Vibe Coding

Beim Vibe Coding entsteht Software, indem du einem KI-Modell in einfacher Sprache beschreibst, was du möchtest, und den von ihm geschriebenen Code übernimmst, ohne ihn zu lesen. Du beurteilst das Ergebnis nur danach, ob das Programm scheinbar funktioniert. Andrej Karpathy, Gründungsmitglied von OpenAI und ehemaliger KI-Direktor bei Tesla, bezeichnete diese Praxis im Februar 2025 als „eine neue Art des Programmierens“, bei der „man sich ganz den Vibes hingibt, exponentielle Entwicklungen begrüßt und vergisst, dass der Code überhaupt existiert“. Er beschrieb, wie er per Sprache mit Composer von Cursor kommunizierte, auf „Accept All“ klickte, ohne die Änderungen zu lesen, und Fehlermeldungen kommentarlos zurückkopierte. Den Ansatz nannte er „nicht schlecht für wegwerfbare Wochenendprojekte“. Innerhalb weniger Monate verbreitete sich der Begriff weit über die Programmierwelt hinaus, und Collins Dictionary kürte „Vibe Coding“ zum Wort des Jahres 2025. Programmieragenten wie Cursor, Claude Code und Replit Agent sowie App-Baukästen wie Lovable, Bolt und v0 ermöglichen es Menschen ohne Programmiererfahrung, aus einer Eingabeaufforderung eine bereitgestellte Web-App zu erstellen.

So funktioniert Vibe Coding#

Die Person beschreibt das gewünschte Verhalten und testet das Ergebnis. Ein KI-Agent schreibt, bearbeitet und debuggt den Code. Jeder Durchlauf funktioniert entweder, erzeugt einen Fehler, den die Person zurückkopiert, oder liefert ein unpassendes Ergebnis, für das sie eine neue Beschreibung eingibt:

Der Ansatz funktioniert, weil große Sprachmodelle (LLMs), insbesondere auf Code trainierte Reasoning-Modelle, inzwischen für gängige Technologiestacks wie Web-Frontends und Python-Skripte funktionierende Programme erzeugen. Zudem kann die Agentenumgebung eines Programmierwerkzeugs das Programm ohne Hilfe ausführen und seine Fehlermeldungen lesen. Der Ansatz eignet sich für Prototypen, interne Werkzeuge und persönliche Software, deren einzige Nutzerin oder einziger Nutzer die entwickelnde Person ist und bei der ein Fehler wenig kostet und Geschwindigkeit am wichtigsten ist.

Vibe Coding im Vergleich zu verwandten Praktiken#

• KI-gestützte Programmierung: Ein LLM schreibt Code, den ein Entwickler anschließend überprüft und versteht. Simon Willison zog in seinem Beitrag Not all AI-assisted programming is vibe coding eine klare Grenze: Von einem LLM geschriebener Code, den du geprüft und gründlich getestet hast und den du jemand anderem erklären kannst, ist Softwareentwicklung.
• Agentisches Programmieren: Programmieragenten erledigen Aufgaben von Anfang bis Ende und verwenden dieselben Werkzeuge wie Vibe Coder. Professionelle Teams behalten Code-Reviews, Tests und kontinuierliche Integration (CI) im Ablauf.
• Low-Code- und No-Code-Plattformen: Visuelle Baukästen, mit denen Nicht-Programmierer Apps aus vorgefertigten Komponenten zusammensetzen. Vibe Coding erzeugt stattdessen gewöhnlichen Quellcode in einer beliebigen Sprache oder einem beliebigen Framework.
• Generative KI: Die übergeordnete Technologie zum Erzeugen von Text, Bildern und Code. Vibe Coding ist eine Art, mit ihr zu arbeiten.

Computer-Vision-Apps mit Vibe Coding erstellen#

Computer-Vision-Prototypen sind beliebte Vibe-Coding-Projekte, weil ein kurzes Skript bereits Objekte im Webcam-Bild erkennen, zählen oder verfolgen kann. Generierter Code ist nur so aktuell wie die Trainingsdaten des Modells. Ein Agent, der sich auf sein Gedächtnis stützt, kann daher veraltete Modellgewichte oder Argumente vorschlagen. Ultralytics Agent Skills stellen Claude Code, Codex, Cursor und anderen kompatiblen Agenten Verfahren zur Modellauswahl, zur Vorbereitung von Datensätzen, zum Training, zur Inferenz und zum Export bereit. Diese basieren auf Katalogen, die an eine Version von ultralytics gebunden sind, und weisen den Agenten an, bei Abweichungen den Ausgaben yolo checks und yolo cfg des installierten Pakets zu vertrauen. Eine Anforderung wie „Trainiere einen YOLO26-Detektor mit meinem Datensatz und exportiere ihn nach ONNX“ folgt dann den in den Skills dokumentierten Trainings- und Exportverfahren statt den Erinnerungen des Modells an ältere Versionen.

Risiken ungeprüften Codes#

Karpathy merkte an, dass der Code „über mein übliches Verständnis hinauswächst“. Daher hängen auch spätere Änderungen und Fehlerbehebungen vom Modell ab, und technische Schulden häufen sich an Stellen an, die niemand überprüft. Agenten mit Shell-Zugriff können Dateien löschen oder destruktive Befehle ausführen. Programmierwerkzeuge lassen sie deshalb in einer Agenten-Sandbox laufen und fragen vor riskanten Aktionen nach. Auch eine Abhängigkeit oder Webseite, die der Agent liest, kann eine Prompt-Injection enthalten. Auf dieselbe Weise gelangen Sicherheitslücken in den ausgelieferten Code: Ein Test von Veracode aus dem Jahr 2025 mit mehr als 100 LLMs bei 80 Programmieraufgaben ergab, dass der generierte Code in 45 % der Fälle eine Sicherheitslücke einführte. Die Fehlerquote lag bei Java über 70 % und bei Python, C# und JavaScript zwischen 38 % und 45 %.