Desenvolvedora reduz em 97–98% o contexto de um agente de IA: em vez de 4 MB, o modelo recebe 100 KB
Se você entrega a um agente de IA um projeto inteiro com 500 arquivos, o prompt incha até 4 MB: o modelo inventa métodos e esbarra no limite de contexto. Uma desenvolvedora do Habr escreveu em PHP e SQL um filtro que, com base nas palavras da tarefa, escolhe de antemão de 10 a 20 arquivos e os ranqueia pela frequência dos termos (TF-IDF). O modelo recebe cerca de 100 KB em vez de 4 MB, uma redução de 97–98%, e a busca em um índice já pronto leva de 1,5 a 10 ms. Para código, nomes exatos são mais confiáveis que embeddings.
Processado por IA de Habr AI; editado por Hamidun News
Se você entrega a um agente de IA um projeto inteiro com 500 arquivos, o prompt cresce até alguns megabytes. O modelo passa a inventar classes e métodos que não existem, responde devagar e, às vezes, esbarra no limite da janela de contexto, de modo que o orçamento de API vai pelo ralo. A autora da análise no Habr, uma desenvolvedora, resolveu esse problema sem bancos vetoriais nem serviços pagos de embeddings. Ela construiu um módulo pequeno em PHP e SerenaDB que, a partir do texto da tarefa, escolhe de antemão de 10 a 20 arquivos relevantes. Com isso, o contexto caiu de cerca de 4 MB para 100 KB, ou seja, 97–98%.
Como funciona a seleção de arquivos
O módulo recebe a raiz do projeto e o texto da tarefa e devolve uma lista de caminhos que dá para mostrar ao modelo sem constrangimento. Ele não gera código nem faz busca "por significado": só seleciona arquivos. Tudo roda em um processador comum.
Primeiro, o código é dividido em palavras. Nomes como ItemService e signing_date são quebrados em partes: item, service, signing, date. Isso precisa acontecer antes da conversão para minúsculas; caso contrário, os limites entre as palavras em camelCase se perdem. As palavras reservadas da linguagem (public, return, null) são descartadas. As palavras em russo da tarefa passam por um stemmer leve, que remove as terminações e mantém um radical de no mínimo quatro caracteres.
Em seguida, uma tabela registra a relação "palavra → arquivo → quantas vezes apareceu". O tamanho e a data de modificação de cada arquivo também são salvos, de modo que, em uma nova execução, apenas os arquivos novos e alterados são reindexados. Os primeiros 30 KB de conteúdo são mantidos para futuros snippets.
O ranqueamento tem duas camadas. A primeira é calculada pelo SQL, no esquema TF-IDF. Em termos simples, uma palavra que aparece em três arquivos de quinhentos tem peso alto, enquanto uma palavra presente em quase todos os arquivos quase não significa nada.
Arquivos grandes são atenuados pela divisão do logaritmo do tamanho, para que não ganhem posições apenas pelo volume. A segunda camada é calculada pelo PHP. Ela adiciona um bônus quando a palavra da tarefa aparece no caminho do arquivo e aplica um multiplicador por tipo de arquivo: .
php pesa 1,0, testes 0,6 e documentação .md 0,3. Se o SerenaDB não aceitar as funções LN e GREATEST, entra em ação um modo de reserva com simples soma das frequências.
Os logs sempre indicam qual modo foi usado.
Por que não vetores nem BM25
Em código, o que importa são métodos, classes e variáveis específicos, e não a proximidade semântica; por isso, a correspondência exata de identificadores funciona de forma mais previsível. Além disso, o SerenaDB não oferece suporte a pgvector nem a uma busca full-text decente. Há ainda outra vantagem: o resultado é explicável. Para cada arquivo, é possível ver quais palavras, e com que frequência, o levaram ao topo.
A autora também avaliou o BM25, padrão popular de ranqueamento, e o descartou. O motivo principal não está na fórmula, mas na própria natureza da tarefa. O BM25 melhora a ordem entre arquivos que já contêm as palavras da consulta.
Já o arquivo necessário muitas vezes não contém nenhuma delas. Por exemplo, pedem para "corrigir as chaves do DTO nos contratos", mas o ItemDto.php não tem nem "chaves" nem "corrigir": é justamente ali que elas ainda serão adicionadas.
Nenhum ranqueamento por correspondência vai levantar um arquivo assim. Quem faz esse trabalho são os termos de papéis (a palavra "contrato" acrescenta à consulta os nomes relacionados a ela) e o bônus por caminho, e foram eles que trouxeram o ganho principal. Além disso, a autora não tem uma amostra rotulada para ajustar os parâmetros do BM25, e as frequências de palavras no código-fonte costumam ficar entre 3 e 20, de modo que a saturação de frequência quase não atua ali.
Números e limitações
No backend, com ~500 arquivos, o contexto para o modelo caiu de ≈4 MB para 84–111 KB, com meta de no máximo 150 KB. A busca em índice aquecido leva de 1,5 a 10 ms, e a primeira indexação, de 8 a 30 segundos (mediana de 28). Não há chamadas à API de embeddings. No frontend, com ~1200 arquivos via Docker bind-mount, a primeira passada leva até 80 segundos. A autora não mede o tempo de resposta do próprio LLM: ele depende mais da API externa do que desse código.
Também há limitações. A validação é pequena: a presença do arquivo-alvo no top-7 foi confirmada em um único caso, e não em um conjunto rotulado de 10 a 20 tarefas. As regras de papéis e sinônimos foram escritas para um domínio específico, e em outro projeto será preciso criar as suas. O bônus por caminho só funciona se os arquivos tiverem nomes com sentido.
A conclusão prática é simples. Antes de conectar um banco vetorial a um agente de código, teste a opção barata: tokenização com divisão de camelCase, TF-IDF em um banco SQL comum e um dicionário de sinônimos da sua área. Ela é gratuita, explica cada decisão e economiza tokens a cada requisição. Vale deixar os embeddings para tarefas em que a busca por significado é realmente necessária.
- 4 de mar. de 2026Agente de IA para revisar especificações técnicas: por que automatizar o que não funciona manualmente
- 11 de out. de 2026Desenvolvedora gasta $9 000 com agentes de IA e lança o plugin Crossweft
- 13 de out. de 2026Yandex perde três data centers: recuperação pode levar até seis meses
- 22 de abr. de 2026Allbirds vira NewBird AI e troca os tênis pelo aluguel de GPUs
Perguntas frequentes sobre a notícia
Como funciona a seleção de arquivos?
O módulo recebe a raiz do projeto e o texto da tarefa e devolve uma lista de caminhos que dá para mostrar ao modelo sem constrangimento. Ele não gera código nem faz busca "por significado": só seleciona arquivos. Tudo roda em um processador comum. Primeiro, o código é dividido em palavras. Nomes como ItemService e signing_date são quebrados em partes: item, service, signing, date. Isso precisa acontecer antes da conversão para minúsculas; caso contrário, os limites entre as palavras em camelCase se perdem.
Por que não vetores nem BM25?
Em código, o que importa são métodos, classes e variáveis específicos, e não a proximidade semântica; por isso, a correspondência exata de identificadores funciona de forma mais previsível. Além disso, o SerenaDB não oferece suporte a pgvector nem a uma busca full-text decente. Há ainda outra vantagem: o resultado é explicável. Para cada arquivo, é possível ver quais palavras, e com que frequência, o levaram ao topo. A autora também avaliou o BM25, padrão popular de ranqueamento, e o descartou.
O que se sabe sobre Números e limitações?
No backend, com ~500 arquivos, o contexto para o modelo caiu de ≈4 MB para 84–111 KB, com meta de no máximo 150 KB. A busca em índice aquecido leva de 1,5 a 10 ms, e a primeira indexação, de 8 a 30 segundos (mediana de 28). Não há chamadas à API de embeddings. No frontend, com ~1200 arquivos via Docker bind-mount, a primeira passada leva até 80 segundos. A autora não mede o tempo de resposta do próprio LLM: ele depende mais da API externa do que desse código. Também há limitações.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.