Section
Todos os posts publicados.
Agentes de código parecem mais capazes quando cada tarefa começa a partir de um checkout limpo. Novos benchmarks mostram o custo que aparece quando patches, decisões e dívida técnica seguem para o próximo trabalho.
Dockerfiles, pipelines e Terraform não são apenas mais um diff. Quando a IA gera código com acesso ao caminho de produção, o review precisa seguir o risco do arquivo.
Depois de quase 10 bilhões de tokens no Codex, por que o GPT-5.6 Luna virou meu modelo padrão: custo, desempenho, contexto e limites.
O Go 1.27 chega com métodos genéricos, ferramentas mais inteligentes para teste e manutenção, JSON v2, detecção de goroutines vazando e uma experiência de desenvolvimento mais fluida.
A IA escreve código mais rápido. A pergunta difícil é se ficou mais fácil entregar software que alguém consegue entender, revisar e manter.
A próxima onda não é apenas escrever código com um copiloto. É coordenar agentes supervisionados, contexto, testes e limites ao longo de todo o ciclo de desenvolvimento.
LLMs sabem conversar, mas não compartilham um modelo estável do domínio. Ontologias, grafos de conhecimento e validação semântica podem dar aos agentes um vocabulário comum, ações mais seguras e memória verificável.
Quando um agente pode agir demais, o risco não é apenas vazamento ou abuso. Ele também fica ruim de operar: executa trabalho fora de escopo, repete ações, gasta orçamento e falha sem caminho claro de volta.
O volume de código está crescendo mais rápido do que a capacidade humana de revisar. O problema não é usar IA, é fingir que review continua com o mesmo custo.
O agente deixou de ser o produto inteiro. O próximo salto está na camada acima: memória entre sessões, coordenação entre agentes, contexto entre repositórios e otimização automática do próprio harness.