت نمونه‌های اولیه، کاهش موانع ورود و امکان تمرکز بر ایده به جای جزئیات نحوی زبان‌های برنامه‌نویسی تأکید می‌کنند.[۳]
در مقابل، منتقدان درباره کاهش قابلیت درک و نگهداری کد، افزایش خطاها و ایجاد مشکلات امنیتی هشدار داده‌اند. سایمون ویلیسون کدنویسی حسی برای پایگاه‌های کد تولیدی را پرخطر توصیف کرده و بر اهمیت درک و پاسخ‌گویی توسعه‌دهنده نسبت به کدی که وارد یک سامانه تولیدی می‌شود تأکید کرده است.[۱]
کوین روس، روزنامه‌نگار نیویورک تایمز، در فوریه ۲۰۲۵ تجربه خود از ساخت چند ابزار نرم‌افزاری با استفاده از هوش مصنوعی را شرح داد. او نشان داد که این روش می‌تواند به افراد غیرمتخصص امکان ساخت نرم‌افزارهای شخصی را بدهد، اما هم‌زمان به محدودیت‌ها و خطاهای احتمالی این رویکرد نیز اشاره کرد.[۷]
بهره‌وری
یکی از ادعاهای مهم پیرامون کدنویسی حسی، افزایش سرعت توسعه نرم‌افزار است. با این حال، شواهد تجربی درباره میزان این افزایش یکدست نیستند.
در یک مطالعه منتشرشده توسط METR در سال ۲۰۲۵، توسعه‌دهندگان باتجربه هنگام انجام وظایف واقعی روی مخازن نرم‌افزاری متن‌باز، در شرایطی که اجازه استفاده از ابزارهای پیشرفته هوش مصنوعی را داشتند، به‌طور میانگین زمان بیشتری نسبت به شرایط بدون استفاده از این ابزارها صرف کردند. پژوهشگران گزارش کردند که توسعه‌دهندگان پیش‌بینی کرده بودند ابزارهای هوش مصنوعی زمان انجام کار را کاهش دهند، اما در آزمایش انجام کار حدود ۱۹ درصد طولانی‌تر شد.[۸]
این نتیجه به معنای بی‌فایده بودن ابزارهای هوش مصنوعی برای برنامه‌نویسی نیست، بلکه نشان می‌دهد تأثیر آنها بر بهره‌وری به نوع کار، تجربه کاربر، ابزار مورد استفاده و میزان پیچیدگی پروژه وابسته است.[۸]
امنیت و قابلیت اطمینان
یکی از مهم‌ترین نگرانی‌های مربوط به کدنویسی حسی، امکان تولید کدی است که از نظر عملکردی قابل اجرا باشد اما دارای نقص‌های امنیتی یا طراحی باشد. واگذاری بخش بزرگی از فرایند پیاده‌سازی به مدل هوش مصنوعی می‌تواند باعث شود کاربر از جزئیاتی مانند اعتبارسنجی ورودی، مدیریت اسرار، کنترل دسترسی و سایر ملاحظات امنیتی غافل شود.
پژوهش‌های منتشرشده در سال ۲۰۲۵ و ۲۰۲۶ نیز این نگرانی‌ها را بررسی کرده‌اند. یک مطالعه در سال ۲۰۲۵ روی وظایف مهندسی نرم‌افزار واقعی نشان داد که عامل‌های کدنویسی هوش مصنوعی می‌توانند راه‌حل‌های عملکردی تولید کنند که هم‌زمان دارای آسیب‌پذیری‌های امنیتی باشند.[۹]
پژوهش دیگری در سال ۲۰۲۶ که برنامه‌های تولیدشده با رویکرد کدنویسی حسی را بررسی کرد، الگوهایی مانند منطق ناقص، ورودی بدون پالایش و افشای اطلاعات محرمانه را از جمله مشکلات مشاهده‌شده دانست و نتیجه گرفت که بهبود مدل‌ها و روش‌های پرامپت‌نویسی به‌تنهایی این خطرها را به‌طور کامل از بین نمی‌برد.[۱۰]
به همین دلیل، برای نرم‌افزارهای حساس یا پایگاه‌های کد تولیدی، بررسی انسانی، آزمون خودکار، بازبینی کد، کنترل نسخه و ارزیابی امنیتی همچنان اهمیت دارند.
برخی توسعه‌دهندگان کدهای تولیدشده توسط هوش مصنوعی را بدون درک عملکرد آنها وارد کد اصلی می‌کنند که این امر منجر به بروز باگ‌ها، خطاها یا آسیب‌پذیری‌های امنیتی کشف‌نشده می‌شود. اگرچه این رویکرد ممکن است برای نمونه‌سازی اولیه (prototyping) یا «پروژه‌های آخر هفته‌ای یک‌بارمصرف» همان‌طور که کارپاتی (Karpathy) در ابتدا تصور کرده بود مناسب باشد، اما به عقیده برخی کارشناسان در محیط‌های حرفه‌ای خطراتی ایجاد می‌کند؛ چون درک عمیق از کد برای اشکال‌زدایی (debugging)، نگهداری و امنیت ضروری است. وب‌سایت آرس تکنیکا (Ars Technica) به نقل از سایمون ویلیسون (Simon Willison) آورده است: «کدنویسی حسی برای رسیدن به یک پایگاه کد تولیدی (production codebase) به وضوح پرریسک است. بیشتر کاری که ما به عنوان مهندسان نرم‌افزار انجام می‌دهیم شامل تکامل سیستم‌های موجود است، جایی که کیفیت و قابلیت درک کد زیربنایی حیاتی است.»
در مه ۲۰۲۵، گزارش شد که اپلیکیشن سوئدی کدنویسی حسی Lovable دارای آسیب‌پذیری‌های امنیتی در کد تولیدی خود است، به‌طوری که از ۱,۶۴۵ برنامه وب ساخته‌شده با آن، ۱۷۰ مورد دارای مشکلی بودند که اجازه می‌داد اطلاعات شخصی توسط هر کسی قابل دسترسی باشد.[۱۱][۱۲]
در اکتبر ۲۰۲۵، شرکت وراکود (Veracode) مطالعه‌ای منتشر کرد که نشان می‌داد در طول ۳ سال گذشته، مدل‌های زبانی بزرگ (LLMها) به طور چشمگیری در تولید کدهای کاربردی بهتر شده‌اند، اما امنیت کد تولیدی عموماً بهبود نیافته است. علاوه بر این، مدل‌های بزرگ‌تر در تولید کد امن بهتر از مدل‌های کوچک‌تر نبودند. افزایش جزئی در امنیت از مدل‌های استدلالی اوپن‌ای‌آی (OpenAI reasoning models) دیده شد، اما در سایر مدل‌های استدلالی چنین نبود، و این افزایش به هیچ وجه به اندازه بهبود در عملکرد تولیدی نبود.[۱۳]
در دسامبر ۲۰۲۵، محقق امنیت رایانه، اعتزاز محسن (Etizaz Mohsin)، یک نقص امنیتی در پلتفرم کدنویسی حسی به نام ارکیدز (Orchids) کشف کرد که در فوریه ۲۰۲۶ به خبرنگار بی‌بی‌سی نیوز (BBC News) نشان داد.[۱۴]
یک تحلیل در دسامبر ۲۰۲۵ توسط CodeRabbit از ۴۷۰ درخواست ادغام (pull request) در گیت‌هاب (GitHub) با منبع‌باز نشان داد که کدهایی که به طور مشترک توسط هوش مصنوعی مولد نوشته شده‌اند، تقریباً ۱.۷ برابر بیشتر از کدهای نوشته‌شده توسط انسان دارای مشکلات «عمده» هستند. این مطالعه نشان داد که کدهای نوشته‌شده به همراه هوش مصنوعی دارای نرخ بالاتری از خطاهای منطقی از جمله وابستگی‌های نادرست، جریان کنترل معیوب، پیکربندی‌های اشتباه (۷۵٪ بیشتر) و آسیب‌پذیری‌های امنیتی (۲.۷۴ برابر بیشتر) هستند. علاوه بر این، آنها همچنین مشکلات بالایی در خوانایی کد از جمله خطاهای قالب‌بندی و ناهماهنگی در نام‌گذاری گزارش کردند.[۱۵][۱۶]
در ژوئیه ۲۰۲۵، بنیانگذار سااستار (SaaStr) تجربیات منفی خود را با کدنویسی ویبی مستند کرد: عامل هوش مصنوعی ریپلیت (Replit's AI agent) یک پایگاه داده را حذف کرد، با وجود اینکه صراحتا گفته شده بود هیچ تغییری را اعمال نکند.[۱۷][۱۸]
هنگامی که نرم‌افزار آرسینک (rsync) در ۲۰ مه ۲۰۲۶ به نسخه ۳.۴.۳ به‌روزرسانی شد، چندین کاربر گزارش دادند که قادر به انجام پشتیبان‌گیری افزایشی (incremental backup) از فایل‌ها نیستند. این کاربران متوجه شدند که از نسخه ۳.۴.۱ آرسینک به بعد، ده‌ها تغییر در کد توسط «تریج و کلاد» (tridge and claude) انجام شده است، به این معنی که از کلود (Claude) شرکت آنتروپیک (Anthropic) در فرایند کدنویسی استفاده شده است. این موضوع باعث شد یک کاربر یک مسئله (issue) در گیت‌هاب با عنوان «لطفاً این نرم‌افزار را با کدنویسی حسی خراب نکنید» (Please Do Not Vibe Fuck Up This Software) ایجاد کند که به سایر شبکه‌های اجتماعی مانند ردیت (Reddit) نیز سرایت کرد و منجر به بحث‌هایی درباره پذیرش کدهای تولیدشده توسط هوش مصنوعی در زیرساخت‌های حیاتی منبع‌باز شد.[۱۹] در پاسخ، تریج (Tridge) یک پست وبلاگی به نام «آرسینک و خشم» (rsync and outrage) منتشر کرد و در آن بیان داشت که از هوش مصنوعی برای افزودن مجموعه‌های تست (test suites) و «تکنیک‌های سخت‌سازی دفاع‌عمقی» (defence-in-depth hardening techniques) به کد استفاده کرده است. تریج همچنین اظهار داشت که اوپن‌آرسینک (openrsync) از سیستم‌عامل اوپن‌بی‌اس‌دی (OpenBSD) که یک پیاده‌سازی جایگزین از آرسینک است و برخی کاربران قصد استفاده از آن را داشتند، در مجموعه تست‌های کمک گرفته از هوش مصنوعی مردود می‌شود؛ این اظهارنظر توسط تام هولوردا (Thom Holwerda)، ویراستار اواس‌نیوز (OSNews)، به عنوان «کودکانه و غیرضروری» مورد انتقاد قرار گرفت.[۲۰]
قابلیت نگهداری کد و بدهی فنی
کدنویسیِ حسی (Vibe Coding) این پتانسیل را دارد که در بلندمدت نگهداری کد را دشوارتر کند و منجر به ایجاد بدهی فنی شود.
در اوایل سال ۲۰۲۵، شرکت گیت‌کلیر (GitClear) نتایج یک تحلیل طولی از ۲۱۱ میلیون خط تغییرات کد بین سال‌های ۲۰۲۰ تا ۲۰۲۴ را منتشر کرد. آنها دریافتند که حجم بازنویسیِ ساختاری کد (code refactoring) از ۲۵٪ از خطوط تغییر یافته در سال ۲۰۲۱ به کمتر از ۱۰٪ تا سال ۲۰۲۴ کاهش یافته است، حجم کدهای تکراری (code duplication) تقریباً چهار برابر افزایش یافته، کدهای کپی-پیست شده برای اولین بار در دو دهه اخیر از کدهای جابه‌جا شده پیشی گرفته است، و نرخ جابجایی زودهنگام کد (code churn) - یعنی کدی که پیش‌ازموعد ادغام شده و بلافاصله پس از ادغام دوباره بازنویسی می‌شود - تقریباً دو برابر شده است.[۲۱][۱۶]
در سپتامبر ۲۰۲۵، مجله Fast Company گزارش داد که «خماری کدنویسی حسی» فرا رسیده است و مهندسان نرم‌افزار ارشد از «جهنم توسعه» (development hell) هنگام کار با کدهای تولیدشده توسط هوش مصنوعی سخن می‌گویند.[۲۲]
چالش‌های مربوط به اشکال‌زدایی (debugging)
مدل‌های زبانی بزرگ (LLMها) کد را به صورت پویا تولید می‌کنند و ساختار چنین کدی ممکن است دستخوش تغییرات شود.[۲۳] علاوه بر این، از آنجا که توسعه‌دهنده خود کد را ننوشته است، ممکن است در درک نحوی (syntax) و مفاهیم آن دچار مشکل شود.
در مه ۲۰۲۶، روزنامه وال استریت ژورنال (The Wall Street Journal) انتقاداتی را از ماریو زچنر (Mario Zechner) و آرمین روناکر (Armin Ronacher)، مهندسان پشت ابزار کدنویسی Pi در داخل سیستم عامل هوش مصنوعی اوپن‌کلا (OpenClaw)، گزارش کرد. آنها نسبت به یک بحران قریب‌الوقوع «زباله‌ی وایبی» (vibe slop) هشدار دادند. به عقیده آنها، شرکت‌ها بهره‌وری کوتاه‌مدت را با مشکلات بلندمدت‌تری از جمله نرم‌افزارهای پراشکال، اختلال در سرویس‌ها، آسیب‌پذیری‌های امنیتی و افزایش بدهی فنی (technical debt) معاوضه می‌کنند. از زچنر نقل شده است که: «زیرساخت‌هایی دارید که در حال از هم پاشیدن است، و نرم‌افزاری دارید که نسبت به قبل بسیار، بسیار پراشکال‌تر شده است. ما می‌توانیم این بازی را چند ماه دیگر، یا شاید حتی چند سال دیگر ادامه دهیم، اما در نهایت این مشکلات دامنگیر ما خواهد شد.»[۲۴]
جایگاه در برنامه‌نویسی با هوش مصنوعی
کدنویسی حسی بخشی از روند گسترده‌تر استفاده از هوش مصنوعی در مهندسی نرم‌افزار است، اما تمام استفاده‌های هوش مصنوعی برای برنامه‌نویسی را شامل نمی‌شود. در یک سوی این طیف، ابزارهای تکمیل خودکار و دستیارهای برنامه‌نویسی قرار دارند که پیشنهادهای کوچک ارائه می‌کنند و توسعه‌دهنده کنترل و درک بالایی نسبت به کد دارد. در سوی دیگر، کدنویسی حسی قرار دارد که در تعریف اولیه آن، تولید و اصلاح بخش بزرگی از کد به مدل واگذار می‌شود و کاربر ممکن است بدون بررسی جزئیات آن را بپذیرد.[۱]
با افزایش توانایی عامل‌های هوش مصنوعی در خواندن مخزن، اجرای آزمایش‌ها، تغییر چند فایل و اصلاح خطاها، مرز میان این شیوه‌ها در حال تغییر است. به همین دلیل، اصطلاح «vibe coding» در کاربرد عمومی گاهی برای طیف گسترده‌تری از توسعه نرم‌افزار با زبان طبیعی و هوش مصنوعی به کار می‌رود.[۴]
جایگاه فرهنگی و واژگانی
گسترش سریع اصطلاح «vibe coding» باعث شد این عبارت در سال ۲۰۲۵ وارد فرهنگ عمومی فناوری شود. در نوامبر ۲۰۲۵، فرهنگ لغت کالینز «vibe coding» را به‌عنوان واژه سال ۲۰۲۵ انتخاب کرد. کالینز این اصطلاح را استفاده از هوش مصنوعی برای کمک به نوشتن کد رایانه‌ای با استفاده از زبان طبیعی تعریف کرد و افزایش قابل توجه کاربرد آن از زمان ظهور اصطلاح در فوریه ۲۰۲۵ را دلیل انتخاب آن دانست.[۲۵]
مریام وبستر نیز مدخل «vibe coding» را در فرهنگ لغت آنلاین خود قرار داده است. این فرهنگ لغت آن را تولید کد رایانه‌ای با کمک یک سامانه هوش مصنوعی تعریف می‌کند و تاریخ نخستین کاربرد شناخته‌شده این اصطلاح را سال ۲۰۲۵ می‌داند.[۲۶]
انتخاب این اصطلاح به‌عنوان واژه سال کالینز نشان‌دهنده گسترش آن از یک اصطلاح در میان توسعه‌دهندگان به یک عبارت شناخته‌شده در بحث‌های عمومی درباره هوش مصنوعی و آینده توسعه نرم‌افزار بود.[۲۵]
جستارهای وابسته
منابع
- 1 2 3 4 5 6 7 8 9 10 Edwards, Benj (5 March 2025). "Will the future of software development run on vibes?". Ars Technica (in English). Retrieved 18 August 2026.
- 1 2 3 4 Karpathy, Andrej (2 February 2025). "There's a new kind of coding I call "vibe coding"". X (in English). Retrieved 18 August 2026.
- 1 2 Palmer, Matt (26 March 2025). "What is Vibe Coding?". Replit (in English). Retrieved 18 August 2026.
- 1 2 3 4 McHugh-Johnson, Molly (6 October 2025). "Ask a Techspert: What is vibe coding?". Google (in English). Retrieved 18 August 2026.
- ↑ Mehta, Ivan (6 March 2025). "A quarter of startups in YC's current cohort have codebases that are almost entirely AI-generated". TechCrunch (in English). Retrieved 18 August 2026.
- ↑ "Introducing vibe coding in Google AI Studio". Google (in English). 26 October 2025. Retrieved 18 August 2026.
- ↑ Roose, Kevin (27 February 2025). "The Great AI Debate: Will AI Replace Programmers?". The New York Times (in English). Retrieved 18 August 2026.
- 1 2 Measuring AI Ability to Complete Real World Tasks (11 July 2025). "AI coding tools may not speed up every developer, study shows". TechCrunch (in English). Retrieved 18 August 2026.
- ↑ Zhao, Songwen; Wang, Danqing; Zhang, Kexun; Luo, Jiaxuan; Li, Zhuo; Li, Lei (2025). "Is Vibe Coding Safe? Benchmarking Vulnerability of Agent-Generated Code in Real-World Tasks". arXiv (in English).
- ↑ Deng, Junquan; Fan, Zhiyu; Meng, Ruijie (2026). "Understanding the (In)Security of Vibe-Coded Applications". arXiv (in English).
- ↑ Albergotti, Reed (29 May 2025). "The hottest new vibe coding startup may be a sitting duck for hackers". Semafor. Archived from the original on 3 September 2025. Retrieved 27 September 2025.
- ↑ Tangermann, Victor (31 May 2025). "Companies Are Discovering a Grim Problem With "Vibe Coding"". Futurism. Retrieved 27 September 2025.
- ↑ October 2025 Update: GenAI Code Security Report (Report). Veracode. October 2025. Retrieved 2026-03-11.
- ↑ Tidy, Joe (12 February 2026). "AI coding platform's flaws allow BBC reporter to be hacked". BBC News. Retrieved 13 February 2026.
- ↑ Loker, David (17 December 2025). "Our new report: AI code creates 1.7x more problems". CodeRabbit Blog (in English). Retrieved 9 February 2026.
- 1 2 Wondrasek, James A. (28 January 2026). "The Evidence Against Vibe Coding: What Research Reveals About AI Code Quality". SoftwareSeni (in Australian English). Retrieved 9 February 2026.
- ↑ Sharwood, Simon (21 July 2025). "Vibe coding service Replit deleted user's production database, faked data, told fibs galore". The Register. Retrieved 19 August 2025.
- ↑ Ming, Lee Chong (22 July 2025). "Replit's CEO apologizes after its AI agent wiped a company's code base in a test run and lied about it B". Business Insider. Retrieved 22 August 2025.
{{cite web}}: نگهداری یادکرد:وضعیت پیوند (رده) - ↑ Page, Carly (2026-06-04). "'Please do not vibe f--- up this software': Broken backups spark AI coding row in rsync project". theregister (in American English). Retrieved 2026-06-09.
- ↑ Holwerda, Thom (2026-06-03). "Rsync opens the slopgates, regressions and bugs ensue – OSnews". www.osnews.com. Archived from the original on 2026-06-03. Retrieved 2026-06-09.
- ↑ Doerrfeld, Bill (19 February 2025). "How AI generated code compounds technical debt". LeadDev (in American English). Retrieved 9 February 2026.
- ↑ Sullivan, Mark (9 September 2025). "The vibe coding hangover is upon us". Fast Company.
- ↑ ""Vibe coding lets anyone write software—but comes with risks"". Fast Company. Retrieved 22 October 2025.
- ↑ Mims, Christopher (2026-05-22). "The AI Superstars Who Say a 'Vibe Slop' Crisis Is Coming". The Wall Street Journal (in American English). Retrieved 2026-06-14.
- 1 2 "The Collins Word of the Year 2025 is... vibe coding". Collins Dictionary (in English). Retrieved 18 August 2026.
- ↑ "Vibe Coding Definition & Meaning". Merriam-Webster (in English). Retrieved 18 August 2026.
- پارادایمهای برنامه‌نویسی
- کاربردهای هوش مصنوعی
- هوش مصنوعی مولد
- واژهها و عبارتهای انگلیسی