Habr AI publicou o case do Rozitta Parser: como o vibe coding consome sono e tempo

A Habr AI publicou um caso pessoal sobre como uma tentativa de preservar um importante chat do Telegram se transformou em seis meses de desenvolvimento de uma aplicação personalizada. Uma arquiteta sem experiência em programação construiu o Rozitta Parser com a ajuda de várias redes neurais e descreveu honestamente quanto tempo, esforço e recursos pessoais são consumidos por esse tipo de codificação intuitiva.

Como o projeto surgiu

A história começou com uma tarefa simples: a autora precisava exportar o conteúdo de um grupo do Telegram onde informações antigas deveriam desaparecer com o início de um novo fluxo. Para isso, ela pediu a uma rede neural que escrevesse um parser, apesar de pouco tempo antes não saber o que era Telethon, chaves de API e `pip install`. Um script rápido resolveu o problema local, mas quase imediatamente começou a acumular novos requisitos: filtragem de mensagens, download de arquivos, suporte para diferentes chats e uma forma mais conveniente de inicialização.

A partir daí, o projeto seguiu um cenário típico de codificação intuitiva: um modelo de IA escrevia código, outro ajudava a estruturar solicitações, um terceiro buscava ferramentas alternativas e explicava por que um stack era melhor que o outro. DeepSeek foi usado para as primeiras versões e protótipos HTML, NotebookLM serviu como base de conhecimento auxiliar, Gemini para formular prompts, e Claude para montagem mais pesada e refatoração. De um script único cresceu uma aplicação desktop completa com seu próprio nome e mascote — uma mosca robô rosa chamada Rozitta.

Em que o parser se transformou

Em seis meses, Rozitta Parser se transformou em uma aplicação Python com múltiplos módulos, com GUI, exportação de dados e processamento local de mídia. A autora enfatiza especificamente que o projeto se afastou muito da ideia original de "preservar a correspondência": agora é uma ferramenta que tenta coletar do Telegram não apenas um arquivo, mas uma base de conhecimento conveniente para trabalho posterior, leitura e carregamento em serviços de IA como NotebookLM. Essencialmente, trata-se já de um pipeline pessoal que conecta o messenger, arquivo de arquivos e preparação de dados para análise subsequente.

• Exportar conversas para DOCX, JSON, Markdown e HTML
• Baixar arquivos, imagens e mensagens de voz de chats
• Reconhecimento de áudio local via faster-whisper sem a nuvem
• Divisão de grandes exportações em chunks para carregar em 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 armazenamento de dados, python-docx para exportação e faster-whisper para reconhecimento local de mensagens de voz sem a nuvem. A aplicação pode trabalhar com proxies SOCKS5 e MTProto, e também pode dividir grandes exportações em chunks de 150 mil palavras para contornar limitações de serviços de terceiros. Em essência, não é mais um "script para mim", mas um produto complexo que precisa ser mantido como software real.

Preço e ajuda

A parte mais forte do texto não é técnica, mas humana. A autora chama as corridas de táxi para o trabalho de seu "imposto de fadiga": devido a sessões de codificação à noite, ela começou a se atrasar, perder sono, gastar dinheiro com comida fora de casa e se afastar da vida familiar. Não há romantização de construção infinita no artigo. Pelo contrário, é uma história sobre como o fervor criativo no desenvolvimento de IA facilmente se transforma em um modo de "ou código ou sono", especialmente se o projeto cresce mais rápido do que sua compreensão de arquitetura, Git e os limites do seu próprio tempo.

"Imposto de fadiga" não é uma metáfora.

Um ponto de virada veio quando o projeto foi lançado no GitHub e a autora pediu ajuda à comunidade. Após uma pergunta no Habr Q&A, a aplicação ganhou um auxiliar ao vivo que lidou com bugs, interface, proxies, construções e explicação de processos básicos como GitHub Actions. Ao mesmo tempo, um mapa interativo de dependências de módulos e documentação mais clara apareceram. Uma das principais conclusões da autora soa severa: a IA acelera o início, mas na longa distância não elimina a necessidade de documentação, compreensão da linguagem e participação de desenvolvedores reais.

O que isso significa

O caso Rozitta Parser ilustra bem o limite atual da codificação intuitiva: entrar no desenvolvimento ficou mais fácil do que nunca, mas o custo dos erros também aumentou. Redes neurais já ajudam iniciantes a montar um produto funcional, mas sem estrutura, descanso e apoio humano, esse tipo de projeto rapidamente começa a consumir não apenas tempo, mas toda o resto da vida também.