Uma Análise da Codificação de Vibrações com Modelos de Linguagem de Grande Escala

A Survey of Vibe Coding with Large Language Models

October 14, 2025

Autores: 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

Resumo

O avanço dos grandes modelos de linguagem (LLMs, na sigla em inglês) catalisou uma mudança de paradigma da assistência na geração de código para agentes de codificação autônomos, possibilitando uma nova metodologia de desenvolvimento denominada "Vibe Coding", na qual os desenvolvedores validam implementações geradas por IA por meio da observação dos resultados, em vez de uma compreensão linha por linha do código. Apesar de seu potencial transformador, a eficácia desse paradigma emergente permanece pouco explorada, com evidências empíricas revelando perdas inesperadas de produtividade e desafios fundamentais na colaboração humano-IA. Para abordar essa lacuna, este estudo fornece a primeira revisão abrangente e sistemática do Vibe Coding com grandes modelos de linguagem, estabelecendo tanto fundamentos teóricos quanto frameworks práticos para essa abordagem transformadora de desenvolvimento. Com base na análise sistemática de mais de 1000 artigos de pesquisa, examinamos todo o ecossistema do Vibe Coding, explorando componentes críticos da infraestrutura, incluindo LLMs para codificação, agentes de codificação baseados em LLM, ambientes de desenvolvimento de agentes de codificação e mecanismos de feedback. Primeiro, introduzimos o Vibe Coding como uma disciplina formal, formalizando-o por meio de um Processo de Decisão de Markov Restrito (CMDP) que captura a relação triádica dinâmica entre desenvolvedores humanos, projetos de software e agentes de codificação. Com base nesse fundamento teórico, sintetizamos as práticas existentes em cinco modelos distintos de desenvolvimento: Automação Irrestrita, Colaboração Iterativa Conversacional, Orientado por Planejamento, Orientado por Testes e Modelos Aprimorados por Contexto, fornecendo assim a primeira taxonomia abrangente nesse domínio. De forma crítica, nossa análise revela que o sucesso do Vibe Coding depende não apenas das capacidades dos agentes, mas da engenharia sistemática de contexto, de ambientes de desenvolvimento bem estabelecidos e de modelos colaborativos de desenvolvimento entre humanos e agentes.

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.