Este Novo Designer Desbloqueia o Claude Code

O vídeo começa discutindo como a engenharia de software evoluiu para um processo colaborativo mediado por IA, onde diferentes modelos possuem forças distintas. O narrador explica que, embora o Gemini seja superior em design criativo, o Claude 4.6 oferece maior estabilidade através do Claude Code. O problema central abordado é a falta de um fluxo de trabalho eficiente para fazer esses agentes trabalharem juntos sem intervenção manual constante. É apresentada a solução: o Agent Chatter, uma interface de chat que coordena múltiplos agentes simultaneamente. Esta ferramenta suporta modelos populares como Codex, Kimi e Qwen, permitindo até a redução de custos ao delegar tarefas pesadas a modelos mais baratos.

Nesta seção, o apresentador detalha a personalização visual feita no fork do repositório original para tornar a navegação mais intuitiva. Para rodar o sistema, é necessário clonar o repositório e executar scripts específicos que servem como pontos de entrada para cada agente. Um requisito técnico fundamental para usuários de Mac e Linux é a instalação do TMUX, um multiplexador de terminal que gerencia as sessões de cada agente. No Windows, os scripts podem ser executados diretamente, mas a lógica permanece a mesma: cada agente precisa de seu próprio terminal dedicado. O controle centralizado ocorre através de uma única interface de chat que se comunica com todas essas instâncias em segundo plano.

O processo de inicialização exige que o framework do projeto, como o Next.js, já esteja configurado para evitar conflitos entre os agentes. O narrador enfatiza a importância de configurar o arquivo settings.json para automatizar permissões de edição de arquivos, evitando interrupções manuais constantes. É altamente recomendável criar um arquivo agents.md para servir como guia principal de comportamento e regras para todos os modelos envolvidos. Além disso, o uso de documentos de planejamento como PRD e especificações de UI ajuda a manter a estrutura e o foco dos agentes. O apresentador também menciona o AI Labs Pro como fonte para baixar esses templates otimizados para o fluxo de trabalho.

A ferramenta permite atribuir nomes e funções específicas a cada agente, como transformar um modelo Gemini em um especialista dedicado em UI/UX. Para garantir a coordenação, o usuário deve configurar uma regra no agents.md que obrigue todos os agentes a consultarem este arquivo como sua fonte da verdade. Um detalhe crucial mencionado é o 'Loop Guard', que limita o número de interações automáticas entre agentes para evitar gastos excessivos ou erros em loop. Por padrão, esse limite é definido em 4 iterações, mas pode ser aumentado para permitir discussões mais profundas entre as IAs. O usuário mantém o controle final, precisando enviar um comando de continuar sempre que o limite do guarda é atingido.

O vídeo faz uma pausa para apresentar o Airtop, uma plataforma de automação baseada em nuvem que utiliza IA para navegar na web. O narrador demonstra como a ferramenta pode extrair dados de sites de concorrentes ou realizar login em portais complexos usando apenas comandos em linguagem natural. O Airtop se destaca por sua capacidade de ignorar medidas anti-bot e CAPTCHAs que normalmente travam automações tradicionais baseadas em código. Esta seção serve para ilustrar como agentes de IA podem ser usados não apenas para codificação, mas também para tarefas operacionais repetitivas. É um exemplo prático de como a IA está transformando a produtividade além do desenvolvimento de software puro.

Com a infraestrutura pronta, inicia-se a fase de planejamento inspirada na estrutura de canais do Slack, dividindo front-end e back-end. O agente planejador cria um PRD detalhado que deve ser revisado e aprovado pelo usuário antes de qualquer linha de código ser escrita. Uma vez aprovado, o planejador alerta o Gemini para começar as especificações de interface, criando um diálogo dinâmico de revisão entre os agentes. Durante este processo, o narrador observa que os agentes podem identificar lacunas uns nos outros e solicitar correções de forma coordenada. O objetivo é garantir que toda a lógica de negócio e design esteja validada antes de mover para a fase de construção ativa.

Antes da implementação final, o vídeo introduz o 'Modo Planejador', que submete o projeto a uma crítica rigorosa entre os próprios agentes. Este modo opera em três fases: o Apresentador expõe o plano, o Desafiador atua como crítico feroz para encontrar falhas, e o Sintetizador une as conclusões. Essa técnica de 'auto-crítica' entre IAs é capaz de revelar problemas de segurança ou lógica que passariam despercebidos por um revisor humano. O apresentador destaca que ver os agentes se questionarem mutuamente é uma das partes mais fascinantes da ferramenta. Ao final desta etapa, o plano é refinado e está verdadeiramente pronto para ser orquestrado para a produção.

Na fase final, o agente planejador atua como orquestrador, dando sinal verde para que os agentes de front-end e back-end trabalhem em paralelo. Um exemplo interessante de conflito é mostrado, onde o designer tentou corrigir um erro do construtor e foi repreendido pelos outros agentes por sobrescrever arquivos indevidamente. O narrador sugere o uso de árvores de trabalho (worktrees) para evitar esses problemas de sincronização em projetos maiores. No final, o aplicativo resultante é um jogo de teste de digitação com uma interface imersiva e dashboard de desempenho funcional. O vídeo conclui demonstrando que a colaboração entre IA foi bem-sucedida em criar um produto final coeso e esteticamente agradável.