Vercel acaba de revelar a maior vantagem do Claude Code

O vídeo inicia abordando o problema do alto consumo de tokens em sistemas que integram modelos de IA via API. O narrador sugere que a solução não está em arquiteturas complexas, mas na antiga filosofia Unix de que tudo é um arquivo. Esta abordagem simplifica a interação entre o modelo e os dados, otimizando o pipeline de informação. Ao tratar dados como arquivos, é possível reduzir drasticamente os custos operacionais. O engenheiro da Vercel citado defende que essa lógica é a chave para a próxima geração de agentes.

Nesta seção, explica-se que modelos de IA são excelentes em entender estruturas de diretórios porque foram treinados em vastas quantidades de código. Eles já possuem familiaridade nativa com comandos como ls, grep, find e cat para localizar informações. Quando um agente usa essas ferramentas, ele extrai apenas a "fatia" relevante do arquivo, mantendo a janela de contexto limpa e sem ruídos. Isso evita o desperdício de tokens com dados irrelevantes que o modelo não utilizaria de qualquer forma. A Vercel transformou essa lógica em uma ferramenta de bash de código aberto para facilitar essa exploração.

O palestrante compara o uso de sistemas de arquivos com os tradicionais bancos de dados vetoriais e busca semântica. Enquanto a busca vetorial foca em similaridade e pode retornar blocos de dados imprecisos, o sistema de arquivos oferece correspondência exata e preserva relações hierárquicas. Arquivos organizados em pastas mantêm a lógica do domínio de negócio sem a necessidade de "achatar" os dados. Isso garante que o agente receba apenas o valor específico necessário, evitando que ele se perca em informações não relacionadas. A precisão do grep acaba superando a incerteza estatística de alguns sistemas RAG em dados estruturados.

Esta parte detalha como o conceito já é aplicado em ferramentas como o Claude Code para automatizar fluxos de pesquisa. O processo é guiado por arquivos Markdown que definem fases de validação, critérios de avaliação e objetivos da pesquisa. O agente executa um pipeline de seis fases, movendo a ideia através de cada etapa até gerar um relatório final de potencial. Essa automação economiza um tempo considerável que seria gasto em processos manuais de análise. O uso de documentos de amostra ajuda a guiar o estilo e a precisão do resultado final gerado pela IA.

O narrador descreve sua própria experiência ao implementar essa arquitetura em um projeto de políticas de empresa com arquivos JSON e TXT. Ele utilizou o modelo Gemini 1.5 Flash junto com a ferramenta de bash da Vercel para substituir um banco de dados Chroma. O agente foi capaz de navegar pelas pastas usando ls e encontrar termos específicos com grep, entregando resultados tão precisos quanto um sistema RAG. O autor destaca que a configuração no back-end envolve apenas fornecer o caminho da pasta e as permissões de comando. O código-fonte desse experimento foi disponibilizado para a comunidade AI Labs Pro.

A seção final aborda a preocupação crítica com a segurança ao permitir que agentes executem comandos no servidor. O vídeo explica que a ferramenta da Vercel utiliza ambientes de sandbox e isolamento em memória ou via VM para evitar acesso ao sistema de produção. Apesar de eficiente, o método não é recomendado para buscas baseadas em significado semântico ou para diretórios totalmente desorganizados. A sugestão final é usar a ferramenta bash para dados estruturados e RAG para consultas ambíguas. O vídeo encerra com uma recomendação da plataforma Brilliant e um agradecimento aos apoiadores do canal.