ADLC: O Novo Ciclo de Vida do Claude Code para Codificação com IA
AAI LABS
Computing/SoftwareManagementInternet Technology
Transcript
00:00:00Você provavelmente já ouviu falar, repetidas vezes, que o desenvolvimento de software mudou,
00:00:03mas apenas adotar as novas ferramentas só cobriu a superfície,
00:00:06porque os sistemas construídos hoje não se comportam como o software antigo.
00:00:10Portanto, os frameworks sobre os quais as empresas construíam também tiveram que mudar,
00:00:14porque se você continuar construindo no processo antigo, enfrentará problemas que ele não tem como resolver.
00:00:18Então, para atender a esse cenário em constante mudança,
00:00:21um novo framework surgiu na comunidade de desenvolvedores, construído com agentes em mente.
00:00:25E até o final deste vídeo, vamos guiar você por esse novo framework de ciclo de vida
00:00:29e explicar por que você precisa adotá-lo.
00:00:31Por muitos anos, o desenvolvimento de software foi realizado usando o SDLC.
00:00:35O ciclo de vida de desenvolvimento de software é um processo estruturado usado há décadas,
00:00:39contendo várias etapas como design, desenvolvimento, testes, implantação, manutenção e suporte contínuo.
00:00:45A ideia central por trás dele é que o software deve ser desenvolvido com as metas de negócios e requisitos do usuário em mente,
00:00:51com a saída de cada fase se tornando a entrada da próxima.
00:00:54Mas isso só funcionou até a IA entrar no espaço da tecnologia.
00:00:57Desde que a IA começou a ganhar força, a primeira coisa que ela começou a substituir foi a programação.
00:01:02Antes da IA, o desenvolvimento era um sistema de escrever código inúmeras vezes,
00:01:06frequentemente um processo repetitivo de mesclar trechos e lógica de outros lugares para construir um sistema que resolvesse o problema.
00:01:12Assim, conforme os modelos começaram a melhorar e ferramentas como Claude Code e Cursor começaram a dominar a indústria,
00:01:18o SDLC por si só faliu.
00:01:20Ele não consegue se sustentar e precisa mudar para fornecer o valor adequado.
00:01:24É por isso que o Ciclo de Vida de Desenvolvimento Agêntico, ou ADLC, foi desenvolvido.
00:01:28Ele preenche a lacuna entre o SDLC e o cenário tecnológico atual.
00:01:32O ADLC se fez necessário porque, nos sistemas onde o SDLC era usado,
00:01:36você já conhecia o comportamento do sistema no momento do planejamento e havia formas de verificá-lo.
00:01:41Para simplificar, o SDLC trata o software como uma peça estática, enquanto o ADLC o trata como um sistema vivo.
00:01:47Agora, como os agentes de IA são imprevisíveis e são eles que realmente evoluem raciocinando e adaptando tarefas
00:01:53ao ambiente em que estão, torna-se difícil avaliá-los com as mesmas métricas que o software tradicional usa.
00:01:59A principal razão pela qual o ADLC foi desenvolvido é o não-determinismo de um agente de IA em produção.
00:02:05Com agentes de IA, há aprendizado constante e desenvolvimento contínuo,
00:02:09e você não pode determinar como será a saída do agente.
00:02:12Quando você trabalha com IA, as decisões que você toma dependem do comando, do contexto, os modelos
00:02:16e todas as ferramentas externas que você conectou.
00:02:18Os modelos por si só ainda são imprevisíveis, por isso não podemos determinar o que um comando retornará com 100% de precisão.
00:02:25Com isso, você essencialmente tem métricas de sucesso diferentes das que o SDLC usa.
00:02:29Existem 7 fases no ADLC, e cada fase mapeia a fase exata do SDLC de uma forma ou de outra.
00:02:36Quer você esteja trabalhando em um sistema agêntico ou não, o primeiro passo sempre continua sendo o planejamento.
00:02:41O que muda é como você faz isso.
00:02:43Para agentes, você não pode planejar da mesma forma que faria para sistemas não agênticos,
00:02:46porque, ao contrário dos sistemas tradicionais, o fluxo da lógica não se aplica da mesma maneira.
00:02:51Portanto, a primeira fase do ADLC, a preparação e hipótese,
00:02:54visa construir uma compreensão fundamentada do problema antes de se comprometer com qualquer design de sistema ou modelo.
00:02:59Quando se trata de agentes, você precisa entender como os usuários interagirão com o sistema
00:03:04e coordenar com todas as partes interessadas para descobrir onde o fluxo de trabalho falha
00:03:07e como é o esforço manual repetido, porque é isso que o agente realmente estará resolvendo.
00:03:12Em seguida, você analisa os fluxos de trabalho e as políticas existentes para ver como as coisas são tratadas atualmente,
00:03:16e assim que isso estiver claro, você formula hipóteses testáveis sobre onde os agentes ajudarão ou automatizarão o fluxo de trabalho.
00:03:22Se pularmos essa fase completamente, acabaríamos automatizando o trabalho errado,
00:03:26e em vez de corrigir o problema, isso pode piorar as coisas.
00:03:28A diferença em relação ao SDLC aqui é o comportamento.
00:03:31No SDLC, o comportamento podia ser previsto porque a mesma entrada sempre resultaria na mesma saída.
00:03:37Mas o ADLC é probabilístico devido ao envolvimento do modelo,
00:03:40e as mesmas entradas podem nunca levar exatamente à mesma saída.
00:03:43Com esse conhecimento, o primeiro passo que você precisa dar é ativar o modo de planejamento
00:03:47e fazer com que o agente que você estiver usando planeje o comportamento do agente que você está desenvolvendo, não a implementação.
00:03:52Instrua-o a não pensar em código e, em vez disso, mapear todo o fluxo de trabalho,
00:03:56como os agentes interagem com os usuários, o que poderia dar errado, quais custos adicionais podem existir
00:04:00e todas as outras suposições sobre o sistema.
00:04:03Dessa forma, o seu processo de construção do agente começa com as suposições centrais,
00:04:06que se tornam um guia melhor do que pular direto para o planejamento da arquitetura.
00:04:10Uma vez concluído o planejamento inicial, há outra camada logo em seguida,
00:04:13onde você identifica o escopo e o problema adequadamente.
00:04:16Isso na verdade se mapeia para a fase de análise ou estudo de viabilidade do SDLC,
00:04:20onde costumava-se analisar os requisitos de negócios e se a implementação era viável.
00:04:25Portanto, esta fase do ADLC se traduz em identificar os processos importantes e o papel da IA em resolvê-los,
00:04:31delimitando as restrições e fronteiras técnicas,
00:04:33e definindo claramente os KPIs técnicos e de negócios de antemão, como tempo, custo, latência e viabilidade.
00:04:39Você também define as compensações neste ponto, sabendo quais fatores são aceitáveis e quais não são.
00:04:44Mas a parte mais importante desta fase é mapear o modelo de responsabilidade homem-agente adequadamente,
00:04:49porque isso cria uma estrutura de responsabilização.
00:04:52Um ser humano ainda precisa revisá-los, porque não podemos confiar todas as decisões a um agente.
00:04:56Ao final desta fase, você terá a documentação adequada onde as etapas do fluxo de trabalho estão explicitamente definidas com os principais KPIs,
00:05:02e o modelo de responsabilidade homem-agente está claramente estabelecido.
00:05:05Isso importa porque, no caso de qualquer falha, você não pode culpar o modelo inteiramente.
00:05:09A responsabilidade, em última análise, precisa permanecer com os humanos.
00:05:12Esse planejamento de responsabilidade humana não era necessário anteriormente, porque não havia IA envolvida.
00:05:17Ele define os limites de autonomia do agente e, se você pular esta etapa,
00:05:21estará arriscando sua própria conformidade e responsabilidade jurídica em produção.
00:05:24Para fazer isso com agentes, você usa novamente o modo de planejamento, instruindo-o a planejar fluxos de trabalho, latência, problemas do sistema,
00:05:30todos os recursos que precisam estar na arquitetura e como seria uma falha.
00:05:34Uma vez declarados claramente, o agente entende o escopo correto para iterar durante a construção.
00:05:39Com o escopo e os recursos de alto nível definidos, é hora de passar para a fase de design.
00:05:43Nesta etapa, estamos definindo a arquitetura do sistema para o próprio agente.
00:05:47Aqui você decide qual padrão o agente seguirá, como ReAct, planejar e agir (plan-and-act), uma configuração multiagente ou qualquer abordagem que desejar.
00:05:54Depois, você planeja o fluxo de dados de um ponto a outro, e isso se torna muito mais crucial com o envolvimento de múltiplos agentes.
00:06:00O agente deve receber os dados corretos, caso contrário, criará problemas em vez de ajudar.
00:06:05Você também planeja as estruturas de custos, como a economia de tokens, recursos de edição de contexto, compactação,
00:06:10e entender qual será o custo de implantar esse agente em produção,
00:06:14e o que acontecerá quando ele começar a lidar com múltiplos usuários.
00:06:17Agora, é também aqui que você realmente escolhe quais modelos deseja usar, com qual framework de orquestração vai trabalhar,
00:06:23o banco de dados e todas as outras tecnologias envolvidas, e é aqui que você define como será o sucesso
00:06:28antes que qualquer código seja escrito, para que possa construir o agente com TDD.
00:06:32Antes de o seu sistema entrar no ar, você já considerou as compensações em latência, precisão, alucinações e problemas semelhantes.
00:06:38Esta fase também precisa do modo de planejamento do seu agente.
00:06:41Você dá comandos a ele para traçar um design abrangente cobrindo a arquitetura do agente, fluxo de dados, modelo de custo
00:06:46e estrutura técnica geral, de modo que você passe para a próxima etapa com um plano concreto.
00:06:51Após a conclusão dos planos iniciais, o próximo passo é a simulação e prova de valor.
00:06:55Aqui, você usa dados do mundo real para testar as suposições feitas nas etapas anteriores.
00:06:59Você cria protótipos para descobrir se vale a pena avançar na construção deste agente.
00:07:04Basicamente, é aqui que você decide se deve desenvolver o agente de forma alguma, porque nesta etapa o custo do fracasso é muito menor.
00:07:10Portanto, as atividades principais aqui incluem preparar o conjunto de dados ou a verdade fundamental (ground truth) para testes comportamentais,
00:07:15construir protótipos para que possa testar as suposições de alto risco que documentou anteriormente,
00:07:19e validar a qualidade dos dados, taxa de alucinação, precisão, qualidade de resposta e referências (benchmarks).
00:07:25Você também revisita a hipótese inicial para determinar se haverá retorno sobre o investimento.
00:07:30As entregas são linhas de base de custo e desempenho devidamente medidas,
00:07:33junto com o documento da verdade fundamental mencionado antes, que atua como um ativo de teste para testes de regressão e ajuste fino do modelo.
00:07:40Esta fase funciona como um portal de validação.
00:07:42Se os seus resultados passarem daqui para o próximo estágio, você poderá continuar trabalhando no agente.
00:07:46Caso contrário, a construção é um fracasso, e descobrir isso cedo é muito melhor,
00:07:50porque se isso chegasse à produção, o estrago seria muito pior.
00:07:54Para fazer isso, você instrui seu agente de IA a criar o primeiro protótipo para que possa testá-lo contra todo o planejamento que acabou de fazer.
00:08:00Mas antes de seguirmos em frente, uma palavra do nosso patrocinador, Softr.
00:08:04Ferramentas de programação por intuição (vibe coding) são ótimas para gerar uma interface, mas no momento em que você precisa de autenticação real,
00:08:08funções de usuário, permissões ou um banco de dados que realmente escale, tudo desmorona e você volta a escrever código.
00:08:14O Softr é um construtor de aplicativos de IA que lida com tudo isso em um único comando.
00:08:18Você descreve o que precisa em inglês simples, e o co-construtor de IA gera o stack completo, o banco de dados, as páginas, a navegação, o login e as permissões baseadas em funções de uma só vez.
00:08:28Essas não são páginas de protótipo, elas realmente funcionam.
00:08:30Você pode visualizar o aplicativo, verificar o que cada função de usuário vê e, quando clica em publicar, seu aplicativo está no ar com hospedagem, grupos de usuários, segurança de nível empresarial e controle de acesso garantidos.
00:08:40E você não precisa de um desenvolvedor para mantê-lo.
00:08:42Tudo é visual, então você mesmo pode atualizar fluxos de trabalho, gerenciar usuários e adicionar recursos.
00:08:47O custo real do software não está em construí-lo, está em mantê-lo, e é isso que o Softr resolve.
00:08:52Ganhe seus créditos de IA gratuitos clicando no link na descrição e comece agora mesmo.
00:08:57Isso marca o fim da fase de planejamento e nos traz à parte em que muitas pessoas pulam direto, que é a implementação.
00:09:03As etapas anteriores são realmente importantes porque, se você as tiver feito corretamente, não enfrentará os problemas que a maioria das pessoas encontra aqui por pular essas fases.
00:09:11Então, é quando você realmente desenvolve seu agente, constrói a lógica central e orquestra seu fluxo de trabalho de desenvolvimento.
00:09:16E aqui você vê uma das divisões mais claras entre o SDLC e o ADLC.
00:09:20No SDLC, a lógica reside no código, na configuração e nas dependências de terceiros.
00:09:25No ADLC, essa lógica se espalha por código, comandos, modelos, ferramentas e serviços externos.
00:09:30Portanto, você não está mais apenas gerenciando software, está gerenciando todas essas camadas juntas, e qualquer uma delas pode mudar a forma como o sistema se comporta.
00:09:38Se você tem sistemas multiagentes para desenvolver, uma maneira de orquestrar seus fluxos de trabalho é a nova visão de agentes (agents view) no Claude Code.
00:09:44Usando a visão de agentes, você pode delegar tarefas muito melhor do que com o uso regular do Claude.
00:09:49Porque em vez de gerenciar diferentes sessões do Claude Code, você gerencia uma única camada de orquestração e dá comandos ao gerenciador de agentes para coordenar todos os agentes por meio dela.
00:09:57Nesse ponto, você integra ferramentas como MCPs e APIs.
00:10:01Por exemplo, se estiver construindo um assistente pessoal, você sabe que ele precisará de algo como um MCP do Google Calendar, MCP do Gmail e talvez um MCP do Notion.
00:10:09E a coisa mais importante aqui é o gerenciamento de contexto.
00:10:11Porque uma vez que você constrói um agente para produção, isso se torna um dos aspectos mais críticos.
00:10:16Mesmo as maiores janelas de contexto disponíveis no momento, como as janelas de 1 milhão de tokens no Gemini e no Opus, ainda exigem um manuseio cuidadoso.
00:10:24Você precisa garantir que o agente retenha a memória correta e evite a degradação (rot) do contexto.
00:10:28Porque se ele acabar com muita informação irrelevante, sua atenção se espalha por toda parte e os resultados pioram.
00:10:34Você também precisa testar pelo lado do desenvolvedor durante esta etapa para garantir a consistência comportamental após cada alteração, validando manualmente a configuração do agente em relação aos requisitos.
00:10:44Desenvolvimento e validação não estão separados em sistemas agênticos.
00:10:48Você não pode seguir em frente sem testes constantes, já que até uma pequena mudança pode causar um efeito enorme em todo o fluxo de trabalho.
00:10:54Portanto, você precisa de uma validação em nível de desenvolvedor enquanto constrói seu agente lado a lado, em vez de depender apenas de uma etapa de teste separada mais tarde.
00:11:01Depois de terminar de construir seu sistema, os testes se tornam a próxima fase.
00:11:05Como mencionado anteriormente, os testes precisam ser contínuos durante o processo de construção, mas uma vez que seu sistema está construído, você o testa em condições semelhantes às de produção, e não como componentes individuais.
00:11:14Esta é a etapa em que você realiza testes integrados.
00:11:16Você também realiza testes de aceitação do usuário, onde coleta feedback de usuários reais do sistema e o incorpora de volta ao sistema.
00:11:24Você testa vários fatores como viés, conformidade, desempenho e outras dimensões relacionadas a riscos para garantir que a liberação seja segura antes de entrar no ar.
00:11:32E é aqui também que as métricas de sucesso mudam completamente.
00:11:35No SDLC, você media a correção funcional com testes que simplesmente passavam ou falhavam.
00:11:40No ADLC, você mede a distribuição de precisão, a taxa de alucinação e o custo por resultado, porque nada disso se resume puramente a um passar ou falhar.
00:11:48O próprio paradigma de teste muda junto.
00:11:50No SDLC, testes predefinidos validavam caminhos de código conhecidos.
00:11:54No ADLC, isso se torna uma avaliação contínua do raciocínio, da segurança e do uso de ferramentas, porque o agente não executa o mesmo caminho duas vezes da mesma maneira.
00:12:02Existem vários frameworks de avaliação, como RAGAS e DEEPVAL, mas o principal que verifica a correção é como seus dados se comportam em relação às métricas que você definiu anteriormente.
00:12:12E existem várias maneiras de testar um sistema agêntico, incluindo testes funcionais, não funcionais, estruturais e de carga.
00:12:18Cada um deles deve ser realizado minuciosamente, muitas vezes usando os próprios sistemas agênticos para que os casos limítrofes (edge cases) sejam identificados adequadamente e corrigidos antes de chegarem à produção.
00:12:27Além disso, se você está gostando do nosso conteúdo, considere clicar no botão de gostei, pois isso nos ajuda a criar mais conteúdos como este e a alcançar mais pessoas.
00:12:34Uma vez que seu sistema está pronto, é hora de implantá-lo e disponibilizá-lo para o mundo real.
00:12:39Você não apenas o implanta e considera o trabalho encerrado, porque com sistemas agênticos há muito mais envolvido.
00:12:44Para um sistema normal, a implantação geralmente significa enviá-lo para produção e monitorar a integridade do sistema.
00:12:49Para sistemas agênticos, é totalmente diferente e é aqui que o próprio significado de implantação muda.
00:12:54No SDLC, a implantação era o fim do desenvolvimento e o início de uma fase operacional estável, o ponto onde o software entrava em seus anos de estabilidade.
00:13:02No ADLC, a implantação é o início do monitoramento e controle ativos, moldados por atualizações de modelos, desvio (drift) de contexto e mudanças no ambiente que continuam se movendo mesmo depois que você faz a transição.
00:13:11Portanto, embora o desenvolvimento possa estar concluído, esta etapa é ainda mais crítica porque agora você precisa monitorar ativamente as métricas comportamentais e do sistema.
00:13:19Você também precisa de regras de alerta que vigiem constantemente os problemas de qualidade, segurança e desempenho, para que possam ser detectados cedo, antes que se transformem em erros de produção em larga escala.
00:13:28A implantação é, essencialmente, uma ativação controlada com observação contínua enquanto usuários reais interagem com o sistema.
00:13:34Em vez de focar apenas na integridade do sistema, você foca no desempenho comportamental para detectar problemas cedo,
00:13:41antes que eles afetem todos os usuários. Na prática, primeiro você lança o sistema para um grupo limitado
00:13:46e deixa que o utilizem em condições reais. Depois, você observa como o sistema agêntico responde
00:13:52ao longo do tempo antes de liberá-lo gradualmente para todos. Após a implementação passar por todos os processos,
00:13:58ela se torna um ciclo contínuo de manutenção, aprendizado constante e evolução. Esta é uma etapa importante
00:14:03porque mantém o agente preciso e alinhado com as necessidades do mundo real. Com sistemas tradicionais,
00:14:06os ciclos de feedback são relativamente simples: um usuário relata um bug, e um desenvolvedor trabalha nele
00:14:10e o corrige. Já com sistemas agênticos, é bem diferente porque eles se baseiam em um processo de melhoria contínua
00:14:16que nunca para. O ciclo continua refinando o modelo, e todos os sinais negativos servem de retorno
00:14:22para que ele melhore seu comportamento com o tempo. Isso geralmente é feito por sinais na interface, como o joinha para cima ou para baixo,
00:14:29para capturar como o usuário se sente após uma resposta. Muitos sistemas em produção já usam mecanismos semelhantes, como escolher entre várias saídas
00:14:39or classificar respostas, como vemos em ferramentas como o ChatGPT ou nos sistemas de feedback do Claude. Esses sinais
00:14:44são então enviados de volta ao sistema agêntico para que ele aprenda e evolua em direção a um desempenho melhor. Também há atualizações periódicas
00:14:52das fontes de dados e dos embeddings para garantir que o sistema permaneça atualizado e não sofra com informações defasadas. O alinhamento deve ser monitorado
00:15:00constantemente para que a segurança e as proteções continuem eficazes contra todos os tipos de comandos, incluindo riscos como a injeção de prompt. As variáveis cruciais aqui são a gestão contínua de custos, o acompanhamento da qualidade, o backlog de melhorias do produto e as atualizações do modelo, que precisam ser mantidos constantemente para manter o sistema estável, seguro e operacional ao longo do tempo.
00:15:11Isso nos traz ao final deste vídeo.
00:15:13Se você quiser apoiar o canal e nos ajudar a continuar fazendo vídeos como este, pode fazer isso usando o botão de Valeu Demais abaixo.
00:15:20Como sempre, obrigado por assistir e nos vemos no próximo.
Community Posts
No posts yet. Be the first to write about this video!
Write about this video