Habr AI publicó el caso de Rozitta Parser: cómo el vibe coding consume el sueño y el tiempo

Habr AI publicó un caso personal sobre cómo un intento de preservar un importante chat de Telegram se convirtió en seis meses de desarrollo de una aplicación personalizada. Una arquitecta sin experiencia en programación construyó Rozitta Parser con la ayuda de varias redes neuronales y describió honestamente cuánto tiempo, esfuerzo y recursos personales consume este tipo de codificación intuitiva.

Cómo surgió el proyecto

La historia comenzó con una tarea simple: la autora necesitaba exportar el contenido de un grupo de Telegram donde la información antigua debía desaparecer con el inicio de un nuevo flujo. Para ello, pidió a una red neuronal que escribiera un parser, a pesar de que poco tiempo antes no sabía qué eran Telethon, las claves de API y `pip install`. Un script rápido resolvió el problema local, pero casi inmediatamente comenzó a acumular nuevos requisitos: filtrado de mensajes, descarga de archivos, soporte para diferentes chats y una forma más conveniente de iniciar.

A partir de ahí, el proyecto siguió un escenario típico de codificación intuitiva: un modelo de IA escribía código, otro ayudaba a estructurar solicitudes, un tercero buscaba herramientas alternativas y explicaba por qué un stack era mejor que otro. DeepSeek se utilizó para las primeras versiones y prototipos HTML, NotebookLM sirvió como base de conocimiento auxiliar, Gemini para formular prompts, y Claude para ensamblaje más pesado y refactorización. De un script único creció una aplicación de escritorio completa con su propio nombre y mascota — una mosca robot rosa llamada Rozitta.

En qué se convirtió el parser

En seis meses, Rozitta Parser se transformó en una aplicación Python multimodular con GUI, exportación de datos y procesamiento local de medios. La autora enfatiza específicamente que el proyecto se ha alejado mucho de la idea original de "preservar la correspondencia": ahora es una herramienta que intenta recopilar de Telegram no solo un archivo, sino una base de conocimiento conveniente para trabajo posterior, lectura y carga en servicios de IA como NotebookLM. Esencialmente, ya se trata de un pipeline personal que conecta el messenger, archivo de archivos y preparación de datos para análisis posterior.

• Exportar conversaciones a DOCX, JSON, Markdown e HTML
• Descargar archivos, imágenes y mensajes de voz de chats
• Reconocimiento de audio local a través de faster-whisper sin la nube
• División de grandes exportaciones en chunks para cargar en servicios de IA

El stack actual ya se ve bastante maduro: Python 3.11, PySide6 para la interfaz, Telethon para trabajar con la API MTProto, SQLite para almacenamiento de datos, python-docx para exportación y faster-whisper para reconocimiento local de mensajes de voz sin la nube. La aplicación puede trabajar con proxies SOCKS5 y MTProto, y también puede dividir grandes exportaciones en chunks de 150 mil palabras para eludir limitaciones de servicios de terceros. En esencia, ya no es un "script para mí", sino un producto complejo que hay que mantener como software real.

Precio y ayuda

La parte más fuerte del texto no es técnica, sino humana. La autora llama a los viajes en taxi al trabajo su "impuesto de fatiga": debido a sesiones de codificación nocturnas, comenzó a llegar tarde, perder sueño, gastar dinero en comida fuera de casa y alejarse de la vida familiar. No hay romanticización de construcción infinita en el artículo. Por el contrario, es una historia sobre cómo el fervor creativo en el desarrollo de IA fácilmente se transforma en un modo de "o código o sueño", especialmente si el proyecto crece más rápido que su comprensión de arquitectura, Git y los límites de su propio tiempo.

"Impuesto de fatiga" no es una metáfora.

Un punto de inflexión llegó cuando el proyecto se lanzó en GitHub y la autora pidió ayuda a la comunidad. Después de una pregunta en Habr Q&A, la aplicación ganó un asistente activo que se ocupó de bugs, interfaz, proxies, compilaciones y explicación de procesos básicos como GitHub Actions. Al mismo tiempo, aparecieron un mapa interactivo de dependencias de módulos y documentación más clara. Una de las principales conclusiones de la autora suena dura: la IA acelera el inicio, pero a la larga no elimina la necesidad de documentación, comprensión del lenguaje y participación de desarrolladores reales.

Qué significa esto

El caso Rozitta Parser ilustra bien el límite actual de la codificación intuitiva: entrar en desarrollo se ha vuelto más fácil que nunca, pero el costo del error también ha aumentado. Las redes neuronales ya ayudan a los principiantes a ensamblar un producto funcional, pero sin estructura, descanso y apoyo humano, tal proyecto rápidamente comienza a consumir no solo tiempo, sino toda el resto de la vida también.