Вайбкодинг от продакт-менеджера: как AI-агент помог собрать сервис генерации ценников за день

# Как продакт без знания кода собрала сервис в Replit и Perplexity: разбираем вайбкодинг на реальных промптах

В мире разработки часто возникает конфликт между скоростью проверки идей и ресурсами команды. Сильные инженеры должны фокусироваться на архитектуре и критическом бэкенде, а не тратить месяцы на создание простых маркетинговых калькуляторов. Именно в этой ситуации в компании «Эвотор» возникла потребность в быстром лид-магните: бесплатном сервисе для генерации ценников, который мог бы помочь малому бизнесу с юридическим оформлением маркировки товаров.

Команда не могла ждать планирования новой фичи на следующий год. Решение пришло неожиданно: один из продакт-менеджеров решила освоить метод, получивший название «вайбкодинг». В её руках оказался не код, а связка из двух искусственных интеллектов — Perplexity Pro и Replit Agent.

Что такое вайбкодинг и как он работает

Если отбросить маркетинговый шум из социальных сетей, вайбкодинг — это не магия, а конкретный продуктовый метод. Это ситуация, когда специалист без глубокого знания программирования (в данном случае продакт-менеджер) переводит свои знания предметной области и навыки UX-дизайна в точные инструкции для нейросети. Искусственный интеллект, в свою очередь, генерирует рабочую кодовую базу, серверную часть и интерфейс.

Цель метода — автономность в проверке гипотез. Это не замена классическим инженерам и не попытка создать новый монолитный продукт. Это способ мгновенно получить отклик от рынка, не выводя из строя основные процессы разработки.

*«Вайбкодинг не про замену инженеров. Это про автономию в проверке гипотез. За прошлый квартал наш продакт-менеджер самостоятельно собрал и запустил 7 рабочих микросервисов».*

Сценарий создания: от идеи до релиза микросервиса

Задача стояла ясна: создать бесплатный сервис для малого бизнеса, позволяющий загружать прайс-листы из Excel или CSV, настраивать размеры ценников и скачивать готовые документы для печати в формате DOCX. Решение должно было быть автономным, легким и не требовать дорогой подписки.

Для реализации этой задачи продакт выбрал двухэтапный стек, который позволил минимизировать бюджет на токены и получить качественный результат.

Этап 1: Формирование бизнес-логики в Perplexity Pro

Первым инструментом стал Perplexity Pro. Его задача не писать код, а провести глубокий анализ требований, изучить законодательство о маркировке, проанализировать конкурентов и составить техническое задание. Именно здесь продакт сформулировал ограничения по размерам ценников в миллиметрах и лимитам бесплатного тарифа. На выходе из этого этапа получался детальный файл спецификации в формате TXT.

Этап 2: Кодирование в Replit Agent

Вторым инструментом выступил Replit Agent — среда разработки, способная развернуть окружение, выбрать стек технологий и верстать интерфейс. Продакт загружал туда готовое техническое задание, скриншоты интерфейсов из Figma и референсы по цветам бренда.

Ключевой момент успеха — разбиение задачи на три последовательных шага, чтобы не перегружать нейросеть длинными полотнами текста: 1. Стартовый запуск: Загрузка файла ТЗ и скриншота интерфейса-аналога для точной сетки элементов. 2. Передача дизайн-системы: Отправка макетов и палитры компании, чтобы AI адаптировал визуал под брендбук. 3. Отладка и проверка: Точечные промпты для исправления ошибок, проверки генерации файлов DOCX и настройки логики блокировки после превышения лимитов скачиваний.

Технический разбор: как AI превратил промпт в приложение

Многие боятся, что нейросети пишут хаотичный код, который невозможно поддерживать. Однако в кейсе «Эвотора» было получено структурированное и надежное решение.

AI-агент (Replit Agent) сгенерировал полноценный микросервис на базе современного стека технологий, который можно было бы использовать в коммерческом проекте.

* Архитектура: Использована моноархитектура на базе pnpm workspaces, разделяющая фронтенд и бэкенд, но при этом изолирующая их логику. * Frontend: React 18, Vite, TypeScript. Для интерфейса использованы компоненты shadcn/ui (на базе Radix UI и Tailwind CSS) и анимации Framer Motion. * Обработка данных: Самая важная часть для такого сервиса — работа с файлами. AI реализовал парсинг таблиц на стороне клиента (в браузере пользователя) с использованием библиотек SheetJS и docx. Это решило сразу две проблемы: 1. Приватность: Данные пользователя (прайс-листы) не покидают устройство, что критично для доверия клиентов. 2. Нагрузка на сервер: Бэкенд освобождается от тяжелой работы с документами, оставаясь лишь для сбора аналитики событий через PostgreSQL и Drizzle ORM. * Умный парсинг: Чтобы справляться с грязными данными из Excel (где заголовки могут варьироваться), AI написал модуль smart-parser.ts. Алгоритм сканирует первые 8 строк файла, выбирает строку с максимальной плотностью текстовых значений и сопоставляет её со словарем синонимов (например, «цена», «стоимость», «розница» → поле price).

Экономика вайбкодинга: цифры против затрат

Главный аргумент в пользу такого подхода — соотношение затрат и времени.

| Параметр | Классическая разработка | Вайбкодинг (Perplexity + Replit) | | :--- | :--- | :--- | | Команда | 4 человека (Аналитик, UI/UX, Front, Backend) | 1 продакт-менеджер | | Сроки до MVP | 6 месяцев | 1–2 дня | | Прямые расходы | От 500 000 до 1 000 000 ₽ | ~30 000 ₽ (подписки и кредиты) |

Эта экономия позволяет компании проверять десятки гипотез за то время, которое потребовалось бы на обсуждение одной фичи в классическом цикле. Результат эксперимента был положительным: через сервисы-лидмагниты прошли около 1500 пользователей, 53% из них заполнили опросы, а некоторые инструменты превратились в полноценные точки входа в экосистему компании.

Границы применимости: когда AI уже не справляется

Важно понимать, что вайбкодинг имеет жесткие границы. Это не панацея для всего IT.

* Legacy-коды: AI-агенты пока плохо справляются с переписыванием сложной архитектуры внутри существующего монолита. * Безопасность: Промптить нейросети работать с персональными данными пользователей или сложными платежными контурами нельзя. Все сервисы «Эвотора» в этом эксперименте обрабатывали только обезличенные прайс-листы. * Поддержка: Метод подходит для автономных сервисов-лидмагнитов. Если гипотеза подтверждается и продукт растет, разработка передается в классический производственный цикл.

Итог

История с генератором ценников показывает, что искусственный интеллект стал реальным инструментом в руках продукт-менеджеров, позволяя им быстрее проверять идеи и запускать сервисы, которые раньше были бы в «списке желаний» на годы. Вайбкодинг не отменяет инженеров, но освобождает ресурсы для создания ценности там, где это нужно быстро и с минимальными затратами.

Для малого бизнеса это означает появление простых, бесплатных инструментов, которые помогают соблюдать законы и эффективно вести торговлю, не покупая сложные и дорогие системы учета.