Una Rassegna sulla Codifica Vibrazionale con Modelli Linguistici di Grande Scala

A Survey of Vibe Coding with Large Language Models

October 14, 2025

Autori: Yuyao Ge, Lingrui Mei, Zenghao Duan, Tianhao Li, Yujia Zheng, Yiwei Wang, Lexin Wang, Jiayu Yao, Tianyu Liu, Yujun Cai, Baolong Bi, Fangda Guo, Jiafeng Guo, Shenghua Liu, Xueqi Cheng

cs.AI

Abstract

Il progresso dei grandi modelli linguistici (LLM) ha catalizzato un cambiamento di paradigma dall'assistenza nella generazione di codice a veri e propri agenti di codifica autonomi, abilitando una nuova metodologia di sviluppo denominata "Vibe Coding", in cui gli sviluppatori validano le implementazioni generate dall'IA attraverso l'osservazione dei risultati piuttosto che la comprensione riga per riga del codice. Nonostante il suo potenziale trasformativo, l'efficacia di questo paradigma emergente rimane poco esplorata, con evidenze empiriche che rivelano perdite inattese di produttività e sfide fondamentali nella collaborazione uomo-IA. Per colmare questa lacuna, questa rassegna fornisce la prima revisione completa e sistematica del Vibe Coding con grandi modelli linguistici, stabilendo sia le basi teoriche che i framework pratici per questo approccio di sviluppo trasformativo. Attingendo dall'analisi sistematica di oltre 1000 articoli di ricerca, esaminiamo l'intero ecosistema del Vibe Coding, analizzando componenti infrastrutturali critici tra cui LLM per la codifica, agenti di codifica basati su LLM, ambienti di sviluppo per gli agenti di codifica e meccanismi di feedback. Introduciamo innanzitutto il Vibe Coding come disciplina formale, formalizzandolo attraverso un Processo Decisionale di Markov Vincolato che cattura la relazione triadica dinamica tra sviluppatori umani, progetti software e agenti di codifica. Basandoci su questa fondazione teorica, sintetizziamo le pratiche esistenti in cinque modelli di sviluppo distinti: Automazione Senza Vincoli, Collaborazione Conversazionale Iterativa, Guidato dalla Pianificazione, Guidato dai Test e Modelli Arricchiti dal Contesto, fornendo così la prima tassonomia completa in questo dominio. In modo critico, la nostra analisi rivela che il successo del Vibe Coding dipende non solo dalle capacità degli agenti, ma dall'ingegnerizzazione sistematica del contesto, da ambienti di sviluppo ben strutturati e da modelli di sviluppo collaborativo uomo-agente.

English

The advancement of large language models (LLMs) has catalyzed a paradigm shift from code generation assistance to autonomous coding agents, enabling a novel development methodology termed "Vibe Coding" where developers validate AI-generated implementations through outcome observation rather than line-by-line code comprehension. Despite its transformative potential, the effectiveness of this emergent paradigm remains under-explored, with empirical evidence revealing unexpected productivity losses and fundamental challenges in human-AI collaboration. To address this gap, this survey provides the first comprehensive and systematic review of Vibe Coding with large language models, establishing both theoretical foundations and practical frameworks for this transformative development approach. Drawing from systematic analysis of over 1000 research papers, we survey the entire vibe coding ecosystem, examining critical infrastructure components including LLMs for coding, LLM-based coding agent, development environment of coding agent, and feedback mechanisms. We first introduce Vibe Coding as a formal discipline by formalizing it through a Constrained Markov Decision Process that captures the dynamic triadic relationship among human developers, software projects, and coding agents. Building upon this theoretical foundation, we then synthesize existing practices into five distinct development models: Unconstrained Automation, Iterative Conversational Collaboration, Planning-Driven, Test-Driven, and Context-Enhanced Models, thus providing the first comprehensive taxonomy in this domain. Critically, our analysis reveals that successful Vibe Coding depends not merely on agent capabilities but on systematic context engineering, well-established development environments, and human-agent collaborative development models.