TLDR;

Vibe coding refere-se ao código produzido com base em “vibes” ou palpites de IA que é imprevisível e propenso a falhas, e o conteúdo sugere substituir isso por soluções determinísticas baseadas em fatos e lógica. Para isso recomenda-se usar ferramentas determinísticas como linters e formatadores, analisadores de duplicação e dependências, ferramentas de análise de complexidade e qualidade (ex.: jscpd e plataformas tipo fallow.tools) e monitoramento de erros como Sentry. A aplicação prática é integrar essas ferramentas ao seu fluxo (CI/pipeline/agents) com regras enforçáveis e checagens automáticas para detectar, bloquear ou corrigir problemas de forma repetível em vez de confiar apenas na IA.

Resumo

Scott Tolinsky e Wes Boss discutem como transformar "vibe coding" gerado por IA em soluções determinísticas usando ferramentas de qualidade de código, linters, formatadores e monitoramento. Eles relatam casos reais de automações geradas por IA que quebraram em produção — clientes perdidos, falta de monitoramento e até risco de vazamento de dados — e defendem guardrails enforçáveis, não apenas instruções em arquivos de agentes que a IA pode ignorar. Enfatizam ferramentas determinísticas que analisam o código e retornam respostas repetíveis (pass/fail), como linters e analisadores CLI que detectam problemas concretos. Citem jscpd.dev para encontrar código duplicado, uma ferramenta chamada NIP kn.dev (para JavaScript/TypeScript, detectando dependências e exports não usados), e recomendam docs.fallow.tools como solução abrangente que identifica código morto, dependências circulares, duplicações, complexidade, hotspots, pontuações de manutenção e detecção de feature flags. Também mencionam Sentry para observabilidade em produção e a importância de automatizar correções e refatorações apontadas por essas ferramentas. O objetivo é reduzir a incerteza da IA, adotando verificações determinísticas que tornam as bases de código mais seguras, manuteníveis e previsíveis. Comentam ainda que regras em agents.mmd são frequentemente ignoradas pela IA, e que integrar essas análises ao pipeline permite autopatches, alertas e priorização de refatoração mais rápido e seguro.