Habr AI publica o caso Rozitta Parser: como o vibe coding consome sono e tempo

O Habr AI publicou um caso pessoal sobre como a tentativa de salvar um chat importante do Telegram virou seis meses de desenvolvimento de um aplicativo próprio. Uma arquiteta sem experiência em programação criou o Rozitta Parser com a ajuda de várias redes neurais e descreve com sinceridade quanto tempo, energia e recursos do dia a dia esse tipo de vibe coding consome.

Como o projeto surgiu

Tudo começou com uma tarefa simples: a autora precisava exportar o conteúdo de um grupo do Telegram em que as informações antigas deveriam sumir quando um novo fluxo começasse. Ela pediu a uma rede neural que escrevesse um parser, embora pouco antes nem soubesse o que eram Telethon, chaves de API e `pip install`. O script rápido resolveu o problema local, mas quase de imediato passou a acumular novos requisitos: filtragem de mensagens, download de arquivos, suporte a diferentes chats e uma forma mais prática de executar.

Dali em diante, o projeto seguiu um roteiro típico do vibe coding: um modelo de IA escrevia o código, outro ajudava a estruturar os pedidos e um terceiro buscava ferramentas alternativas e explicava por que um stack era melhor que outro. O DeepSeek foi usado nas primeiras versões e nos protótipos em HTML, o NotebookLM como base de conhecimento auxiliar, o Gemini para formular prompts e o Claude para a montagem mais pesada e a refatoração. O script descartável virou um programa de desktop completo, com nome próprio e mascote: uma robô-sapa rosa chamada Rozitta.

No que o parser se transformou

Em seis meses, o Rozitta Parser se tornou um aplicativo multimódulo em Python, com interface gráfica, exportação de dados e processamento local de mídia. A autora ressalta que o projeto foi muito além da ideia original de "salvar uma conversa": hoje é uma ferramenta que tenta extrair do Telegram mais que um arquivo, uma base de conhecimento prática para trabalhar, ler e enviar a serviços de IA como o NotebookLM. Na prática, já é um pipeline pessoal que liga o mensageiro, um arquivo de documentos e a preparação de dados para análise posterior.

• Exportação de conversas para DOCX, JSON, Markdown e HTML
• Download de arquivos, imagens e mensagens de voz dos chats
• Reconhecimento local de áudio com faster-whisper, sem nuvem
• Divisão de exportações grandes em blocos para envio a serviços de IA

O stack atual já parece bem maduro: Python 3.11, PySide6 para a interface, Telethon para trabalhar com a API MTProto, SQLite para armazenar dados, python-docx para exportação e faster-whisper para o reconhecimento local de mensagens de voz sem nuvem. O aplicativo funciona com proxies SOCKS5 e MTProto e ainda divide exportações grandes em blocos de 150 mil palavras para contornar limites de serviços de terceiros. No fundo, não é mais um "script para uso próprio", e sim um produto complexo que precisa ser mantido como software de verdade.

O preço e a ajuda

A parte mais forte do texto não é técnica, e sim humana. A autora chama o táxi até o trabalho de seu "imposto do cansaço": por causa das sessões noturnas de código, passou a se atrasar, perder sono, gastar dinheiro com comida fora de casa e se afastar da vida familiar. O artigo não romantiza o build interminável. Pelo contrário, conta como o entusiasmo criativo no desenvolvimento com IA vira com facilidade um regime de "ou código, ou sono", principalmente quando o projeto cresce mais rápido que a sua compreensão de arquitetura, de Git e dos limites do próprio tempo.

O "imposto do cansaço" não é uma metáfora.

O ponto de virada foi a publicação do projeto no GitHub e o pedido de ajuda à comunidade. Depois de uma pergunta no Habr Q&A, o aplicativo ganhou um ajudante de carne e osso, que passou a cuidar dos bugs, da interface, dos proxies, dos builds e a explicar processos básicos como o GitHub Actions. Em paralelo, surgiram um mapa interativo de dependências entre módulos e uma documentação mais clara. Uma das principais conclusões da autora é dura: a IA acelera a largada, mas, a longo prazo, não elimina a documentação, o entendimento da linguagem nem a participação de desenvolvedores reais.

O que isso significa

O caso do Rozitta Parser mostra bem o limite atual do vibe coding: entrar no desenvolvimento ficou mais fácil do que nunca, mas o preço do erro também subiu. As redes neurais já ajudam iniciantes a montar um produto funcional, porém, sem estrutura, descanso e apoio humano, um projeto assim logo passa a consumir não só o tempo, mas todo o resto da vida.