هزینه‌ی واقعی وایب کدینگ نه در ساخت MVP، بلکه در لحظه‌ای است که محصول کاربر جذب می‌کند و توسعه‌دهنده‌ی انسانی کد را می‌بیند. الگوی «ساختن با AI ← جذب سرمایه ← rewrite کامل» بارها در کامیونیتی indie hacker تکرار شده و کمتر منبع فارسی‌زبان آن را با مثال واقعی باز کرده است.

وایب کدینگ چیست و چه فرقی با برنامه‌نویسی معمولی دارد؟#

وایب کدینگ (Vibe Coding) روشی است که در آن شما با توصیف intent به هوش مصنوعی، کد تولید می‌کنید بدون اینکه حتی یک خط از آن را بخوانید یا بفهمید. برخلاف برنامه‌نویسی سنتی که خروجی خط‌به‌خط نوشته و دیباگ می‌شود، اینجا شما در سطح معماری و بازخورد کار می‌کنید. اصطلاح را آندریج کارپاتی (Andrej Karpathy) در فوریه 2025 مطرح کرد.

کارپاتی در پست خود توصیف کرد که چگونه با Claude کار می‌کند و «کاملاً تسلیم وایب می‌شود» — یعنی بدون خواندن کد، فقط پرامپت می‌نویسد، اجرا می‌کند و نتیجه را می‌بیند. سه سطح در طیف کدنویسی با AI وجود دارد:

  • برنامه‌نویسی سنتی: کد را می‌نویسید، می‌خوانید، دیباگ می‌کنید. AI حداقل نقش autocomplete دارد.
  • AI-assisted development: برنامه‌نویس از AI کمک می‌گیرد ولی کد را می‌خواند، می‌فهمد و ownership دارد.
  • وایب کدینگ: کاربر اصلاً کد را نمی‌خواند. فقط intent توصیف می‌کند و feedback loop اجرا می‌کند.

نام «وایب» از همین رها کردن ownership کد می‌آید. شما به‌جای فهمیدن syntax، به‌دنبال «حس درست» خروجی هستید. این تفاوت بنیادین است، نه صرفاً سرعت بیشتر. و صادقانه بگویم: اگر کسی ادعا می‌کند وایب کدینگ فقط یک ابزار سریع‌تر است، هنوز یک پروژه‌ی واقعی از دستش درنیامده.

ابزارهای وایب کدینگ: کدام‌یک برای چه کاری ساخته شده؟#

هر ابزار وایب کدینگ برای یک نوع پروژه و یک سطح از فنی‌بودن کاربر بهینه شده است. انتخاب اشتباه ابزار، اولین قدم به سمت rewrite است؛ چون معماری خروجی با نیاز واقعی‌تان هم‌راستا نخواهد بود. جدول زیر شش ابزار اصلی را بر اساس نوع خروجی و محدودیت مقایسه می‌کند.

ابزارنوع خروجیقابلیت exportمناسب برایمحدودیت اصلی
Cursorکد کامل IDEبله، فایل‌ها محلی‌اندکسی که حداقل منطق برنامه‌نویسی می‌فهمدنیاز به دانش پایه‌ی codebase
Bolt.newاپ کامل قابل deployبله، GitHub exportپروتوتایپ سریع full-stackکنترل کمتر روی معماری
Lovableاپ React + Supabaseبله، code exportمبتدی مطلق بدون تجربه فنیvendor lock-in نسبی روی Supabase
v0 by Vercelکامپوننت UIبله، copy-pasteطراحی و ساخت UIbackend ندارد
Replitاپ کامل با hostingبلهیادگیری و prototypingperformance در مقیاس ضعیف
Windsurfکد کامل IDEبله، فایل‌ها محلی‌اندجایگزین Cursor با AI داخلیاکوسیستم کوچک‌تر

Cursor برای چه کسی مناسب است و برای چه کسی نه#

Cursor یک IDE است که AI درون آن قرار گرفته. شما فایل‌ها را می‌بینید، تغییرات را accept یا reject می‌کنید. اگر هیچ تجربه‌ای از ساختار پروژه ندارید، Cursor شما را با صدها فایل و dependency رها می‌کند. اما اگر منطق برنامه‌نویسی را می‌فهمید و می‌خواهید کنترل بیشتری داشته باشید، Cursor بهترین گزینه است.

v0 by Vercel: چرا برای UI عالی است ولی برای backend ضعیف عمل می‌کند#

v0 خروجی‌اش React component با Tailwind است. برای ساختن یک landing page یا dashboard UI بی‌نظیر عمل می‌کند. اما هیچ backend logic تولید نمی‌کند. اگر پروژه‌تان نیاز به authentication، database query یا API route دارد، v0 فقط نیمی از مسیر را طی می‌کند و نیمه‌ی دیگر باید با ابزار دیگری پر شود. در گفتگوهای مکرر اعضای کامیونیتی، همین «نیمه‌ی گمشده» یکی از شایع‌ترین دلایل rewrite است.

مراحل ساخت MVP با وایب کدینگ از صفر تا deploy#

ساخت MVP با وایب کدینگ یک چرخه‌ی تکراری است، نه یک شات یک‌باره. پرامپت معماری می‌نویسید، تولید می‌گیرید، تست می‌کنید، فیدبک می‌دهید و اصلاح می‌کنید. هر دور این چرخه، خروجی را به محصول واقعی نزدیک‌تر می‌کند. پرامپت اولیه به‌تنهایی خروجی قابل deploy نمی‌دهد.

روایت پروژه‌ی نمونه: ساخت SaaS مدیریت تسک با Lovable و Supabase.

  1. تعریف scope و نوشتن پرامپت معماری (Architecture Prompt): به‌جای «یک اپ تسک‌لیست بساز»، پرامپت شامل entityها، روابط، نقش‌های کاربر و محدودیت‌های فنی است. مثلاً: «Multi-tenant task management app. Entities: User, Team, Task, Project. Relations: User belongs to Team, Task belongs to Project. Roles: admin, member. Auth via Supabase. No external API dependencies.»
  2. انتخاب ابزار و شروع تولید: Lovable این پرامپت را می‌گیرد و ساختار اولیه را می‌سازد. خروجی شامل صفحات، routing و schema Supabase است.
  3. چرخه‌ی feedback loop: اولین نسخه معمولاً ناقص است. فیدبک‌هایی مثل «Task status transitions are missing» یا «No pagination on project view» را اضافه می‌کنید. هر فیدبک یک دور اصلاح است.
  4. اتصال به سرویس‌های خارجی: Supabase برای database و auth، Vercel برای hosting. در Lovable این اتصال‌ها از قبل preset شده‌اند.
  5. Deploy و تست واقعی: لینک را به چند کاربر اولیه می‌دهید. اینجا مشکلاتی که AI نمی‌بیند ظاهر می‌شوند: edge caseها، performance روی mobile، رفتار auth در session timeout.

در این پروژه‌ی نمونه، Lovable حدود 4 دور feedback loop برای رسیدن به MVP قابل‌استفاده نیاز داشت. نکته‌ای که در کلاس‌ها مکرر اشتباه می‌شود: کاربران فکر می‌کنند دور اول باید کامل باشد و اگر نشد، ابزار خراب است. نیست. چرخه‌ی اصلاح، بخشی جدایی‌ناپذیر از فرآیند است.

وقتی MVP جواب می‌دهد و بعد از سرمایه‌گذاری مجبور به rewrite می‌شوید#

الگوی تکرارشونده در کامیونیتی indie hacker این است: کارآفرین با وایب کدینگ MVP می‌سازد، کاربر اولیه جذب می‌کند، سرمایه جذب می‌کند، و توسعه‌دهنده‌ی استخدام‌شده بعد از بررسی کد می‌گوید «rewrite کامل» — نه refactor. کد AI-generated معمولاً الگوهایی دارد که توسعه‌دهنده‌ی انسانی هرگز نمی‌نویسد.

سازه‌ی شیشه‌ای محصول در حال شکستن و بازسازی از قطعات پراکنده با سکه‌های طلایی در اطراف آن
سکه‌ها نماد سرمایه‌گذاری‌ای‌اند که روی ساختار شکننده بنا شده

چرا rewrite، نه refactor؟ code duplication گسترده، الگوهای ناسازگار در مدیریت state، و dependencyهای بی‌هدف از نشانه‌های این کد هستند. refactor به معنای بازچینی ساختار در حفظ رفتار است؛ وقتی ساختار اصلاً وجود ندارد، refactor معنا ندارد. این تشخیص را در گفتگوهای اعضای کامیونیتی بارها دیده‌ایم.

بدهی فنی (Technical Debt) پنهان در کد وایب‌کدشده#

بدهی فنی محصول وایب‌کدشده از نوعی است که توسعه‌دهنده‌ی انسانی نمی‌نویسد. سه الگوی رایج در پروژه‌های واقعی مشاهده شده:

  • Code duplication: AI هر بار که پرامپت جدیدی می‌گیرد، بخش‌های مشابه را از نو می‌نویسد به‌جای import کردن. نتیجه: صدها خط کد تکراری که اگر یک باگ در منطق مشترک باشد، باید در همه‌جا اصلاح شود.
  • الگوهای ناسازگار: یک بخش از اپ از pattern A استفاده می‌کند، بخش دیگر از pattern B. هیچ consistency وجود ندارد چون هر دور feedback loop مستقل تولید شده.
  • Dependencyهای بی‌هدف: کتابخانه‌هایی import شده که فقط در یک خط استفاده شده‌اند. حجم bundle بالا می‌رود و security surface گسترده‌تر می‌شود.

هزینه‌ی واقعی: ساخت MVP با اشتراک ماهانه‌ی Lovable یا Bolt.new ارزان است. اما وقتی توسعه‌دهنده‌ی انسانی بعد از جذب سرمایه کد را می‌بیند و rewrite کامل لازم است، هزینه‌ی این rewrite از استخدام از ابتدا بیشتر می‌شود. چون علاوه بر نوشتن دوباره، باید migration داده‌ها و بازتعریف معماری هم انجام شود. دقیق‌تر بگویم: هزینه‌ی rewrite فقط نوشتن نیست — انتقال داده‌های زنده و بازتعریف schema هم هست.

چه‌کار باید کرد: مرز MVP را از ابتدا در بیزینس‌پلن مشخص کنید. وایب کدینگ برای اعتبارسنجی ایده است، نه برای ساختن محصولی که قرار است سال‌ها رشد کند. اگر بودجه‌ی rewrite در پلن نیست، وایب کدینگ صرفاً هزینه‌ی پنهان ایجاد کرده است.

وایب کدینگ در برابر no-code: تفاوت بنیادین در مالکیت کد#

در no-code شما محدود به platform هستید و اگر سرویس تعطیل شود یا pricing تغییر کند، محصولتان می‌میرد. در وایب کدینگ خروجی کد واقعی است و قابل export و migration. این تفاوت بنیادین، تصمیم‌گیری را عوض می‌کند. هر دو در مقیاس واقعی به دیوار می‌خورند، اما نوع دیوار فرق دارد.

مقایسه‌ی مقیاس‌پذیری: no-code دیوار platform است — نمی‌توانید منطق پیچیده‌تر از حد مجاز platform اضافه کنید. وایب کدینگ دیوار کیفیت کد است — کد کار می‌کند ولی قابل نگهداری نیست.

مقایسه‌ی هزینه‌ی بلندمدت: no-code هزینه‌ی اشتراک دارد که با رشد کاربر بالا می‌رود. وایب کدینگ هزینه‌ی rewrite دارد که یک‌باره اما سنگین است. کدام بهتر است بستگی به افق زمانی دارد: اگر محصول قرار است زیر 6 ماه عمر کند، no-code بهینه‌تر است. اگر قرار است سال‌ها رشد کند، وایب کدینگ با rewrite برنامه‌ریزی‌شده بهتر است.

چه‌کسی no-code استفاده کند: کسی که فقط یک landing page یا form ساده می‌خواهد و اصلاً قصد scale ندارد. چه‌کسی وایب کدینگ: کسی که می‌خواهد logic واقعی داشته باشد و کدش را روزی به توسعه‌دهنده‌ی انسانی تحویل دهد. تصمیم‌گیری بر اساس این دو خط است، نه بر اساس «کدام سریع‌تر است».

چه پروژه‌هایی اصلاً وایب‌کدناپذیرند؟#

پروژه‌هایی با state management پیچیده، نیاز به compliance، حساسیت امنیتی بالا یا الزامات performance-critical اصلاً مناسب وایب کدینگ نیستند. ساختنشان با AI ریسک شکست جدی دارد. دسته‌بندی عملی بر اساس نوع پروژه و سطح ریسک، تصمیم‌گیری را ساده‌تر می‌کند.

دسته‌بندی عملی:

  • وایب‌کدپذیر: CRUD apps، dashboardها، landing pages، ابزارهای داخلی تیم، prototyping برای اعتبارسنجی.
  • وایب‌کدناپذیر: سیستم‌های مالی (fintech)، healthcare، هر چیزی که compliance مثل GDPR یا HIPAA دارد، real-time systems با latency-sensitive، algorithmهای پیچیده.

گزارش‌های امنیتی Snyk و GitClear درباره‌ی افزایش آسیب‌پذیری در کد AI-generated هشدار داده‌اند. برای MVP اولیه که فقط اطلاعات غیرحساس دارد قابل قبول است، ولی قبل از ورود اطلاعات کاربر حساس مثل پرداخت یا هویت، حتماً باید audit امنیتی شود.

نکته‌ی مهم: محدودیت وایب کدینگ فقط فنی نیست. اگر نمی‌توانید intent را دقیق توصیف کنید، AI هم نمی‌تواند کد درست بنویسد. سیستم‌های پیچیده نیاز به تفکر معماری (Architecture Thinking) دارند که خودِ وایب کدینگ آن را حذف می‌کند. این پارادوکس اصلی است: ابزاری که برای حذف نیاز به تفکر معماری ساخته شده، در پروژه‌هایی که معماری حیاتی دارند شکست می‌خورد.

آیا وایب کدینگ جایگزین استخدام برنامه‌نویس می‌شود؟#

خیر. وایب کدینگ جایگزین استخدام برنامه‌نویس نمی‌شود؛ مکملی است که سرعت prototyping را بالا می‌برد. در تیم‌های فنی هم به‌عنوان ابزار اولیه استفاده می‌شود، نه ابزار production. الگوی رایج در تیم‌های فنی: یک developer از وایب کدینگ برای ساختن skeleton اولیه استفاده می‌کند، بعد خود کد را بازنویسی و بهینه می‌کند.

موقعیت‌هایی که وایب کدینگ صرفه‌جویی ایجاد می‌کند: ساخت demo برای جلسه‌ی سرمایه‌گذاری، اعتبارسنجی ایده‌ی جدید قبل از تخصیص منابع تیم، ساختن ابزارهای داخلی که عمر کوتاه دارند.

موقعیت‌هایی که وایب کدینگ هزینه‌ی پنهان می‌سازد: ساختن محصول اصلی که قرار است سال‌ها زندگی کند، پروژه‌هایی که چند توسعه‌دهنده باید رویشان کار کنند، هر چیزی که نیاز به code review منظم دارد.

نتیجه‌ی عملی: وایب کدینگ ابزاری قدرتمند برای اعتبارسنجی سریع است، اما کد تولیدشده در مقیاس واقعی معمولاً نیاز به rewrite کامل دارد. اگر این هزینه را از ابتدا در بیزینس‌پلن لحاظ کنید، وایب کدینگ واقعاً صرفه‌جویی ایجاد می‌کند. اگر نه، فقط هزینه‌ی پنهان ساخته‌اید.

اگر می‌خواهید این مسیر را با راهنمایی عملی طی کنید — از نوشتن پرامپت معماری تا deploy و تصمیم‌گیری درباره‌ی rewrite — دوره‌ی آموزش جامع Claude و ابزارهای مشابه در کامیونیتی Claude اسکول دقیقاً همین چرخه را از صفر تا محصول قابل استفاده پوشش می‌دهد.