وایب کدینگ یک MVP قابل‌نمایش در چند ساعت می‌سازد، اما در مرحله‌ی احراز هویت و درگاه پرداخت متوقف می‌شود. مهارت اصلی نه نوشتن پرامپت، بلکه شناخت نقطه‌ی شکست و تصمیم برای ادامه یا دست‌کشیدن است. روایت پیشِ‌رو، یک پروژه‌ی واقعی ثبت‌نام رویداد را از ایده تا بن‌بست دنبال می‌کند و نشان می‌دهد مرز این روش دقیقاً کجاست.

وایب کدینگ چیست و چه فرقی با کدنویسی کمکی هوش مصنوعی دارد؟#

وایب کدینگ (Vibe Coding) روشی است که در آن پرامپت به زبان طبیعی می‌نویسید و هوش مصنوعی (AI) کل کد را تولید می‌کند، بدون اینکه شما خط‌به‌خط بنویسید یا دیباگ کنید. آندری کارپاتی (Andrej Karpathy) این اصطلاح را فوریه 2025 در توییتی ابداع کرد و به‌سرعت برچسب یک رفتار جدید در توسعه‌ی نرم‌افزار شد.

تفاوت کلیدی با کدنویسی کمکی هوش مصنوعی (AI-Assisted Coding) در نقش شماست. در کدنویسی کمکی، شما کد می‌نویسید و AI پیشنهاد تکمیل می‌دهد؛ شما تصمیم‌گیرنده‌ی اصلی هستید. در وایب کدینگ، شما پرامپت می‌نویسید و AI کل فایل را تولید می‌کند؛ شما بازبین‌کننده‌ی ثانویه هستید. این جابه‌جایی نقش، ماهیت ریسک را عوض می‌کند.

چرا «فقط پرامپت بنویس و تمام» یک توصیف گمراه‌کننده است#

پیش‌نیازهای واقعی وایب کدینگ بدون تخصص برنامه‌نویسی سه‌تایی‌اند: فهم ساختار پروژه، توانایی خواندن خطاها، و درک مفاهیم API و Database. کسی که این سه را ندارد، در اولین از دست رفتن زمینه (Context Loss) گیر می‌کند و نمی‌داند چرا کد قبلی خراب شده. پرامپت‌نویسی مهارت فنی نیست؛ تصمیم‌گیری فنی مهارت فنی است.

چرخه‌ی واقعی وایب کدینگ: پرامپت، بازبینی، دیباگ، تکرار#

چرخه‌ی واقعی وایب کدینگ خطی نیست. شما پرامپت می‌نویسید، خروجی را بازبین می‌کنید، باگ پیدا می‌کنید، پرامپت اصلاحی می‌نویسید، و دوباره از اول. هر دور این چرخه، احتمال از دست رفتن زمینه را بالا می‌برد. سازندگانی که این چرخه را در پروژه‌های واقعی تکرار کرده‌اند، می‌گویند دور سوم و چهارم معمولاً کد را بدتر از دور اول می‌کند، نه بهتر.

ابزارهای وایب کدینگ: کدام برای چه نوع محصولی جواب می‌دهد؟#

هر ابزار وایب کدینگ یک محدودیت ساختاری دارد: Cursor برای پروژه‌های چندفایلی قوی‌تر است، Bolt.new برای دمو سریع مناسب‌تر است، و Replit برای شروع بدون نصب. اما هیچ‌کدام به‌تنهایی محصول قابل‌فروش نمی‌سازد. انتخاب ابزار باید بر اساس نوع خروجی و محدودیت پنجره‌ی زمینه (Context Window) انجام شود، نه بر اساس تبلیغات.

ابزار نوع خروجی محدودیت Context Window پشتیبانی از Deploy مناسب برای
Cursor کد کامل چندفایلی بسته به مدل انتخابی خروجی برای Deploy دستی پروژه‌های Full-Stack
Replit کد + محیط اجرا محدود در پلن رایگان Deploy داخلی دمو و MVP تک‌صفحه‌ای
Bolt.new کد + Preview Context کوتاه Deploy به Vercel دموی سریع فرانت‌اند
Lovable کد Supabase + React محدود به Template Deploy داخلی اپ‌های CRUD ساده
v0 کد React + Tailwind Context کوتاه Deploy به Vercel رابط کاربری، نه منطق
Windsurf کد چندفایلی بسته به مدل خروجی برای Deploy دستی جایگزین Cursor

Cursor — بهترین برای پروژه‌های چندفایلی با منطق کسب‌وکار#

Cursor یک IDE مبتنی بر هوش مصنوعی است که Context چندفایلی را بهتر از بقیه نگه می‌دارد. اگر پروژه‌ی شما بیش از 3 یا 4 فایل دارد و منطق کسب‌وکار بین آن‌ها تقسیم شده، Cursor کمترین از دست رفتن زمینه را تجربه می‌کند. اما باز هم در مرحله‌ی یکپارچه‌سازی پرداخت (Payment Integration) به بن‌بست می‌رسد.

Replit و Bolt.new — سریع‌ترین راه برای دمو و MVP تک‌صفحه‌ای#

Replit و Bolt.new برای ساختن یک صفحه‌ی نمایشی در کمتر از یک ساعت مناسب‌اند. خروجی آن‌ها قابل Export است، اما اگر بخواهید ویژگی (Feature) دوم و سوم را اضافه کنید، Context Window پر می‌شود و AI شروع به تولید کد متناقض می‌کند. این ابزارها برای «نمایش به سرمایه‌گذار» ساخته شده‌اند، نه برای «ساختن محصول».

یک محدودیت مشترک همه‌ی این ابزارها: هیچ‌کدام درگاه پرداخت ایرانی یا ارسال پیامک با شماره‌ی ایرانی را به‌صورت پیش‌فرض نمی‌شناسند. مستندات فارسی این سرویس‌ها بخش ناچیزی از Training Data مدل‌ها را تشکیل می‌دهند و خروجی AI برای این Integrations تقریباً همیشه نادرست است.

روایت ساخت یک محصول واقعی با وایب کدینگ: از ایده تا بن‌بست#

ساخت یک اپلیکیشن ثبت‌نام رویداد با وایب کدینگ از صفر تا نقطه‌ی شکست، مسیری است که اکثر سازندگان بدون تیم فنی طی می‌کنند. پنج مرحله‌ی این روایت — انتخاب ابزار، ساخت MVP (حداقل محصول قابل‌ارائه)، افزودن احراز هویت، اتصال درگاه پرداخت، و تصمیم نهایی — الگوی تکرارشونده‌ای است که در پروژه‌های متعددی از اعضای کامیونیتی دیده شده است.

مسیر دیجیتال درخشان که از فضای باز شروع شده و به دیواری از بلوک‌های تودرتو و خراب ختم می‌شود
هر مسیر وایب کدینگ نقطه‌ای دارد که بدون دخالت انسانی قابل عبور نیست.

مرحله ۱ — انتخاب ابزار و پرامپت اولیه#

سازنده با Cursor شروع می‌کند. پرامپت اولیه: «یک اپ ثبت‌نام رویداد بساز با صفحه‌ی اصلی، فرم ثبت‌نام، و لیست رویدادها. React + Node.js + MongoDB.» خروجی در حدود 20 دقیقه یک پروژه‌ی چندفایلی با 6 فایل است. صفحه‌ی اصلی رندر می‌شود، فرم کار می‌کند، و لیست رویدادها از Database خوانده می‌شود. تا اینجا همه‌چیز عالی به نظر می‌رسد.

و دقیقاً همین‌جا دام پنهان است.

مرحله ۲ — MVP قابل‌استفاده در چند ساعت#

پس از سه دور پرامپت و بازبینی، MVP قابل‌استفاده‌ای ساخته می‌شود: کاربر می‌تواند رویداد ثبت کند، لیست رویدادها را ببیند، و فرم ثبت‌نام را پر کند. محدودیت‌های واقعی: بدون احراز هویت، بدون پرداخت، بدون ارسال پیامک تأیید. این خروجی برای نمایش به یک دوست کافی است، نه برای کاربر واقعی.

مرحله ۳ — افزودن احراز هویت: اولین از دست رفتن زمینه#

پرامپت بعدی: «احراز هویت با JWT اضافه کن.» AI کد Auth را تولید می‌کند، اما لایه‌ی میانی (Middleware) را طوری می‌نویسد که Route قبلی ثبت‌نام رویداد خراب می‌شود. سازنده پرامپت اصلاحی می‌نویسد، AI فایل Auth را درست می‌کند، اما این بار فایل Model رویداد را تغییر می‌دهد. این الگوی از دست رفتن زمینه تکرار می‌شود تا اینکه سازنده فایل‌های Auth را دستی بازنویسی می‌کند.

مرحله ۴ — اتصال درگاه پرداخت: بن‌بست کامل#

پرامپت: «درگاه پرداخت اضافه کن.» AI یک Payment Gateway خارجی را پیشنهاد می‌دهد که در ایران کار نمی‌کند. سازنده پرامپت اصلاحی می‌نویسد: «زرین‌پال اضافه کن.» AI کد زرین‌پال را تولید می‌کند، اما نشانی بازگشت (Callback URL) را اشتباه می‌نویسد. پرامپت بعدی Callback را اصلاح می‌کند، اما این بار توکن نشست (Session Token) قبلی را از بین می‌برد. سه پرامپت متناقض در یک فایل. بن‌بست کامل. اگر می‌خواهی این نقطه‌ی شکست را در یک پروژه‌ی واقعی ببینی، مستند ۱۰ قسمتی ساخت یک پلتفرم با ثبت‌نام رایگان قابل مشاهده است.

مرحله ۵ — تصمیم: ادامه یا تحویل‌دادن (Handoff)#

سازنده در این نقطه سه گزینه دارد: ادامه با وایب کدینگ و امید به حل مشکل، بازنویسی کامل پروژه با کمک توسعه‌دهنده، یا دست‌کشیدن. هزینه‌ی واقعی هر مسیر: اشتراک ابزار + زمان صرف‌شده برای بازکاری (Rework) + استرس فنی‌بدهی انباشته. مجموعاً برای یک MVP معمولی، هفته‌ها طول می‌کشد.

چطور بفهمم پروژه‌ای که با وایب کدینگ ساخته‌ام به بن‌بست رسیده؟#

نشانه‌های بن‌بست وایب کدینگ مشخص‌اند: وقتی هر پرامپت جدید یک باگ قدیمی را برمی‌گرداند، وقتی AI فایل‌هایی را که نمی‌شناسد تغییر می‌دهد، یا وقتی بازکاری بیشتر از بازنویسی هزینه دارد. تشخیص این سه نشانه، مهم‌تر از هر مهارت فنی دیگری در وایب کدینگ است.

بدهی پرامپت (Prompt Debt) — معادل فنی‌بدهی در وایب کدینگ#

هر پرامپت مبهم، هزینه‌ی بازکاری پنهان می‌سازد. اگر پرامپت شما «یک صفحه‌ی پروفایل بساز» است و نه «یک صفحه‌ی پروفایل بساز که از فایل user.model.js فیلدهای name، email و avatar را بخواند و در Route /profile رندر کند»، AI حدس می‌زند. هر حدس غلط، یک بدهی پرامپت است که بعداً با پرامپت اصلاحی باز می‌گردد. الگوی تکرارشونده در پروژه‌های واقعی: بدهی پرامپت در دورهای 3 و 4 به اوج می‌رسد و بعد از آن، هر پرامپت جدید بیشتر از آنچه حل می‌کند، خراب می‌سازد.

سه نشانه‌ی عملی بن‌بست#

  • باگ‌های تکراری: همان باگی که در دور دوم حل کردید، در دور پنجم برمی‌گردد. این یعنی AI Context قبلی را Reference نمی‌کند.
  • پرامپت‌های متناقض: پرامپت A یک رفتار را اضافه می‌کند و پرامپت B همان رفتار را حذف می‌کند. شما در حلقه‌ی بازگشتی گیر کرده‌اید.
  • ناتوانی در افزودن ویژگی: هر ویژگی جدید، حداقل یک ویژگی قبلی را می‌شکند. این یعنی معماری پروژه دیگر قابل‌نگهداری نیست.

قانون عملی: اگر بازکاری از بازنویسی گران‌تر شد، وقتش است که Stop کنید. این مرز معمولاً در دور پنجم یا ششم چرخه‌ی پرامپت-دیباگ مشخص می‌شود.

وایب کدینگ در برابر بدون‌کد (No-Code) و کم‌کد (Low-Code): کدام برای من بهتر است؟#

وایب کدینگ کد واقعی تولید می‌کند که قابل Export و انتقال (Migration) است؛ بدون‌کد معمولاً Lock-in دارد و خروجی قابل‌انتقال نمی‌دهد؛ کم‌کد در میانه است. انتخاب بر اساس سه معیار انجام می‌شود: پیچیدگی منطق کسب‌وکار، نیاز به مقیاس‌پذیری، و بودجه زمانی.

معیار وایب کدینگ No-Code Low-Code
خروجی کد واقعی قابل Export معمولاً Lock-in ترکیب کد و پیکربندی
مقیاس‌پذیری محدود به توانایی بازبین محدود به ابزار متوسط
مناسب برای MVP با منطق سفارشی فرم، Landing Page، خودکارسازی (Automation) اتوماسیون سازمانی
هزینه‌ی Handoff متوسط (بسته به کیفیت کد) بالا (بازنویسی اجباری) متوسط

چه زمانی بدون‌کد بهتر است#

اگر محصول شما فرم ثبت‌نام، صفحه‌ی فرود، یا یک خودکارسازی ساده است و هیچ منطق سفارشی ندارد، بدون‌کد سریع‌تر و ارزان‌تر تمام می‌شود. اما اگر می‌خواهید بعداً به توسعه‌دهنده بسپارید، بدون‌کد خروجی قابل‌انتقال نمی‌دهد و مجبور به بازنویسی هستید.

چه زمانی هر دو مناسب نیستند#

اگر منطق کسب‌وکار شما فراتر از عملیات CRUD (ایجاد، خواندن، به‌روزرسانی، حذف) است — مثلاً الگوریتم قیمت‌گذاری پویا، سیستم رزرو با قفل‌گذاری همزمان، یا محاسبات مالی — وایب کدینگ و بدون‌کد هر دو ناکافی‌اند. در این حالت، مستقیم سراغ توسعه‌دهنده بروید.

چه زمانی باید از وایب کدینگ دست بکشی و توسعه‌دهنده بگیری؟#

سه معیار تصمیم‌گیری: اگر منطق کسب‌وکار پیچیده‌تر از CRUD است، اگر نیاز به مقیاس‌پذیری دارید، یا اگر کاربر واقعی پول می‌دهد — وایب کدینگ به‌تنهایی کافی نیست. این سه معیار، مرز بین «ابزار اعتبارسنجی» و «ابزار ساخت محصول» را مشخص می‌کنند.

راهنمای Handoff: چطور پروژه‌ی وایب‌کدینگ را به توسعه‌دهنده منتقل کنید#

سه کار قبل از تحویل‌دادن ضروری است: مستندسازی پرامپت‌های کلیدی (چرا این ساختار انتخاب شده)، حذف کدهای تکراری و متناقض، و نوشتن README با توضیح معماری. اگر کد به‌اندازه‌ی بد باشد، از توسعه‌دهنده بخواهید بازنویسی کند نه انتقال. این مرز معمولاً زمانی است که بخش عمده‌ای از فایل‌ها پرامپت‌های متناقض دارند.

هزینه‌ی واقعی Handoff#

در پروژه‌ی ثبت‌نام رویداد، توسعه‌دهنده پس از بررسی کد گفت که بازنویسی سریع‌تر از انتقال است. دلیلش: 4 فایل از 6 فایل پرامپت‌های متناقض داشتند و Context بین آن‌ها شکسته بود. هزینه‌ی انتقال در این حالت بیشتر از هزینه‌ی بازنویسی از صفر بود — و این الگویی است که در پروژه‌های وایب‌کدینگ با بیش از 5 دور پرامپت مکرراً دیده می‌شود.

محدودیت‌های وایب کدینگ در بازار ایران#

ابزارهای وایب کدینگ خارجی درگاه پرداخت ایرانی، ارسال پیامک با شماره‌ی ایرانی و Deploy روی سرور داخلی را نمی‌شناسند. پرامپت‌های شما برای این Integrations معمولاً کد نادرست تولید می‌کنند، چون مستندات فارسی این سرویس‌ها بخش ناچیزی از Training Data مدل‌ها را تشکیل می‌دهند.

چرا AI درگاه پرداخت ایرانی را درست نمی‌نویسد#

مدل‌های زبانی بزرگ (LLM) بر اساس داده‌های انگلیسی آموزش دیده‌اند. مستندات زرین‌پال، آیدی‌پی، کاوه‌گستر و ملی‌پیامک به فارسی و با ساختار متفاوت از SDKهای رایج انگلیسی نوشته شده‌اند. نتیجه: AI یک SDK خیالی برای زرین‌پال تولید می‌کند که متدها و پارامترهایش با واقعیت مطابقت ندارد. این مشکل نه‌تنها در وایب کدینگ، بلکه در هر استفاده‌ی AI از مستندات غیرانگلیسی وجود دارد.

راه‌حل عملی#

  1. یک API Wrapper دستی بنویسید یا از Wrapper آماده‌ی جامعه‌ی توسعه‌دهندگان ایرانی استفاده کنید.
  2. مستندات انگلیسی معادل (مثلاً مستندات Stripe) را به AI بدهید و ساختار را تطبیق دهید.
  3. خروجی را با مستندات فارسی سرویس واقعی دستی تطبیق دهید.

مسئله‌ی Deploy در ایران#

Vercel و Netlify در ایران فیلتر یا ناپایدارند. ابزارهایی مثل Bolt.new و v0 که Deploy خودکار روی Vercel دارند، در عمل برای کاربر ایرانی قابل‌استفاده نیستند. راه‌حل: Export کد و Deploy روی سرور داخلی یا Cloudflare Pages.

چه نوع محصولاتی در ایران اصلاً با وایب کدینگ ساخته نمی‌شوند: فین‌تک، سلامت، و آموزش با احراز هویت. هر سه نیاز به Integrations بومی و انطباق (Compliance) دارند که AI از پسشان برنمی‌آید.

آیا کدهای تولیدشده با هوش مصنوعی امن هستند؟#

کدهای تولیدشده با LLM اغلب الگوهای آسیب‌پذیر تکراری دارند: اعتبارسنجی ناقص ورودی، رمزنگاری ضعیف، و عدم مدیریت نشست. این مشکل نه‌تنها در وایب کدینگ، بلکه در هر کد تولیدشده با AI وجود دارد و به‌همین دلیل، وایب کدینگ برای محصولی که کاربر واقعی پول می‌دهد توصیه نمی‌شود.

الگوهای آسیب‌پذیر رایج در کد AI-Generated#

  • اعتبارسنجی ناقص ورودی: AI معمولاً فقط Required بودن فیلدها را چک می‌کند، نه نوع و محدوده‌ی داده.
  • رمزنگاری ضعیف: در پروژه‌های وایب‌کدینگ، Hash کردن رمز عبور با الگوریتم‌های قدیمی (مثلاً MD5) بارها دیده شده است.
  • عدم مدیریت نشست: JWT بدون Expiry یا بدون Refresh Token Mechanism تولید می‌شود.

چک‌لیست امنیتی حداقلی#

اگر محصولی با وایب کدینگ ساخته‌اید، قبل از انتشار این سه را بررسی کنید: آیا ورودی‌ها اعتبارسنجی می‌شوند؟ آیا رمز عبور با bcrypt یا argon2 Hash می‌شود؟ آیا توکن نشست Expiry دارد؟ اگر هر سه «نه» است، محصول شما امن نیست و نباید کاربر واقعی داشته باشد.

نیازمند راستی‌آزمایی: برخی پژوهش‌های دانشگاهی درباره‌ی افت عملکرد برنامه‌نویسان در تسک‌های پیچیده هنگام استفاده از AI گزارش شده‌اند. این یافته‌ها هنوز در جامعه‌ی علمی به اجماع نرسیده‌اند، اما الگوی تکرارشونده در پروژه‌های واقعی سازندگان وایب‌کدینگ — وابستگی بیش‌ازحد و ناتوانی در بازبینی مستقل — با این یافته‌ها همخوانی دارد.

نتیجه‌ی عملی: وایب کدینگ ابزار اعتبارسنجی ایده است، نه ابزار ساخت محصول قابل‌فروش. نقطه‌ی شکست مشخص دارد — احراز هویت و درگاه پرداخت — و تصمیم درست در آن نقطه، تحویل‌دادن به توسعه‌دهنده است نه ادامه‌ی پرامپت‌نویسی. اگر می‌خواهید این مرز را عمیق‌تر بشناسید و با ابزارهای هوش مصنوعی مثل Claude کار کنید، دوره‌ی «آموزش جامع Claude و ابزارهای مشابه» در کامیونیتی اسکول دقیقاً روی همین مسیر طراحی شده است.