Tudo o Que Eu Sabia Sobre Codificação com IA Estava Errado

O vídeo apresenta a problemática de frameworks de codificação com IA como Beemad e Speckit, que frequentemente não cumprem suas promessas. O palestrante explica que isso não ocorre porque os métodos são ruins, mas porque esses frameworks não se adequam a casos de uso específicos. Ao construir aplicativos, desenvolvedores criam seus próprios fluxos de trabalho personalizados em vez de depender de soluções prontas. A questão central levantada é: como construir um fluxo de trabalho adequado ao seu próprio processo de desenvolvimento?

Esta seção explica o conceito fundamental da janela de contexto, que é a quantidade de informação que o modelo de IA pode lembrar de uma só vez. Modelos Anthropic têm 200 mil tokens e Gemini tem 1 milhão de tokens de janela de contexto. O palestrante enfatiza que, embora pareçam números grandes, na prática não são tão enormes porque a janela inclui não apenas prompts e mensagens do usuário, mas também mensagens anteriores, arquivos de memória, ferramentas e chamadas MCP. Gerenciar o contexto é basicamente o que os frameworks fazem, e é essencial aprender a aproveitar ao máximo esse espaço de trabalho limitado para que o modelo faça exatamente o que você deseja.

O princípio mais importante para design de fluxos de trabalho é a divulgação progressiva: revelar ao LLM apenas o que importa agora, mantendo a atenção focada no necessário em vez de preencher o contexto com tudo que possa precisar no futuro. Embora modelos avançados como Sonnet 4.5 tenham edição de contexto integrada, isso não é suficiente quando damos instruções vagas. O palestrante recomenda ser específico: em vez de pedir para 'corrigir o erro no backend', peça para verificar endpoints um por um. As habilidades (skills) no Claude são a personificação deste princípio, fornecendo informações suficientes sobre quando usar cada habilidade sem carregar tudo no contexto. Um erro comum é usar MCPs para tudo, quando na verdade MCPs devem ser usados apenas quando dados externos forem necessários.

O segundo princípio importante é que informações não necessárias agora não devem estar na janela de contexto. Ferramentas usam anotações estruturadas para conseguir isso, permitindo fornecer arquivos externos para documentar decisões, problemas ou débito técnico. Essa abordagem permite que o agente mantenha contexto crítico que poderia ser perdido ao construir algo complexo, especialmente útil para tarefas de longo horizonte. O palestrante menciona o uso de arquivos como agent.md ou claud.md como contexto padrão que agentes leem antes de iniciar a sessão. Esses arquivos orientam o agente sobre como arquivos externos são estruturados e o que escrever em cada um, garantindo que quando o contexto reinicia, há informações disponíveis além do resumo de compactação.

Esta seção aborda o conceito de orçamento de atenção e o problema de agentes pausarem aleatoriamente durante tarefas longas. Quando o contexto ultrapassa 70% de seu limite, o modelo precisa se concentrar mais e há maior chance de alucinações, impedindo agentes de usar ferramentas eficazmente. Para resolver isso, o palestrante recomenda várias estratégias: usar compactação antes de atingir 90% (fazendo manualmente em vez de esperar a automática), usar o recurso de retrocesso integrado do Claude para excluir partes desnecessárias, e limpar ou iniciar nova janela de contexto para cada nova tarefa. Essas práticas evitam que o contexto anterior deixe o modelo mais lento e mantêm a eficiência do trabalho.

Subagentes são apresentados como uma aplicação prática do princípio de divulgação progressiva, permitindo executar tarefas em segundo plano sem poluir a janela de contexto principal. Eles trabalham em sua própria janela de contexto isolada e apenas reportam a saída de volta ao agente principal. Isso é particularmente útil para tarefas isoladas umas das outras, porque a janela principal é protegida de ser inflada com chamadas de ferramentas e pesquisas do subagente. Como rodam em segundo plano, você pode continuar interagindo com o agente principal enquanto o subagente trabalha. O palestrante usa subagentes sempre que quer algo pesquisado, como regras de novos frameworks, garantindo que chamadas de ferramentas e pesquisas sejam isoladas.

Esta seção detalha qual formato de arquivo usar para cada tarefa, já que diferentes formatos afetam a contagem de tokens e a eficiência do fluxo de trabalho. YAML é o mais eficiente em tokens, ideal para esquemas de banco de dados, configurações de segurança e detalhes de API, com sua indentação ajudando modelos a estruturar informações. Markdown é melhor para documentação como claud.md, pois níveis de cabeçalho facilitam navegação entre seções. XML é especificamente otimizado para modelos Claude, com a Anthropic afirmando que seus modelos reconhecem tags como contêineres e separadores, útil para seções distintas como restrições e resumos (outros modelos preferem Markdown e YAML). JSON é o menos eficiente devido a chaves e aspas extras, recomendado apenas para coisas pequenas como estados de tarefas.

O palestrante enfatiza a importância de usar Git como base para fluxos de trabalho de contexto, onde o histórico de commits serve como lembrete ao modelo do progresso feito no projeto ou em tarefas específicas. Mesmo que não seja usado para armazenar progresso, fluxos de trabalho de engenharia de contexto devem estar em repositórios inicializados com Git. Ter um fluxo de trabalho de engenharia de contexto significa não permitir que o modelo faça tudo de uma vez, mas sim atuar em etapas planejadas uma por uma. Git permite controlar para qual versão reverter quando problemas surgem e avaliar qual mudança está causando problemas. O palestrante também menciona implementações de paralelismo com git worktrees, mostrando vários fluxos onde sub-agentes trabalham em worktrees dedicadas para trabalho paralelo.

Para evitar repetir instruções em procedimentos comuns, todas as ferramentas de IA oferecem maneiras de reutilizar prompts repetidos através de commands customizados. O palestrante usa frequentemente um comando 'catchup' que contém instruções sobre como estrutura memória fora da janela de contexto, permitindo que Claude se atualize com o projeto sem ler cada arquivo. Commands também são eficazes em impor estrutura: um 'commit command' garante que commits e documentação sigam formato definido, com estrutura específica para mensagens de commit e verificações pré-commit antes de commitar. Dessa forma, os commands mantêm tudo padronizado e eliminam a necessidade de instruir o Claude repetidamente para realizar tarefas da maneira preferida.

A seção final reforça que MCPs devem ser usados sempre que dados externos forem necessários, com exemplos práticos de implementação. O Jira MCP é mencionado como solução para software de gerenciamento de equipes, permitindo acessar tickets diretamente e implementar mudanças baseadas neles. Similarmente, o Figma MCP fornece ao Claude código com guia de estilo do aplicativo, que é usado para construir o design. Para tarefas onde capacidades integradas do modelo ficam aquém, MCPs são essenciais para interagir com fontes externas de forma eficiente. O palestrante conclui explicando que MCPs podem ser incluídos diretamente em commands customizados, tornando-os parte de todo o fluxo de trabalho integrado.