Informacionnye TehnologiiInformacionnye TehnologiiИнформационные технологии1684-6400New Technologies Publishing House71742410.17587/it.32.421-427Software engineeringПрограммная инженерияReview ArticleSource code generation using large language models: a systematic review of the vibe coding methodologyГенерация исходного кода с использованием больших языковых моделей: систематический обзор методологии Вайб-кодингDzhonovA. T.ДжоновА. Т.
Russian Federation

Graduate Student

аспирант

adzhonov@hse.ruAvdoshinS. M.АвдошинС. М.
Russian Federation

Cand. of. Tech. Sc., Professor

канд. техн. наук, проф.

savdoshin@hse.ruNational Research University Higher School of EconomicsНациональный исследовательский университет "Высшая школа экономики" (НИУ ВШЭ)210820263284214272108202621082026Copyright ©; 2026, Informacionnye TehnologiiCopyright ©; 2026, Информационные технологии2026Informacionnye TehnologiiИнформационные технологииhttps://journals.eco-vector.com/1684-6400/article/view/717424

This systematic review presents an analysis of the "Vibe Coding" methodology — a contemporary approach to the iterative software development process using Large Language Models (LLMs). Code generation tools are transforming software development by enabling programmers to formulate tasks and describe the desired behavior of software in natural language, while LLMs generate source code corresponding to these requests. The review systematizes current methodologies for the use of LLMs, highlights application examples, evaluates the effectiveness of generated code, discusses emerging challenges, and outlines future development trends of the technology. The aim of this work is to provide a comprehensive understanding of the capabilities and limitations of Vibe Coding as a transformational methodology in software engineering.

В данном систематическом обзоре представлен анализ методологии Вайб-кодинг (Vibe Coding) — современного подхода к итеративному процессу разработки программного обеспечения с помощью больших языковых моделей (БЯМ). Инструменты генерации кода транформируют написание ПО, позволяя программисту формулировать задачи и описывать желаемое поведение кода на естественном языке, в то время как БЯМ генерирует соответствующий запросам исходный код. Обзор систематиматизирует текущие методы использования БЯМ, освещает примеры применения, оценивает эффективность сгенерированного кода, раскрывает возникающие проблемы и намечает тенденции развития технологии. Целью работы является предоставление всестороннего понимания возможностей и ограничений Вайб-кодинга как трансформационной методологии в программной инженерии.

large language modelssource code generationvibe codingprompt-driven developmentconversational codingAI-assisted programmingsystematic reviewprompt-engineeringбольшие языковые моделигенерация исходного кодаВайб-кодингразработка на основе промптовискусственный интеллект в программированиисистематический обзорпромпт-инжинирингElmanov I. V. Engineering approach to AI: use of Spec Driven Development for validation of Vibe Coding, Vestnik nauki, 2025, vol. 4, no. 12 (93), pp. 716—723 (in Russian).Елманов И. В. Инженерный подход к ИИ: использование Spec Driven Development для валидации Vibe Coding // Вестник науки. 2025. Т. 4, № 12 (93). С. 716—723.Hou W., Ji Z. Comparing Large Language Models and Human Programmers for Generating Programming Code, Advanced Science, 2025, vol. 12, no. 8, 12 p., DOI: 10.1002/advs.202412279.Hou W., Ji Z. Comparing Large Language Models and Human Programmers for Generating Programming Code // Advanced Science.2025. Vol.12, N. 8. 12 p. DOI: 10.1002/advs.202412279.Wan В. Evaluating Large Language Models for Code Generation: А Comparative Study on Python, Java, and Swift, Applied and Computational Engineering, 2025, vol. 146, pp. 109—126, DOI: 10.54254/2755-2721/2025.TJ22242.Wan В. Evaluating Large Language Models for Code Generation: А Comparative Study on Python, Java, and Swift // Applied and Computational Engineering. 2025. Vol. 146. P. 109—126. DOI:10.54254/2755-2721/2025.TJ22242.Alexandrova T. V. Improving the efficiency of project management in organizations based on the Agile methodology, Ekonomika i biznes: teoriya i praktika, 2019, no. 9, pp. 11—15 (in Russian).Александрова Т. В. Повышение эффективности проектного управления в организации на основе гибкой методологии Agile // Экономика и бизнес: теория и практика. 2019. № 9. С. 11—15.Shinkarev A. A., Yadryshnikova M. V., Loginovskiy O. V., Lazareva S. A., Gubin V. M. Evolution of the use and application of machine learning and artificial intelligence in the development of corporate information systems and decision support systems, Vestnik Yuzhno-Ural’skogo gosudarstvennogo universiteta. Series: Computer Technologies, Control, Radioelectronics, 2025, vol. 25, no. 4, pp. 17—42 (in Russian).Шинкарев А. А., Ядрышникова М. В., Логиновский О. В., Лазарева С. А., Губин В. М. Эволюция использования и применения машинного обучения и искусственного интеллекта в разработке корпоративных информационных систем и в системах поддержки принятия решений // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2025. Т. 25. № 4. С. 17—42.Shneider P. A., Chernysheva A. V., Nikiforova A. D., Govorov A. I., Khlopotov M. V. Study of the effectiveness of prompt engineering and quantized LLMs in creating academic course structures, Kompyuternye instrumenty v obrazovanii, 2024, no. 1, pp. 32—44 (in Russian).Шнайдер П. А., Чернышева А. В., Никифорова А. Д., Говоров А. И., Хлопотов М. В. Исследование эффективности промпт-инжиниринга и квантованных LLM в создании структуры академических курсов // Компьютерные инструменты в образовании. 2024. № 1. С. 32—44.Mathews N. S., Nagappan M. Test-driven development and llm-based code generation, Proceedings of the 39th IEEE/ACM International Conference on Automated Software Engineering, ASE ’24, 2024, pp. 1583—1594, DOI: 10.1145/3691620.3695527.Mathews N. S., Nagappan M. Test-driven development and llm-based code generation // Proceedings of the 39th IEEE/ACM International Conference on Automated Software Engineering, ASE ’24. 2024. P. 1583—1594. DOI: 10.1145/3691620.3695527.Zhu-Tian C., Xiong Z., Yao X., Glassman E. Sketch Then Generate: Providing Incremental User Feedback and Guiding LLM Code Generation through Language-Oriented Code Sketches, arxiv.org, 2024, 5 p., DOI: 10.48550/arXiv.2405.03998.Zhu-Tian C., Xiong Z., Yao X., Glassman E. Sketch Then Generate: Providing Incremental User Feedback and Guiding LLM Code Generation through Language-Oriented Code Sketches // arxiv.org. 2024. 5 p. DOI: 10.48550/arXiv.2405.03998.Li J., Li G., Li Y., Jin Z. Structured Chain-of-Thought Prompting for Code Generation, ACM Transactions on Software Engineering and Methodology, 2023, vol. 34, no. 2, 12 p., DOI: 10.13140/RG.2.2.33742.43848.Li J., Li G., Li Y., Jin Z. Structured Chain-of-Thought Prompting for Code Generation // ACM Transactions on Software Engineering and Methodology. 2023. Vol. 34, N. 2. 12 p. DOI: 10.13140/RG.2.2.33742.43848.Mozharovskiy E. A., Aluev A. S., Dudak A. A., Ishankhonov А. Yu. U. Application of large language models for automation of software testing and debugging, Modern Science: Actual Problems of Theory and Practice. Series: Natural and Technical Sciences, 2024, no. 11-2, p. 103 (in Russian).Можаровский Е. А., Алуев А. С., Дудак А. А., Ишанхонов А. Ю. У. Применение больших языковых моделей для автоматизации тестирования и отладки программного обеспечения // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2024. № 11-2. С. 103.Rybachenko I. A. Application of LLM agents for automated code review, Youth and Modern Information Technologies: Proceedings of the XXII International Scientific and Practical Conference of Students, Postgraduates and Young Scientists, April 15—17, 2025, Tomsk, Tomsk Polytechnic University, 2025 (in Russian).Рыбаченко И. А. Применение LLM-агентов для автоматизированного код-ревью // Молодежь и современные информационные технологии. 2025: сборник трудов XXII Международной научно-практической конференции студентов, аспирантов и молодых ученых, 15—17 апреля 2025 г., Томск. Томский политехнический университет. 2025.Serebrennikov A. V., Kharisov А. R. Automated event analysis system using local LLM models, Vestnik nauki, 2026, vol. 4, no. 1 (94), pp. 1132—1139 (in Russian).Серебренников А. В., Харисов А. Р. Система автоматизированного анализа событий с использованием локальных LLM моделей // Вестник науки. 2026. Т. 4, № 1 (94). С. 1132—1139.Vyatkin A. A., Oliseenko V. D. Generation of pandas code for answering questions over large tables using LLMs, International Conference on Soft Computing and Measurements, Saint Petersburg State Electrotechnical University "LETI" named after V. I. Ulyanov (Lenin), 2025, vol. 1, pp. 195—198 (in Russian).Вяткин А. А., Олисеенко В. Д. Генерация pandas-кода для ответов по большим таблицам с помощью LLM // Международная конференция по мягким вычислениям и измерениям. 2025. Т. 1. С. 195—198.Siddiq M., Santos S., Tanvir R. et al. Exploring the Effectiveness of Large Language Models in Generating Unit Tests, arxiv.org, 2023, 13 p., DOI: 10.48550/arXiv.2305.00418.Siddiq M., Santos S., Tanvir R. et al. Exploring the Effectiveness of Large Language Models in Generating Unit Tests // arxiv.org. 2023. 13 p. DOI: 10.48550/arXiv.2305.00418.Abtahi S., Azim А. Augmenting Large Language Models with Static Code Analysis for Automated Code Quality Improvements, arxiv.org, 2025, 11 p., DOI: 10.48550/arXiv.2506.10330.Abtahi S., Azim А. Augmenting Large Language Models with Static Code Analysis for Automated Code Quality Improvements // arxiv.org. 2025. 11 p. DOI: 10.48550/arXiv.2506.10330.David А. A. Evaluation of the correctness of neural network—generated code: a probabilistic approach, Trudy Instituta sistemnogo programmirovaniya RAN, 2026, vol. 38, no. 2, pp. 111—128 (in Russian).Давид А. А. Оценка корректности сгенерированного нейросетями кода: вероятностный подход // Труды Института системного программирования РАН. 2026. Т. 38, № 2. С. 111—128.Akhrameeva K. A., Gerling E. Yu., Mitskovsky D. Yu., Prudnikov S. V. Use of BLEU metric for evaluating naturalness of text in linguistic stegosystems, Vestnik Rossiyskogo novogo universiteta. Series: Complex Systems: Models, Analysis and Management, 2020, no. 2, pp. 73—80.Ахрамеева К. А., Герлинг Е. Ю., Мицковский Д. Ю., Прудников С. В. Использование метрики BLEU для оценки естественности текста лингвистических стегосистем // Вестник Российского нового университета. Серия: Сложные системы: модели, анализ и управление. 2020. № 2. С. 73—80.Avdoshin S. M., Arutyunov G. A. Review of neural network methods for code analysis and generation, Informatsionnye Tehnologii, 2022, vol. 28, no. 7, pp. 378—391, DOI: 10.17587/it.28.378-391 (in Russian).Авдошин С. М., Арутюнов Г. А. Обзор нейросетевых методов анализа и генерации кода // Информационные технологии. 2022. Т. 28, № 7. С. 378—391. DOI: 10.17587/it.28.378-391.Ren S., Guo D., Lu S. et al. CodeBLEU: a Method for Automatic Evaluation of Code Synthesis, arxiv.org, 2020, 12 p., DOI: 10.48550/arXiv.2009.10297.Ren S., Guo D., Lu S. et al. CodeBLEU: a Method for Automatic Evaluation of Code Synthesis // arxiv.org. 2020. 12 p. DOI: 10.48550/arXiv.2009.10297.Inkizhekov А. A. Improving text generation using Retrieval-Augmented Generation, Engineering Technologies: Traditions, Innovations, and Development Vectors. Proc. of the 10th All-Russian Scientific and Practical Conf. with International Participation, 2024, pp. 27—29 (in Russian).Инкижеков А. А. Улучшение генерации текста с помощью Retrieval Augmented Generation // Инженерные технологии: традиции, инновации, векторы развития. Матер. X Всеросс. науч.-практ. конф. с международным участием. 2024. С. 27—29.