Habr AI publica el caso de Rozitta Parser: cómo el vibe coding se come el sueño y el tiempo

Habr AI ha publicado un caso personal sobre cómo el intento de guardar un chat importante de Telegram acabó en seis meses de desarrollo de una aplicación propia. Una arquitecta sin experiencia en programación creó Rozitta Parser con ayuda de varias redes neuronales y describe con franqueza cuánto tiempo, energía y recursos cotidianos consume este tipo de vibe coding.

Cómo nació el proyecto

Todo empezó con una tarea sencilla: la autora necesitaba exportar el contenido de un grupo de Telegram en el que la información antigua debía desaparecer al comenzar un nuevo flujo. Pidió a una red neuronal que escribiera un parser, aunque poco antes no sabía qué eran Telethon, las claves de API ni `pip install`. El script rápido resolvió el problema local, pero casi de inmediato empezó a acumular nuevos requisitos: filtrado de mensajes, descarga de archivos, compatibilidad con distintos chats y una forma de ejecución más cómoda.

Después el proyecto siguió un guion típico del vibe coding: un modelo de IA escribía código, otro ayudaba a estructurar las peticiones y un tercero buscaba herramientas alternativas y explicaba por qué un stack era mejor que otro. DeepSeek se usó para las primeras versiones y los prototipos HTML, NotebookLM como base de conocimiento auxiliar, Gemini para redactar prompts y Claude para el ensamblaje más pesado y el refactor. El script de un solo uso se convirtió en un programa de escritorio completo, con nombre propio y mascota: una robo-rana rosa llamada Rozitta.

En qué se convirtió el parser

En medio año, Rozitta Parser pasó a ser una aplicación multimódulo en Python con interfaz gráfica, exportación de datos y procesamiento local de medios. La autora subraya que el proyecto se alejó mucho de la idea original de «guardar una conversación»: ahora es una herramienta que intenta extraer de Telegram algo más que un archivo, una base de conocimiento cómoda para seguir trabajando, leyendo y subiendo a servicios de IA como NotebookLM. En la práctica, ya es un flujo personal que conecta el mensajero, un archivo de ficheros y la preparación de datos para su análisis posterior.

• Exportación de conversaciones a DOCX, JSON, Markdown y HTML
• Descarga de archivos, imágenes y mensajes de voz de los chats
• Reconocimiento local de audio con faster-whisper, sin nube
• División de exportaciones grandes en fragmentos para subirlas a servicios de IA

El stack actual ya parece bastante maduro: Python 3.11, PySide6 para la interfaz, Telethon para trabajar con la API MTProto, SQLite para almacenar datos, python-docx para exportar y faster-whisper para el reconocimiento local de mensajes de voz sin nube. La aplicación funciona con proxis SOCKS5 y MTProto, y además corta las exportaciones grandes en fragmentos de 150 mil palabras para sortear las limitaciones de servicios de terceros. En esencia, ya no es un «script para mí», sino un producto complejo que hay que mantener como software de verdad.

El precio y la ayuda

La parte más potente del texto no es técnica, sino humana. La autora llama a su taxi al trabajo su «impuesto de la fatiga»: por las sesiones nocturnas de código empezó a llegar tarde, a dormir menos, a gastar dinero en comer fuera y a desaparecer de la vida familiar. El artículo no romantiza el build interminable. Al contrario, cuenta cómo el entusiasmo creativo en el desarrollo con IA se convierte fácilmente en un régimen de «o código o sueño», sobre todo si el proyecto crece más rápido que tu comprensión de la arquitectura, de Git y de los límites de tu propio tiempo.

El «impuesto de la fatiga» no es una metáfora.

El punto de inflexión fue la publicación del proyecto en GitHub y la petición de ayuda a la comunidad. Tras una pregunta en Habr Q&A, la aplicación obtuvo un ayudante de carne y hueso que se ocupó de los bugs, la interfaz, los proxis, las compilaciones y de explicar procesos básicos como GitHub Actions. En paralelo aparecieron un mapa interactivo de dependencias entre módulos y una documentación más clara. Una de las conclusiones principales de la autora es contundente: la IA acelera el arranque, pero a largo plazo no sustituye la documentación, el conocimiento del lenguaje ni la participación de desarrolladores reales.

Qué significa

El caso de Rozitta Parser muestra bien el límite actual del vibe coding: entrar en el desarrollo es más fácil que nunca, pero el precio del error también ha subido. Las redes neuronales ya ayudan a los principiantes a construir un producto funcional, aunque sin estructura, descanso y apoyo humano, un proyecto así empieza pronto a devorar no solo el tiempo, sino el resto de la vida.