Vibe Coding - coder à l’instinct

• Andrej Karpathy décrit le vibe coding comme une nouvelle manière de créer, rendue possible par des LLM devenus suffisamment bons, presque sans être conscient du code lui-même
• En combinant Cursor Composer, Sonnet et la saisie vocale de SuperWhisper, il exprime les besoins à l’oral en utilisant à peine le clavier
• Même pour une demande mineure comme réduire de moitié un padding, il ne cherche pas lui-même et délègue, puis clique sur Accept All sans lire le diff
• Il copie-colle les messages d’erreur sans explication, et si le LLM n’arrive pas à corriger le bug, il le contourne ou répète des modifications arbitraires jusqu’à ce que le problème disparaisse
• Cela peut convenir à des projets jetables du week-end, mais le code peut grossir au-delà de ce qu’il comprend, au point que cela ressemble davantage à regarder, parler, exécuter et coller qu’à coder

---

Méthode de travail du « vibe coding »

• Le vibe coding consiste à s’en remettre entièrement au LLM, presque jusqu’à oublier l’existence même du code
• L’exemple d’outil cité est Cursor Composer with Sonnet, et SuperWhisper est utilisé pour la saisie vocale
• Plutôt que de chercher ou modifier directement le code, le flux suivant se répète
  • repérer à l’écran le changement nécessaire
  • le demander oralement à Composer
  • exécuter le résultat
  • copier-coller le message d’erreur
• Les diffs ne sont plus lus, et il clique toujours sur Accept All
• Quand le code devient plus volumineux que son niveau habituel de compréhension, il faut ensuite passer du temps à le lire pour réellement le comprendre

Limites et exemples

• Il arrive aussi que le LLM ne parvienne pas à corriger un bug
  • dans ce cas, il contourne le bug
  • ou bien il continue à demander des modifications arbitraires jusqu’à ce que le problème disparaisse
• Il estime que cette approche n’est pas mauvaise pour des throwaway weekend projects
• Il a aussi créé un jeu de bataille navale en environ une heure de vibe coding
  • deux modèles de LLM choisis arbitrairement par l’utilisateur s’y affrontent en temps réel
  • il n’y a pas encore de statistiques solides, mais il dit que 4o semble battre 4o-mini

[GN⁺]

Avis sur Hacker News

• Pour l’avoir utilisé directement, c’est plutôt correct, mais il faut clairement se méfier des hallucinations.
  Par exemple, je lui ai demandé de rédiger un rapport de présentation sur moi en 500 mots, et il contenait au moins trois erreurs. Il disait que ma réputation sur Stack Overflow était de 47 000 points, alors qu’en réalité il avait confondu les « 47k personnes atteintes » de mon profil avec ma réputation de 525 points. Il affirmait aussi que j’avais répondu à une question sur le monkey-patching en PHP, alors qu’en réalité c’était une question que j’avais posée il y a 15 ans, et la réponse venait de quelqu’un d’autre. Enfin, la citation d’interview n’était pas de moi non plus, mais d’un entretien avec mon frère, avec qui j’ai cofondé l’entreprise.
  C’est utilisable comme point de départ, mais il faut impérativement suivre les liens vers les sources pour vérifier le résultat.

  • Dire que c’est « plutôt correct, mais attention aux hallucinations » minimise beaucoup trop le problème. On n’embaucherait pas quelqu’un qui invente n’importe quoi, et on ne le garderait pas longtemps ; je ne vois donc pas pourquoi on considérerait que ce genre d’outil « IA » mérite plus qu’un statut de projet de recherche intéressant. J’ai l’impression qu’il faudrait renvoyer les grands modèles de langage à la phase de conception tant qu’ils n’auront pas acquis un certain niveau de fiabilité.
  • J’ai du mal à voir cela comme un point de départ utile, même en étant optimiste sur l’IA. Un rapport rempli d’erreurs factuelles qu’un stagiaire consciencieux ne ferait pas est pire qu’inutile.
    Si la partie difficile est la rédaction, il est sans doute plus rapide de faire soi-même les recherches et le plan, puis de demander au grand modèle de langage de transformer cela en texte final. Mais dans ce cas, cela revient à prouver que le style de la prose est la partie la moins précieuse du travail ; en tant qu’ancien étudiant en littérature anglaise, ça fait mal, mais c’est globalement vrai.
  • Je me demande ce qui est le plus rapide : faire soi-même les recherches et rédiger un rapport de 500 mots à partir de zéro, ou laisser l’IA l’écrire puis vérifier les faits de toutes les réponses et corriger manuellement. C’est pour cela que je n’utilise pas l’IA pour les tâches qui exigent une « bonne réponse ». Je m’en sers pour rendre des paragraphes ou des phrases plus lisibles, mais je ne fais pas confiance aux informations qu’elle produit.
  • Le fait qu’elle se « souvienne » à tort que « j’ai répondu sur Stack Overflow » ressemble presque à de la démence artificielle.
    Certaines entreprises sortent des produits bien avant d’avoir la capacité de les lancer correctement, et je ne suis pas sûr que leur défense juridique soit si solide. Cela dit, des sorties assistées par une base de données peuvent, et devraient, fortement limiter ce phénomène de faux souvenirs. Il faut une vérification linéaire, comme chez un humain qui propose une idée puis la confronte aux données ; c’est de la due diligence et cela fait partie du raisonnement. On dirait que des mouvements dans une autre direction que l’évolution du produit central perturbent la R&D, presque comme une forme de procrastination.
  • Ces dernières années, l’évaluation exacte des produits fondés sur les grands modèles de langage est : « plutôt correct, mais attention aux hallucinations ».

• Quand on parle de « recherche approfondie », on comprend aussi que cela inclut le fait de trouver la bonne réponse.
  Aujourd’hui, même si seulement 10 % des réponses sont complètement fausses, qu’elles soient manifestement absurdes ou auto-contradictoires, beaucoup estiment que cela détruit fortement la confiance dans l’ensemble des interactions. En dehors de la reconfirmation de choses qu’on sait déjà, les modèles de langage ne sont pas réellement assez grands pour tout savoir ; ils donnent seulement l’impression de savoir.
  Ce que je veux, ce n’est pas simplement une réponse correcte, mais une réponse correcte obtenue plus vite que si je faisais moi-même les recherches, et plus vite aussi que le temps nécessaire pour vérifier la réponse fournie par la machine. Faire passer à un élève un examen dont je connais les réponses, et devoir faire confiance à une réponse à une question dont j’ignore moi-même la réponse, ce sont deux niveaux complètement différents.

  • Les fonctionnalités récentes cherchent à réduire les hallucinations en s’appuyant sur une vaste recherche web, mais ce qui m’inquiète, c’est que le Web lui-même est rapidement contaminé par des sorties de grands modèles de langage non filtrées. À partir d’un certain point, pour les questions où l’actualité n’est pas importante, il se pourrait qu’il devienne plus exact de brancher un agent de recherche sur un instantané du Web datant d’environ cinq ans plutôt que sur le Web en temps réel.
  • Je me considère comme sceptique du type « LLM ≠ IA », mais voir des gens faire semblant de tirer quelque chose des grands modèles de langage m’inquiète. C’est presque du singe dactylographe as a service.
    C’est utile de temps à autre ici ou là, mais pas à la hauteur de l’argent qui y est injecté. Bien sûr, c’est utile pour les entreprises qui reçoivent cet argent. Voici un exemple pour lequel on s’attendrait à ce qu’une vraie IA puisse résoudre le problème seule, alors que les grands modèles de langage actuels échouent lamentablement : https://x.com/RadishHarmers/status/1885884032220643587
  • C’est pour cela que je n’ai pas trouvé les outils d’IA très utiles. Le temps passé à vérifier et corriger les réponses est souvent plus long que si je faisais simplement le travail moi-même, ou que si j’apprenais à le faire.
  • J’ai toujours pensé que les problèmes pour lesquels les IA de type grands modèles de langage sont utiles en pratique ont un côté un peu NP. Autrement dit, résoudre le problème peut être difficile, mais vérifier la solution doit être rapide.
    Si le domaine ne permet pas d’accepter les erreurs ou les hallucinations, il faut que le temps nécessaire à un humain pour vérifier la solution soit exponentiellement plus rapide que le temps que met l’IA à la trouver pour qu’il y ait un gain réel.
  • Si le taux de réponses complètement fausses était de 30 % il y a un an, de 60 % il y a quelques années, et de 10 % aujourd’hui, il peut arriver un moment où ce sera suffisamment bon. Les méthodes pour vérifier les réponses s’améliorent aussi de plus en plus.
    Ce ne sera pas une solution à tous les problèmes, mais c’est comme beaucoup de problèmes d’ingénierie. Par exemple, un ORM n’est pas adapté à toutes les requêtes, mais il est suffisant pour une bonne partie d’entre elles.

• Ça fait peur. Même en admettant les problèmes d’hallucinations et d’erreurs, il y a de fortes chances que les vrais utilisateurs les ignorent et mettent directement la sortie dans leur PowerPoint
  Le conseil en management était déjà suffisamment mauvais à la base, mais si l’on peut produire en masse, à volonté, des graphiques et des statistiques, ce sera encore pire. Avant, au moins, il y avait en coulisses une certaine compréhension de l’origine des chiffres, et on pouvait fournir des sources
  Plus ces outils deviendront puissants, plus l’effet de diffusion de leurs résultats un peu partout deviendra courant

  • Soit on se soucie de l’exactitude, soit non. Si on ne s’en soucie pas, peu importe que ce soit inventé par un humain ou par une IA. Si on s’en soucie, on fera une vérification des faits avant publication. Je ne vois pas en quoi cet outil change cela
  • Si des recherches générées par hallucination sont publiées sous forme d’articles, puis que ces articles sont cités par d’autres recherches d’IA, faisant remonter sans cesse de fausses informations, il deviendra difficile plus tard de savoir d’où venait cette source du mensonge
  • On peut aussi voir ça comme une sorte de vaccin. La plupart des rapports de consultants écrits par des humains sont déjà complètement bancals. Faible exactitude, faible rapport signal/bruit, et une avalanche de généralités
    Les grands modèles de langage rendent les gens immunisés contre ce genre de contenu à faible valeur informationnelle. Les personnes qui produisent des résultats du niveau d’un LLM sont désormais soupçonnées d’avoir utilisé un LLM, et il leur devient plus difficile de faire semblant d’apporter de la valeur. Au final, on exigera une qualité plus élevée des consultants, et ceux qui ne produisent que du verbiage au lieu d’informations exactes, pertinentes et contextualisées seront écartés
  • Franchement, j’ai fait du conseil et j’ai encore beaucoup d’amis qui en font, mais même les rapports McKinsey, trois fois sur quatre, ne reposent pas vraiment solidement sur la réalité et contiennent beaucoup d’estimations
  • À mon avis, ce bateau a déjà quitté le port au moment où Facebook a laissé la désinformation se propager librement, voire avant

• Gemini avait déjà depuis un ou deux mois un Deep Research du même nom : https://blog.google/products/gemini/google-gemini-deep-resea...
  Méta-question : je me demande pourquoi les noms se chevauchent autant dans le secteur de l’IA. Ça me fait penser à Triton (Nvidia, OpenAI) ou à Gro{k,q} (X.ai, groq, OpenAI)

  • D’après le créateur d’OpenAI Triton, le nom « Triton » a été choisi à la mi-2019 lors de la publication de sa thèse de doctorat. Un an plus tard, « TensorRT Inference Server » a été renommé « Triton Inference Server », mais comme c’était le seul nom rattachant ses directeurs de thèse au projet, il ne l’a pas changé
  • Si c’est une « méta-question », il faudrait sans doute préfixer la requête par « @Meta AI »
  • On dirait une sorte de groupe sectoriel informel qui pousse collectivement la redéfinition de certains termes pour les besoins de la vente et des relations publiques. D’abord c’était « intelligence », puis « open source », puis « raisonnement », et ça continuera
    Les mots nécessaires au marketing mais qui ne correspondent pas à ce qui est réellement atteint sont redéfinis. « grok » en est un exemple parfait : dans le livre de SF d’origine, cela signifiait « compréhension totale ». Triton, dans la mythologie, régnait sur les profondeurs marines ; le discours commercial autour du « deep learning » s’en est donc emparé directement
  • J’avais voulu essayer la version Gemini à sa sortie, mais il semble que je vivais dans le mauvais pays. Ça n’a pas l’air de fonctionner hors des États-Unis. Dommage, OpenAI et DeepSeek n’ont pas ce problème. Même en étant prêt à payer, ils ne prennent pas mon argent
  • La version Gemini n’est pas vraiment « deep », à mon avis. Elle affiche beaucoup d’informations, mais ça reste assez superficiel. La version OpenAI semble faire un vrai pas de plus vers la profondeur
    Quand on essaie soi-même, il est assez difficile d’amener un grand modèle de langage à vraiment creuser. Deep Research d’OpenAI donne l’impression d’être l’un des premiers exemples de la manière dont un grand laboratoire peut y parvenir. En général, la partie difficile n’est pas l’« agent » lui-même, mais le fait de forcer le modèle à ne pas oublier d’aller en profondeur

• Je ne sais pas si vous l’avez remarqué, mais cette fonction semble être propulsée par le modèle o3 non publié. Cela colle avec le fait qu’elle devance largement les benchmarks et avec l’affirmation selon laquelle o3 serait trop coûteux pour une sortie publique. Cela ressemble à un modèle impressionnant, en avance sur Google, DeepSeek et Perplexity

  • Sur les benchmarks publics, seul cet outil/système avait accès aux outils et au Web. Je pense donc que l’amélioration des performances vient très probablement de là, à strictement parler
    Si o3 est trop cher pour être mis à disposition du grand public, pourquoi l’utiliser dans un outil qui doit effectuer des centaines d’appels d’inférence par question ? Ils utiliseraient un modèle bien moins cher. Il est plus probable qu’ils aient combiné o3-mini ou o1-mini, avec peut-être o4-mini pour certaines tâches
  • « Trop cher » voulait peut-être dire qu’ils voulaient le facturer plus cher, mais DeepSeek leur a forcé la main
  • J’ai l’impression que l’efficacité dans cet environnement de travail dépasse largement la question d’un modèle précis. Utiliser un seul modèle de même taille pour chaque étape d’un travail de recherche serait un choix idiot
    o3 peut avoir l’avantage lorsqu’il s’agit de synthétiser la réponse finale ou de choisir entre des sources contradictoires, mais il faut énormément d’étapes pour arriver jusque-là
  • Je suis convaincu que quand o3 sortira dans 10 mois, il aura une génération d’avance sur DeepSeek, Google et Meta à ce moment-là. C’est vraiment impressionnant
  • Je me demande sur quoi repose l’idée que ce serait propulsé par un o3 non publié

• Pour les personnes travaillant dans le monde universitaire, c’est un outil réellement intéressant. J’aimerais l’essayer, mais je ne peux pas me permettre 200 dollars par mois pour l’instant
  Ce serait bien si quelqu’un pouvait le tester avec le prompt suivant : en tant qu’assistant de recherche en physique des particules, rédiger une synthèse technique comparant le Future Circular Collider (FCC) du CERN, l’International Linear Collider (ILC), le Compact Linear Collider (CLIC), les différentes propositions de Muon Collider et les principaux projets de collisionneurs de particules de prochaine génération en 2024, en couvrant les plages d’énergie, les types de collisions, les calendriers, les avantages et inconvénients techniques, les coûts, les objectifs de physique, les rapports de conception, les coopérations internationales, le rapport coût-efficacité, les chances de découverte, les infrastructures, l’impact environnemental et les voies de mise à niveau

  • Je l’ai lancé avec o3-high et le lien du résultat est ici : https://chatgpt.com/share/67a0b227-8ee4-800f-a8ed-882e7bab97...
    La sortie complète était trop longue pour être recopiée sur HN ; elle prenait la forme d’un rapport comparant, sous forme de tableaux et avec des sources, le FCC, l’ILC, le CLIC, le Muon Collider, le CEPC/SppC, etc., selon l’énergie prévue, le mode de collision, le calendrier, les coûts, les défis techniques, les objectifs de physique, le soutien international, l’impact environnemental et les trajectoires de mise à niveau à long terme

• Je me demande si cette capacité est vraiment une condition préalable à l’AGI et à l’ASI
  Le raisonnement, la résolution de problèmes et la vérification de recherches relèvent tous, fondamentalement, d’une forme de pensée structurée. La recherche reste un domaine où l’importance de cette capacité est discutable, car une preuve valable ne vient pas d’une réponse bien présentée, mais des résultats d’exécution
  Par exemple, on peut enquêter autant qu’on veut sur le meilleur aspirateur sur Internet : tant qu’on ne l’a pas essayé soi-même, on reste piégé entre le marketing, les faux avis et les influenceurs. Les sciences sont ennuyeuses, donc elles peuvent être un peu protégées de ce genre de problème, mais il est effrayant d’imaginer qu’un laboratoire pharmaceutique puisse remplir Internet d’articles de blog personnalisés contenant des « résultats de recherche » médicaux haut de gamme afin de créer l’ambiance académique qu’il souhaite. À un certain moment, Internet pourrait devenir totalement indigne de confiance, et ce moment pourrait arriver bientôt
  Avec l’explosion du texte généré, la valeur de la recherche risque de beaucoup diminuer à cause de l’énorme masse de déchets informationnels. Cela pourrait rester quelque chose que l’on faisait à l’époque où Internet était encore « réel »

  • Il suffit de ne pas utiliser cet outil pour ce type d’usage. Cela dit, la remarque est pertinente
    Il y a quelque temps, j’ai cherché un article avec de vraies mesures pour comparer Hydroflask, Klean Kanteen et Thermos sur les boissons chaudes/froides, mais la plupart des résultats Google étaient des comparatifs génériques sans données dures. Et pourtant, des articles du genre « Hydroflask est meilleur pour les boissons chaudes » apparaissaient en haut des résultats
    La question clé est de savoir si cet outil pourra ignorer ce genre d’articles et ne s’appuyer que sur ceux qui contiennent de vraies expériences, et s’il pourra filtrer les résultats dupliqués, par exemple quand plusieurs blogueurs reprennent l’expérience menée par une seule personne
  • Cela dépend entièrement de la manière dont on définit « AGI »
  • Ce n’est pas tant une fonctionnalité isolée qu’une direction dans un immense paysage. Le fait de mieux réaliser diverses tâches, comme la recherche, ainsi que la recherche combinée au raisonnement, rapproche les modèles de l’AGI
    Une AGI devrait être capable d’accomplir ce genre de tâches, et plus le diagramme de Venn de ces capacités s’étend, plus on peut cerner ce qui pourrait constituer le mécanisme fondamental de l’AGI. Moravec parlait de l’image d’un relief des capacités humaines progressivement submergé par les capacités de l’IA ; on saura que l’on a atteint une véritable IA générale lorsque l’IA pourra, en pratique ou en principe, faire tout ce que les humains peuvent faire. Deep Research n’est qu’une île de plus en train d’être recouverte par cette inondation

• Si j’ai bien compris le graphique, le taux de réussite aux tests internes semble n’être que de 20 %. Si c’est le cas, cela veut-il dire qu’après avoir attendu 30 minutes et payé cher, il faut encore fouiller dans un long mur de texte qui a de grandes chances d’être globalement faux ?
  Si le risque d’hallucination n’est pas négligeable, cela fait trop de contenu à vérifier d’un coup. Le processus devrait être beaucoup plus itératif, à mon avis

  • Voici le genre de problème sur lequel il atteint ces 20 %. Il s’agit par exemple d’exprimer une transformation naturelle entre deux foncteurs comme une fin, de définir une cotransformation naturelle comme une cofin, puis, en considérant les ∞-catégories sous le nerf de delooping des groupes symétriques Σ4 et Σ7, de demander le nombre de cotransformations naturelles
    Autrement dit, ce ne sont pas des requêtes ordinaires, mais des problèmes proches de benchmarks mathématiques de pointe
  • Un taux de réussite de 26,6 % à Humanity’s Last Exam est en fait impressionnant. Il faut interpréter ce taux dans le contexte de la difficulté des tâches
  • Cela ne vaut que lorsqu’on pose des questions du niveau des benchmarks de pointe
  • Il est difficile d’être catégorique faute de données. Si l’on suppose qu’une seule requête accomplit une journée de travail, alors l’utiliser devient raisonnable si examiner cinq jours de travail prend moins d’une journée
    Dans les cas où, comme dans la vraie recherche, le travail préparatoire dépasse le volume du résultat final, cela peut conceptuellement bien convenir. En regardant rapidement les benchmarks, on peut imaginer dépasser 50 % par requête vers la fin de l’année, et on dirait que les performances doublent à chaque une ou deux générations de modèles
  • Ce chiffre vient de problèmes auxquels même des experts du domaine auraient du mal à répondre correctement

• Dans la blogosphère, il existe des spécialistes reconnus dans des domaines étroits, ou des personnes célèbres dans leur domaine, et il y a aussi beaucoup plus de gens qui écrivent des articles utiles. Au minimum, ils écrivent dans l’idée que d’autres humains les liront
  Mais si tous les lecteurs deviennent des bots, je me demande s’ils continueront à écrire. On a l’impression que l’Internet mort approche

  • Même si l’écriture n’est lue que par des bots, je trouve que ce serait bien si l’on savait comment s’y prendre. Les articles scientifiques, en réalité, ne sont pas toujours lus correctement ; ils sont souvent parcourus rapidement pour les citations, et c’est encore plus vrai pour les grandes publications comme les articles de revue ou les thèses
    Malgré tout, en tant qu’auteur, il est séduisant de contribuer à un monde de connaissances facilement accessible quand les gens veulent écrire. Il n’est plus nécessaire de fouiller péniblement des articles dont seul le titre semble pertinent, et ce n’est pas grave si d’autres personnes n’ont pas à lire laborieusement mon article
  • Bien sûr qu’ils continueront à écrire. Il y a plein de gens qui emportent le plus gros appareil photo qu’ils peuvent se permettre pour prendre des centaines de photos que personne ne regardera spontanément

• Je me demande si quelqu’un a réellement accès à cette fonctionnalité. Le site indique qu’elle est disponible pour les utilisateurs Pro à partir d’aujourd’hui, mais même avec un compte d’entreprise en Pro, je ne vois pas l’option Deep Research dans le composeur de messages

  • Je suis Pro et aux États-Unis, et je ne la vois pas encore
  • J’y ai accès depuis environ 3 heures. Je la vois aussi dans l’application de bureau Windows, où certaines fonctionnalités arrivent en retard
    Quand on ouvre n’importe quel modèle, une étiquette (Deep research) apparaît dans le champ de saisie, à côté de l’option de recherche web. Je n’ai pas vidé le cache ni rien de ce genre
  • Je suis Pro, mais je ne la vois pas encore
  • Deux connaissances abonnées à Pro disent ne pas encore y avoir accès non plus
  • Je vis aux États-Unis, j’utilise Pro, et je n’y ai pas encore accès

[GN⁺]

Avis sur Hacker News

• Chaque année, on pense que les standards de qualité logicielle ne peuvent pas tomber plus bas, et pourtant on se rend compte à chaque fois qu’on avait tort

  • Je ne comprends pas pourquoi on se donne la peine de faire quelque chose qu’on ne fera même pas correctement
  • C’est comme clouer à la va-vite des morceaux de bois mal coupés pour fabriquer un pseudo-siège, puis s’asseoir dessus
  • Certains disent « on a parfois juste besoin d’un endroit où s’asseoir », mais j’ai quand même l’impression qu’il faut un minimum de finition
  • J’ai vu des personnes, peu sûres d’elles en anglais, devenir totalement dépendantes des LLM, au point d’y perdre leur capacité d’expression et leur confiance
  • En logiciel, on sait rarement dès le départ qu’on est en train de fabriquer une « chaise »
    • Au fond, ce n’est qu’un autre nom pour la programmation exploratoire ou le prototypage
  • Parfois, la destination n’est pas ce qui compte ; on veut juste arriver quelque part rapidement
    • C’est comme reprocher à quelqu’un d’être fatigué et de s’asseoir un instant par terre
  • Ces temps-ci, je m’inquiète de voir disparaître le sens du réel qui veut que le code s’exécute sur du matériel bien concret
    • Beaucoup de jeunes développeurs ne comprennent pas les conséquences physiques du code
    • Je pense que l’IA et tout son hype finiront par retomber un jour, mais la bataille pour préserver la qualité doit continuer

• Moi aussi, j’éprouve du plaisir à faire de petits projets de cette manière

  • Mais en matière de sécurité, impossible de bâcler les choses
  • Il est arrivé plus d’une fois qu’un assistant de code IA crée une API sans authentification ou génère des templates exposés aux risques de XSS
  • J’utilise des LLM tous les jours, mais je suis convaincu que le rôle des ingénieurs sécurité restera très important à l’avenir

• Cette approche donne l’impression d’un livrable produit par quelqu’un qui code en mangeant

• J’ai peur que commencer à coder de cette façon fasse régresser la capacité à résoudre des problèmes difficiles

  • Mais d’autres disent qu’on peut toujours continuer à traiter soigneusement à la main les parties qui l’exigent
  • En contrepartie, le ticket d’entrée pour essayer de nouvelles choses baisse, ce qui permet d’explorer bien plus librement

• On voit de plus en plus de développeurs natifs de l’IA qui apprennent dès le départ de cette manière

  • On a l’impression qu’on est entré dans une époque où il s’agit moins de coder que de gérer des codeurs IA

• Des outils de type « WYSIWYG modifiable en langage naturel » risquent d’avoir une falaise de complexité brutale, comme les limites des outils RAD

• Certains disent qu’« on ne devrait pas apprendre comme ça », mais je pense qu’il est important d’ajuster le niveau de finition à l’effort fourni

  • Le Vibe Coding est une bonne méthode pour apprendre et explorer
  • Cela peut ouvrir un nouveau spectre effort–fini
  • Cela dit, comme le disait Fred Brooks, si la première tentative est insuffisante, il faut savoir la jeter sans hésiter
    • S’accrocher à une première implémentation produite par un LLM peut enfermer dans un mauvais point d’ancrage, sans avoir vraiment compris le problème

• Je pense que pour le CSS, le Vibe Coding suffit largement

  • Mais d’autres rétorquent qu’en tenant compte de l’accessibilité et du responsive design, ce n’est pas si simple
  • Un CSS bien conçu est au contraire concis et facile à maintenir
  • Y ajouter de l’IA peut même devenir contre-productif
  • Quelqu’un d’autre raconte avoir entièrement réalisé avec Claude un petit utilitaire web
  • Une autre personne explique avoir créé de la même façon une DSL de recherche basée sur React ou un éditeur de pipeline GUI, preuve que cette approche va au-delà du simple CSS