Do primeiro prompt ao projeto publicado: o que aprendi com Vibe Coding

Ver uma ideia se transformar em uma aplicação a partir de um prompt é uma experiência que chama a atenção de quem está aprendendo a programar. Comigo foi assim. Ao utilizar o Lovable nos desafios da DIO, consegui tirar propostas do papel e acompanhar a construção de interfaces e funcionalidades.

Mas, conforme avancei, percebi que a primeira versão era apenas o começo. Entre gerar uma aplicação e deixá-la pronta para alguém utilizar, existem decisões, testes e ajustes que exigem atenção.

Foi desenvolvendo projetos como o NexoCV e a Finora que comecei a entender melhor esse processo.

Sou estudante de Análise e Desenvolvimento de Sistemas e estou construindo minha trajetória em tecnologia. Nesse momento de aprendizado, desenvolver com apoio de inteligência artificial tem sido uma oportunidade de experimentar soluções e identificar o que preciso estudar com mais profundidade.

Um bom prompt começa com um problema claro

Antes de pedir para a IA criar uma aplicação, precisei organizar o que queria resolver.

No NexoCV, a proposta era ajudar uma pessoa a comparar seu currículo com uma vaga, identificar diferenças e melhorar a apresentação das informações. Isso exigia mais do que solicitar uma página com um campo de texto e um botão de análise.

Era necessário definir quais arquivos poderiam ser enviados, como apresentar o resultado, o que seria considerado na comparação e como permitir a revisão e a exportação do currículo.

Também estabeleci uma regra importante: a aplicação poderia reorganizar informações e melhorar a redação, mas não deveria inventar experiências, competências ou resultados.

Esse planejamento me mostrou que escrever um prompt também envolve tomar decisões sobre o produto. Quanto mais claro eu deixava o objetivo, mais condições tinha de avaliar se a resposta atendia ao que eu precisava.

A primeira interface não encerra o desenvolvimento

Uma tela organizada ajuda a visualizar a ideia, mas ainda é preciso verificar o comportamento da aplicação.

No NexoCV, o refinamento envolveu pontos como leitura de arquivos, comparação entre o currículo original e a versão otimizada, histórico de análises e exportação em PDF.

Um dos cuidados foi garantir que o PDF tivesse texto selecionável, em vez de ser apenas uma imagem. Outro foi revisar palavras genéricas que apareciam como competências na análise, sem contribuir de verdade para a comparação.

Esses detalhes me fizeram olhar além da aparência. Passei a prestar mais atenção ao caminho completo de quem utilizaria a ferramenta: inserir um documento, entender o resultado, revisar as informações e conseguir exportá-las.

Testar também significa procurar resultados que não combinam

Uma das experiências mais interessantes foi utilizar um currículo fictício de perfil administrativo para testar a comparação com uma vaga de marketing digital.

O resultado documentado foi uma compatibilidade de 26%. Nesse cenário, uma pontuação baixa fazia sentido: o objetivo não era apresentar um resultado positivo a qualquer custo, mas sinalizar as diferenças entre os dois conteúdos.

Também era importante verificar se a versão otimizada preservava as experiências originais, sem transformar aquele perfil em algo que ele não era.

Esse teste não comprova como todos os sistemas de recrutamento funcionam. Ele serviu para observar o comportamento do meu projeto em uma situação específica e conferir se a regra que eu havia definido estava sendo respeitada.

Aprendi que testar envolve questionar o resultado, inclusive quando ele parece convincente à primeira vista.

Uma conversa simples pode exigir várias decisões técnicas

Na Finora, a proposta foi criar uma aplicação de organização financeira por conversa.

A pessoa poderia registrar uma despesa escrevendo algo como “Gastei R$ 35 no mercado” e depois consultar um resumo das movimentações. Para quem usa, a interação parece simples. Por trás dela, porém, existem etapas de interpretação, registro, consulta e apresentação dos dados.

O projeto me colocou em contato com questões de autenticação, persistência de informações e separação dos dados de cada usuário.

Isso reforçou uma percepção: facilitar a experiência na interface não elimina a necessidade de compreender o que acontece na aplicação.

Aprendi a pedir ajustes mais específicos

Ao longo do processo, percebi a diferença entre solicitar “melhore o aplicativo” e descrever um problema concreto.

Um pedido como “revise o cálculo” ainda deixa muitas possibilidades em aberto. Já explicar qual entrada foi utilizada, qual resultado apareceu e por que ele parece inadequado ajuda a direcionar a revisão.

Comecei a organizar melhor os pedidos: observar o comportamento, descrever o problema, definir o resultado esperado e conferir novamente depois da alteração.

Essa forma de trabalhar também exercita uma habilidade que quero desenvolver na programação: dividir problemas maiores em etapas que consigo analisar.

A IA faz parte do processo, e eu preciso entender o resultado

Utilizei o Lovable como apoio no planejamento, na geração e no refinamento dos projetos. Considero importante deixar isso claro na documentação.

Ao mesmo tempo, quero conseguir explicar as funcionalidades, reconhecer as limitações e compreender as decisões presentes nas aplicações que compartilho.

Ainda tenho muito a aprender. Quando encontro um conceito que não domino, procuro transformá-lo em uma oportunidade de estudo. Autenticação, armazenamento, validação de dados e integração de APIs passaram a ter mais contexto quando os vi relacionados a necessidades dos meus projetos.

O que levo dessa experiência

Desenvolver com apoio de IA me ajudou a colocar ideias em prática e tornou mais visíveis as etapas que preciso aprofundar.

Hoje, quando penso em um projeto, procuro considerar o problema, o fluxo de uso, os critérios de funcionamento e a documentação. Publicar uma versão é uma conquista, mas também abre espaço para receber feedback e continuar melhorando.

Minha experiência com Vibe Coding ainda está em construção. O aprendizado mais importante até aqui foi entender que cada resultado gerado precisa ser observado, compreendido e testado.

É nesse acompanhamento que tenho encontrado boa parte do aprendizado.

🔗 Meus projetos e aprendizados: https://github.com/jessicafmaximiano

E você: qual foi o ajuste mais importante que precisou fazer depois de gerar a primeira versão de um projeto com IA?