Habr AI a publié le cas de Rozitta Parser : comment le vibe coding rogne sur le sommeil et le temps

Habr AI a publié une étude de cas personnelle sur la façon dont une tentative de préserver une discussion Telegram importante s'est transformée en six mois de développement d'une application personnalisée. Une architecte sans expérience en programmation a construit Rozitta Parser à l'aide de plusieurs réseaux de neurones et a honnêtement décrit combien de temps, d'efforts et de ressources personnelles sont consommés par ce type de codage intuitif.

Comment le projet est né

L'histoire a commencé par une tâche simple : l'auteure avait besoin d'exporter le contenu d'un groupe Telegram où les anciennes informations devaient disparaître avec le début d'un nouveau flux. Pour ce faire, elle a demandé à un réseau de neurones d'écrire un analyseur syntaxique, bien que peu de temps auparavant, elle ne savait pas ce que Telethon, les clés API et `pip install` étaient. Un script rapide a résolu le problème local, mais presque immédiatement a commencé à accumuler de nouvelles exigences : filtrage des messages, téléchargement de fichiers, support de différents chats et une forme plus pratique de lancement.

À partir de là, le projet a suivi un scénario typique de codage intuitif : un modèle d'IA écrivait le code, un autre aidait à structurer les demandes, un troisième cherchait des outils alternatifs et expliquait pourquoi une pile était meilleure qu'une autre. DeepSeek a été utilisé pour les premières versions et les prototypes HTML, NotebookLM a servi de base de connaissances auxiliaire, Gemini pour formuler les prompts, et Claude pour l'assemblage plus lourd et la refonte. D'un script unique a grandi une application de bureau complète avec son propre nom et mascotte — une mouche robot rose nommée Rozitta.

Ce que l'analyseur est devenu

En six mois, Rozitta Parser s'est transformé en une application Python multi-modules avec une GUI, une exportation de données et un traitement local des médias. L'auteure souligne spécifiquement que le projet s'est considérablement éloigné de l'idée originale de "préserver la correspondance" : c'est maintenant un outil qui tente de collecter de Telegram non pas seulement une archive, mais une base de connaissances pratique pour un travail ultérieur, une lecture et un téléchargement dans les services d'IA comme NotebookLM. Essentiellement, il s'agit déjà d'un pipeline personnel qui relie le messager, l'archive de fichiers et la préparation des données pour une analyse ultérieure.

• Exporter les conversations en DOCX, JSON, Markdown et HTML
• Télécharger les fichiers, images et messages vocaux des chats
• Reconnaissance audio locale via faster-whisper sans le cloud
• Division des grandes exportations en chunks pour télécharger dans les services d'IA

La pile actuelle semble déjà bien mûre : Python 3.11, PySide6 pour l'interface, Telethon pour travailler avec l'API MTProto, SQLite pour le stockage des données, python-docx pour l'exportation et faster-whisper pour la reconnaissance locale des messages vocaux sans le cloud. L'application peut fonctionner avec les proxies SOCKS5 et MTProto, et peut également diviser les grandes exportations en chunks de 150 000 mots pour contourner les limitations des services tiers. Essentiellement, ce n'est plus un "script pour moi", mais un produit complexe qui doit être maintenu comme un vrai logiciel.

Prix et aide

La partie la plus forte du texte n'est pas technique, mais humaine. L'auteure appelle les trajets en taxi pour le travail son "impôt de la fatigue" : en raison des sessions de codage nocturnes, elle a commencé à être en retard, à perdre le sommeil, à dépenser de l'argent pour manger en dehors de chez elle et à se retirer de la vie familiale. Il n'y a pas de romanticisation de la construction sans fin dans l'article.

Au contraire, c'est une histoire sur la façon dont la ferveur créative du développement d'IA se transforme facilement en un mode "soit du code, soit du sommeil", surtout si le projet croît plus vite que votre compréhension de l'architecture, Git et les limites de votre propre temps.

L'"impôt de la fatigue" n'est pas une métaphore.

Un tournant s'est produit quand le projet a été lancé sur GitHub et que l'auteure a demandé de l'aide à la communauté. Après une question sur Habr Q&A, l'application a gagné un assistant actif qui s'est occupé des bugs, de l'interface, des proxies, des compilations et de l'explication des processus de base comme GitHub Actions. En même temps, une carte interactive des dépendances des modules et une documentation plus claire ont émergé. L'une des principales conclusions de l'auteure sone durement : l'IA accélère le démarrage, mais sur la longue distance n'élimine pas la nécessité de documentation, de compréhension du langage et de la participation de véritables développeurs.

Ce que cela signifie

L'étude de cas Rozitta Parser illustre bien la limite actuelle du codage intuitif : entrer dans le développement est devenu plus facile que jamais, mais le coût de l'erreur a également augmenté. Les réseaux de neurones aident déjà les débutants à assembler un produit fonctionnel, cependant sans structure, repos et soutien humain, un tel projet commence rapidement à consommer non seulement le temps, mais aussi toute le reste de la vie aussi.