Вайбкодинг — чего да как. Первый опыт и где я мог сэкономить

В качестве проекта выбрал аддон для WoW Forever, он будет сохранять пресеты графики для разных ситуаций (красивые скриншоты, рейд, максимальное FPS), а также хранить привязку клавиш. Такой аддон уже есть на CurseForge, но мне захотелось сделать свою лайт версию.

Что использовал:

Спойлер: за модель я даже переплатил, можно было начать с Qwen3.8 27B — у неё меньше контекст, но она дешевле.

Для того, чтобы это всё у меня заработало, понадобилось время и поиск информации. С этим мне помог бесплатный браузер Comet с его LLM "Perplexity" — я его использую как гугл. То есть ему вполне можно задавать вопросы типа: "а правда ли что я могу установить локально DeepSeek V4 Pro 0813 и гонять её у себя, просто нужен мощный комп? Кстати Perplexity над этим вопросом думал в течение 2 минут — во дела! Он же и посоветовал мне конкретную LLM из доступных в каталоге.

Раньше я уже использовал нейронки для написания модов, но это сложно было назвать вайбкодингом в чистом виде: я отдавал нейронке уже готовый мод для Star Wars The old Republic, чтобы она изменила его и добавила нужные функции, она мне выдавала результат в виде текста или файла. Затем я вручную менял файлы в своём проекте и/или переписывал всё сам под руководством LLM.

Ещё ранее я проходил интенсив по программированию на языке Си, там мы работали исключительно на Mac OS и использовали Bash, а редактор кода можно было выбрать любой — кому какой нравится, хоть в VIM пиши. Так что с темой, как писать программы и пушить их, я немного знаком.

Но на языке Lua я раньше ничего не кодил, а в текущем проекте он необходим.

В этот раз для написания аддона под WoW захотелось изменить пайплайн в сторону большей вайбовости, ю ноу? Теперь нужно лишь дать команду для LLM, она в режиме Ask порассуждает и предложит внести изменения в файлы. В режиме Code она может не только "думать" и предлагать — у неё появляется функция редактирования вашего проекта: предлагает тебе правки, ты аппрувишь.

Никаких дополнительных ПО и "квн" не потребовалось, всё работает — достаточно купить токенов.

Первоначально я подготовил архитектуру файлов мода с нуля — в этом мне помог бесплатный Perplexity. Затем через VS code открыл проект и скормил файлы платной модели DeepSeek, чтобы она всё проверила и переписала код, если нужно. После чего тестировал.

Через несколько итераций получился рабочий аддон. Сначала он умел сохранять не все настройки графики — пришлось доработать.
Дополнительной функцией стало добавление UI интерфейса внутри игры для сохранения и загрузки профилей.

Что касается VS code, то в нём есть интеграция с Github, как и в других уважающих себя редакторах кода, так что запушить всё в репозиторий не составило особого труда. Единственное, пришлось вспоминать нужные консольные команды, с которыми ранее познакомился на интенсиве по программированию.

Видео:

В итоге я сжег примерно 424 рубля на токены — не так уж и много для первого раза?

Вообще да, ведь DeepSeek публикует открытые веса моделей. Китайская компания последовательно придерживается политики Open Source. В отличие от закрытых коммерческих систем, веса их флагманской линейки официально выложены в открытый доступ на платформе Hugging Face. Модель поставляется под крайне гибкой и разрешающей лицензией MIT, которая позволяет использовать её в том числе в коммерческих целях. Искать их обходными путями не нужно — репозиторий deepseek-ai/DeepSeek-V4-Pro-0813 является официальным источником.

Но V4 Pro 0813 — очень крупная MoE-модель, и для комфортного запуска нужен уже не просто «мощный игровой ПК», а сервер с большим объёмом VRAM/RAM и часто несколько GPU.

То есть для комфортного запуска и работы с контекстом (а у V4 Pro окно контекста составляет 1 миллион токенов) вам потребуется серьезная серверная инфраструктура.

Объём памяти: базовые веса модели весят терабайты. Даже при агрессивном сжатии (квантовании до FP8/FP4) для удержания модели в памяти и работы с контекстом требуются сотни гигабайт быстрой памяти (HBM/VRAM).

Вот что предложила нейронка в качестве локальных моделей:

Локальная небольшая модель потребляет 8-24 Гб RAM. Локальной крупной MoE-модели уже потребуется 64–256+ ГБ объединённой памяти и часто несколько GPU — понимаете разницу?

Почему я использовал именно DeepSeek V4 Pro 0813 — да просто потому что хотел проверить, на что эта модель способна, и мне её подсказал, цка, Peprlexity. Но сейчас, оценивая объем работы, понимаю, что можно было обойтись и более дешевой моделью типа Qwen3.8 27B — она за входящие токены берёт намного дешевле, чем DeepSeek V4 Pro 0813: 2,18 ₽ против 22 ₽.

Вход — это цена за всё, что модель читает: твой промпт, код, историю чата, файлы и результаты инструментов.

Пример: если в запрос ушло 100 000 токенов контекста, то вход стоит примерно 0,218 ₽. Поэтому в агентных редакторах вход обычно расходуется быстрее всего: каждая новая итерация может снова отправлять историю и файлы.

Практически:

То есть я мог бы и сэкономить на входящих токенах, а то и вообще использовать более дешевую модель.

Если кому интересно, то вот ссылки на мои моды по играм на Github:

Кстати на тему выбора LLM модели тут ДТФер сделал пост: