Habr AI publie le cas Rozitta Parser : comment le vibe coding dévore sommeil et temps

Habr AI a publié un témoignage personnel sur la façon dont une tentative de sauvegarder une conversation Telegram importante s'est transformée en six mois de développement d'une application maison. Une architecte sans expérience en programmation a conçu Rozitta Parser avec l'aide de plusieurs réseaux de neurones, et décrit franchement le temps, l'énergie et les ressources du quotidien que ce type de vibe coding engloutit.

Comment le projet est né

Tout a commencé par une tâche simple : l'autrice devait exporter le contenu d'un groupe Telegram où les anciennes informations étaient censées disparaître avec l'arrivée d'un nouveau flux. Elle a demandé à un réseau de neurones d'écrire un parser, alors qu'elle ignorait encore peu avant ce que sont Telethon, les clés d'API ou `pip install`. Le script rapide a réglé le problème local, mais il s'est presque aussitôt couvert de nouvelles exigences : filtrage des messages, téléchargement de fichiers, prise en charge de différentes conversations et lancement plus pratique.

Le projet a ensuite suivi un scénario typique du vibe coding : un modèle d'IA écrivait le code, un autre aidait à structurer les requêtes, un troisième cherchait des outils alternatifs et expliquait pourquoi une stack valait mieux qu'une autre. DeepSeek a servi pour les premières versions et les prototypes HTML, NotebookLM comme base de connaissances d'appoint, Gemini pour formuler les prompts et Claude pour l'assemblage plus lourd et le refactoring. Le script jetable est devenu un véritable programme de bureau, avec son nom et sa mascotte : une grenouille-robot rose baptisée Rozitta.

Ce que le parser est devenu

En six mois, Rozitta Parser est devenu une application Python multimodule dotée d'une interface graphique, d'un export de données et d'un traitement local des médias. L'autrice souligne que le projet s'est très éloigné de l'idée initiale de « sauvegarder une conversation » : c'est désormais un outil qui cherche à tirer de Telegram plus qu'une archive, une base de connaissances pratique pour travailler, lire et charger dans des services d'IA comme NotebookLM. De fait, il s'agit déjà d'une chaîne de traitement personnelle qui relie la messagerie, une archive de fichiers et la préparation des données en vue d'une analyse ultérieure.

• Export des conversations en DOCX, JSON, Markdown et HTML
• Téléchargement des fichiers, images et messages vocaux des conversations
• Reconnaissance audio locale via faster-whisper, sans cloud
• Découpage des gros exports en blocs pour le chargement dans des services d'IA

La stack actuelle paraît déjà tout à fait adulte : Python 3.11, PySide6 pour l'interface, Telethon pour l'API MTProto, SQLite pour le stockage, python-docx pour l'export et faster-whisper pour la reconnaissance locale des messages vocaux sans cloud. L'application gère les proxys SOCKS5 et MTProto, et découpe les gros exports en blocs de 150 000 mots pour contourner les limites de services tiers. En somme, ce n'est plus un « script pour soi », mais un produit complexe qu'il faut maintenir comme un vrai logiciel.

Le prix à payer, et l'aide

La partie la plus forte du texte n'est pas technique, mais humaine. L'autrice appelle le taxi pour aller au travail son « impôt de la fatigue » : à cause des sessions de code nocturnes, elle a commencé à arriver en retard, à perdre du sommeil, à dépenser de l'argent en repas à l'extérieur et à s'effacer de la vie de famille. L'article ne romantise pas le build sans fin. Il raconte plutôt comment l'enthousiasme créatif dans le développement avec l'IA bascule facilement dans un régime « soit le code, soit le sommeil », surtout quand le projet grandit plus vite que votre compréhension de l'architecture, de Git et des limites de votre propre temps.

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

Le tournant a été la mise en ligne du projet sur GitHub et l'appel à l'aide lancé à la communauté. Après une question sur Habr Q&A, l'application a trouvé un assistant en chair et en os, qui s'est occupé des bugs, de l'interface, des proxys, des builds et de l'explication de processus de base comme GitHub Actions. En parallèle sont apparues une carte interactive des dépendances entre modules et une documentation plus claire. L'une des principales conclusions de l'autrice est sans détour : l'IA accélère le démarrage, mais sur la durée elle ne dispense ni de documentation, ni de comprendre le langage, ni de l'implication de vrais développeurs.

Ce que cela signifie

Le cas Rozitta Parser illustre bien la limite actuelle du vibe coding : se lancer dans le développement n'a jamais été aussi facile, mais le prix de l'erreur a lui aussi augmenté. Les réseaux de neurones aident déjà les débutants à construire un produit fonctionnel, mais sans structure, repos et soutien humain, un tel projet se met vite à dévorer non seulement le temps, mais tout le reste de la vie.