Vibe coding строит пайплайны, но не может объяснить их через полгода

AI-агенты для кодинга творят чудеса скорости. Пайплайны данных, оркестровка, трансформации, тесты - всё генерируется из промптов за минуты вместо дней. Но есть проблема: никто не знает, как этот код работает. Какие бизнес-правила заложены, какие допущения сделаны, почему выбрана именно эта архитектура. Llm новости и ии в бизнесе новости всё чаще поднимают эту тему - скорость генерации обогнала способность системы хранить знание о себе.

Shuhua Xu, lead data engineer, публикует в VentureBeat разбор проблемы, которая становится критической для enterprise. Vibe coding - подход, когда разработчик просто пишет промпт и получает готовый код - блестяще работает для изолированных задач. Но enterprise-инженерия - про эволюцию. Системы живут годами, через них проходят десятки релизов, сотни изменений схем, обновления бизнес-логики. И промпты не умеют эволюционировать.

Spec-driven development: промпты как код

SDD предлагает другое: превратить промпты в исполняемые, версионируемые спецификации. Вместо того чтобы каждый раз объяснять AI-агенту контекст с нуля, инженер описывает систему в структурированных спецификациях - и AI-агент использует их как «долгосрочную память».

Выглядит это так. Есть «конституция» проекта - общие принципы и ограничения: стандарты технологий, соглашения по именованию, архитектурные правила, политики. Поверх неё - слои спецификаций:

• Схемы - структурная совместимость данных
• Трансформации - бизнес-логика преобразований
• Валидации - правила качества
• Оркестрация - поведение при выполнении
• Семантика - общие бизнес-определения
• AI-воркфлоу - инструкции для кодинг-агентов

И вот здесь начинается самое интересное. Когда AI-агент обучен на спецификациях, система обретает долгосрочную память. Новый разработчик приходит через полгода - спецификации объясняют не только что делает код, но и почему он так спроектирован.

Почему это особенно важно для data engineering

Data engineering - идеальная среда для SDD. Потому что enterprise-платформы данных и так уже работают поверх повторяемых паттернов: ingestion pipelines, warehouses, orchestration frameworks, semantic layers. Как только архитектурные и операционные паттерны определены, большая часть имплементации становится высокоповторяемой.

Пример из статьи: после того как определён паттерн инжеста для Salesforce Customer, подключение новой таблицы (Order, Product) требует только добавления имени в спецификацию. AI-агент сам генерирует остальное, следуя уже утверждённому operational pattern. Спецификация на три строки заменяет день ручной разработки.

Для бизнеса это означает радикальное снижение порога входа. Внедрение искусственного интеллекта в data engineering перестаёт быть вопросом найма дорогих инженеров, знающих все тонкости платформы. Стандартизированные спецификации + AI-агенты = 80% рутинной работы автоматизировано.

Роль человека не исчезает - она смещается

Важный нюанс: SDD не заменяет инженеров. Она меняет их работу. Вместо того чтобы писать однотипные пайплайны, инженеры определяют спецификации, проектируют операционные паттерны, управляют бизнес-контекстом и координируют эволюцию системы.

Это не «кнопка сделай всё». Это архитектурный подход, при котором AI-агенты берут на себя реализацию, но архитектура и бизнес-контекст остаются за человеком.

Для компаний во Владивостоке, где найти квалифицированного data engineer сложно, это особенно актуально. SDD + AI-агенты позволяют малой команде поддерживать enterprise-level инфраструктуру данных. Нейросети для бизнеса - это не только про генерацию текста, но и про автоматизацию целых классов инженерных задач.

Мы помогаем компаниям на Дальнем Востоке выстроить процесс: от аудита текущей data-инфраструктуры до внедрения спецификаций и AI-агентов для автоматизации пайплайнов. Начните с аудита - посмотрим, какие процессы можно стандартизировать и автоматизировать уже сейчас.