Een Overzicht van Vibe Codering met Grote Taalmodellen

A Survey of Vibe Coding with Large Language Models

October 14, 2025

Auteurs: 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

Samenvatting

De vooruitgang van grote taalmodellen (LLMs) heeft een paradigmaverschuiving teweeggebracht van codegeneratie-assistentie naar autonome coderingsagenten, wat een nieuwe ontwikkelingsmethodologie mogelijk maakt die "Vibe Coding" wordt genoemd, waarbij ontwikkelaars AI-gegenereerde implementaties valideren door middel van resultaatobservatie in plaats van regel-voor-regel codebegrip. Ondanks het transformerende potentieel ervan, blijft de effectiviteit van dit opkomende paradigma onderbelicht, met empirisch bewijs dat onverwachte productiviteitsverliezen en fundamentele uitdagingen in mens-AI-samenwerking aan het licht brengt. Om deze kloof te overbruggen, biedt dit onderzoek de eerste uitgebreide en systematische review van Vibe Coding met grote taalmodellen, waarbij zowel theoretische fundamenten als praktische kaders worden gevestigd voor deze transformerende ontwikkelingsaanpak. Op basis van een systematische analyse van meer dan 1000 onderzoeksartikelen, onderzoeken we het hele Vibe Coding-ecosysteem, waarbij kritieke infrastructuurcomponenten worden bekeken, waaronder LLMs voor codering, LLM-gebaseerde coderingsagenten, ontwikkelingsomgevingen van coderingsagenten en feedbackmechanismen. We introduceren eerst Vibe Coding als een formele discipline door het te formaliseren via een Constrained Markov Decision Process dat de dynamische driehoeksrelatie tussen menselijke ontwikkelaars, softwareprojecten en coderingsagenten vastlegt. Op dit theoretische fundament voortbouwend, synthetiseren we vervolgens bestaande praktijken in vijf verschillende ontwikkelingsmodellen: Onbeperkte Automatisering, Iteratieve Conversatiecollaboratie, Planning-Gestuurd, Test-Gestuurd en Context-Versterkte Modellen, waardoor de eerste uitgebreide taxonomie in dit domein wordt geboden. Cruciaal is dat onze analyse aantoont dat succesvolle Vibe Coding niet alleen afhangt van de capaciteiten van de agent, maar ook van systematische contextengineering, goed ingeburgerde ontwikkelingsomgevingen en mens-agent samenwerkingsontwikkelingsmodellen.

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.