Уровень шума виб-кодинга: как AI-мусор душит сообщества разработчиков

Статья rmoff — это прямой, полный разочарования разбор того, что он называет «AI-мусором»: низкокачественного контента, сгенерированного LLM и бездумно распространяемого в пространствах разработчиков. Основной аргумент: созданный AI материал, который не был тщательно отобран, активно вредит онлайн-сообществам, увеличивая шум и препятствуя реальному человеческому взаимодействию.
Схема «вибро-кодинга» и сваливания
rmoff описывает четырехшаговый цикл, ставший распространенным с начала 2026 года:
- Шаг 1: Открыть для себя агентное программирование. «Мозг взорван».
- Шаг 2: Закинуть проект на GitHub (даже если он работает).
- Шаг 3: Попросить AI написать восторженный пост в блоге о вашем «вибро-кодированном» проекте.
- Шаг 4: Поделиться репозиторием и постом во всех группах Slack и сабреддитах, которые только есть.
Проблема не в использовании AI-инструментов — rmoff прямо заявляет, что он не ненавистник AI и считает, что ненавистники AI находятся «не на той стороне истории». Проблема в отсутствии отбора: «Если вы можете придумать промпт, AI может его написать. Великое дело. Это так начала-2026.»
Конкретные типы «мусора», которые названы
В статье перечислены конкретные примеры поведения, способствующего деградации сообществ:
- «Я переписал Kafka на COBOL» — нормально для школьной ярмарки, но не для выпрашивания звезд на GitHub на репозитории, к которому никто не притронется.
- «Я написал пост в блоге о Kafka» — но это явно написанный Клодом мусор, бесполезный для сообщества.
- «Я снял видео о Kafka» — созданное AI, интересное только как новинка, а не как учебный ресурс.
- «Я самостоятельно публикую электронную книгу о Kafka» — на самом деле это просто скомпилированный Клодом материал, за который должно быть стыдно даже бесплатно распространять.
Почему это важно
rmoff сравнивает AI-мусор с вьюнком, медленно вытесняющим органическую жизнь в сообществах. Ухудшается соотношение шума и сигнала, разочарованные участники уходят, и сообщество либо увядает, либо превращается в антиутопический «MoltBook», где AI-агенты общаются друг с другом в отсутствие людей.
Автор проводит различие между хорошим использованием AI (когда оно позволяет людям внести вклад, на который они раньше были неспособны, с человеческой заботой) и плохим (массовая генерация контента для самопиара без учета сообщества). Граница определяется намерением и усилиями: «AI-мусор повышает шум и делает сигнал все более трудноразличимым.»
Практический совет
Прежде чем делиться AI-помощным проектом, rmoff предлагает остановиться и спросить:
- Действительно ли он полезен? Используете ли вы его сами?
- Есть ли у него хорошая документация? Работоспособен ли он?
- Возвращались ли вы к коду неоднократно и тщательно ли его тестировали, или это была одноразовая встреча с Клодом?
- Если это ПО, готовы ли вы его поддерживать, принимать issue и просматривать PR?
- Если это текст, хотели бы вы его прочитать? Добавляет ли он что-то к общему пониманию сообщества?
Для кого это
Для разработчиков, использующих AI-агенты программирования и заботящихся о здоровье сообществ, в которых они участвуют, а также для всех, кого раздражает растущий уровень шума на форумах, в Reddit и Slack, посвященных разработке.
📖 Read the full source: HN AI Agents
👀 Смотрите также

Центр обработки данных ИИ в Джорджии использовал 29 миллионов галлонов неучтенной воды
Кампус QTS в Фейетвилле за 15 месяцев израсходовал 29 миллионов галлонов воды через два несанкционированных подключения, что вызвало жалобы на низкое давление. Округ отказался от штрафов, выставив счет на 147 тысяч долларов за ретроактивную оплату.

ИИ слишком дорог: гиперскейлерам нужно 3 триллиона долларов, чтобы выйти в ноль
Гиперскейлеры инвестировали более $800 млрд в капитальные расходы на ИИ, а к 2027 году планируется еще $1 трлн. Одна только Microsoft потратила ~$100 млрд на инфраструктуру OpenAI, однако доходы от ИИ покрывают лишь ~20% ее капитальных затрат.

Шесть научно подтверждённых параллелей между типами сбоев в работе LLM и когнитивными особенностями СДВГ
Разработчик с СДВГ выделяет шесть параллелей между паттернами сбоев LLM и когнитивной наукой о СДВГ, подтверждённых независимыми исследованиями ассоциативной обработки, конфабуляции, ограничений рабочей памяти, завершения паттернов, зависимости от структуры и непрерывности потока.

OpenAI выпустила GPT-5.3-Codex-Spark в рамках исследовательского превью.
OpenAI представила GPT-5.3-Codex-Spark в режиме предварительного исследования, обещая более быстрые возможности разработки.