Kub Tri deu ao agente de IA uma memória do projeto: o review fica mais simples, mas o modelo custa quase um terço a mais
Todo dia, o agente começa o trabalho como se fosse a primeira vez: o Claude escreveu um endpoint, mas duplicou uma autorização que já existia. Há um ano e meio, a equipe da Kub Tri constrói o AI Council, uma memória do projeto formada por um grafo de código, decisões e regras. Com ela, o código passa mais facilmente no review, mas o uso do modelo custa quase um terço a mais. A conclusão: é preciso entregar o conhecimento ao agente, em vez de esperar que ele o busque.
Processado por IA de Habr AI; editado por Hamidun News
Um agente de IA que escreve código começa toda manhã do zero: ele não lembra da conversa de ontem, e as decisões tomadas pela equipe seis meses atrás simplesmente não estão no código. No início de 2025, desenvolvedores do estúdio Kub Tri pediram ao Claude que adicionasse um endpoint de API ao projeto. O código saiu rápido e organizado, mas no review (a verificação do código por colegas antes de ele ser incorporado ao projeto) apareceram três problemas: a lógica de negócio estava no controller, embora o projeto não siga esse padrão; a função de autorização foi escrita de novo, embora já existisse uma; e o método se chamava getUser em vez do get_user adotado pela equipe.
No dia seguinte, tudo se repetiu em outra tarefa. Durante um ano e meio, a equipe construiu uma "memória do projeto" para o agente, a plataforma AI Council. Na comparação direta, o agente com a plataforma escreveu um código mais fácil de aprovar no review, mas o uso do modelo custou quase um terço a mais: esse foi o aumento no gasto com chamadas à IA.
Se você pretende adotar agentes no desenvolvimento em equipe, essa comparação indica onde procurar benefício e pelo que será preciso pagar.
O que o agente não sabe
A equipe analisou os comentários de review nos próprios projetos e identificou três tipos de lacuna. O primeiro é a estrutura: quais módulos existem, quem chama quem, onde está a função necessária. Dá para extraí-la do código com um parser ou uma busca, embora o próprio agente faça isso de forma lenta e cara. O segundo são as decisões: por que os pagamentos passam por uma fila, qual alternativa já foi descartada. No código fica só o resultado; os motivos vivem em chats, em merge requests fechados e na cabeça das pessoas. O terceiro são as regras da equipe: camadas, nomenclatura, proibições. O linter verifica só uma pequena parte delas, e ainda assim depois que o código foi escrito.
No caso do endpoint, apareceram dois dos três tipos. O agente escreveu a segunda autorização porque não conhecia a estrutura, e a lógica no controller e o getUser surgiram por desconhecimento das regras.
Há ainda o fator tempo. Uma documentação que ficou defasada em relação ao código é prejudicial: o agente acredita nela. E, se cinco agentes trabalham em cinco branches, a decisão de um não deve afetar os outros enquanto o branch não for incorporado à main.
Ferramentas gratuitas resolvem parte dos problemas. Os arquivos CLAUDE.md e AGENTS.md trazem as regras como sugestão e ficam desatualizados sem que ninguém perceba. Serena, claude-context, CodeGraph e TeaRAGs conhecem a estrutura do código, mas não as decisões e as regras. Servidores de memória guardam anotações sem vínculo com o código. Os revisores de IA (CodeRabbit, Greptile, Qodo) entram em ação quando o código já está escrito. Para um projeto pequeno, com um ou dois desenvolvedores, os autores recomendam ficar com o CLAUDE.md e o Serena ou o claude-context.
Como funciona o AI Council
A plataforma é formada por três camadas conectadas. O grafo de código é gerado por análise estática, sem participação de um modelo. A busca vetorial cuida da pesquisa por significado. Uma camada separada guarda o que não se deduz do código: registros de conhecimento e regras. O registro explica como e por que algo foi estruturado de certa forma e fica vinculado a classes, módulos ou arquivos. A regra tem força MUST (obrigatória) ou SHOULD (recomendável) e um escopo de aplicação. O agente toma o registro como informação; a regra, ele é obrigado a cumprir.
A observação mais prática diz respeito à entrega. A equipe examinou 12 mil sessões de trabalho: o agente acionou por conta própria a verificação de regras via ferramenta MCP em apenas 16% delas e, antes da primeira edição de código, em 13% das sessões com edições. Ou seja, em cerca de 87% dessas sessões ele mexeu no código sem consultar as regras.
Por isso, o canal principal passou a ser os hooks do Claude Code: manipuladores que disparam em momentos definidos e que o modelo não consegue pular. No início da sessão, chegam as regras do projeto; ao abrir um arquivo, chegam as regras e os registros vinculados a ele; no fim da resposta, vem um checklist de verificações. O MCP permaneceu como via alternativa para agentes sem hooks.
Um exemplo de projeto de cliente: num CRM, era preciso unir contatos "desconhecidos", vindos de e-mails recebidos, aos contatos conhecidos. O merge padrão sobrescrevia campos. Um desenvolvedor gastou um dia, encontrou o esquema (transferir os vínculos para o contato conhecido e excluir o desconhecido) e vinculou o registro ao modelo de contato. Na vez seguinte em que o agente abriu o arquivo do modelo, o registro chegou ao contexto automaticamente, e ele não reinventou o merge.
Custo e ressalvas
A montagem de contexto para uma única pergunta ocupa de 9 a 18 mil caracteres, alguns milhares de tokens, aproximadamente o equivalente a um arquivo de 300 a 500 linhas. Os registros a partir dos tickets do Keycloak, que somaram mais de três mil, também foram processados por um modelo, de modo que, em vez do tempo das pessoas, a equipe pagou pelo trabalho dele. Daí vem o encarecimento de quase um terço.
As ressalvas são evidentes. O produto é comercial, e os números foram coletados pela própria equipe em produção, não por uma medição independente. Os vínculos dos registros precisam ser definidos com cuidado: um vínculo genérico demais (no exemplo, o nome coincidiu com 357 entidades) é descartado. A dica baseada nas palavras do agente não aparece se ele chamar a coisa por outros nomes.
A conclusão prática não depende do produto. Não espere que o agente vá buscar as regras por conta própria: planeje a entrega por hooks e vincule o conhecimento a trechos específicos de código. E decida de antemão se você está disposto a pagar cerca de um terço a mais por uma carga menor no review. As pesquisas do setor citadas pelos autores indicam que o gargalo já migrou da escrita do código para a sua verificação.
- 18 de nov. de 2026Opus 5.5 separa, sem nenhum erro, 19 testes de segurança de 36 tarefas comuns
- 18 de nov. de 202612 serviços com design pronto livram sites de IA do slop: grátis ou a partir de US$ 6 por mês
- 18 de nov. de 2026Claude Code com Kimi esperava 22,6 s para verificar comandos — um modelo rápido reduziu para 9,9 s
- 18 de nov. de 2026GPT 6.2 Sol Ultrafast entrega 150 tokens/s e consome 6 vezes mais limites
Perguntas frequentes sobre a notícia
O que o agente não sabe?
A equipe analisou os comentários de review nos próprios projetos e identificou três tipos de lacuna. O primeiro é a estrutura: quais módulos existem, quem chama quem, onde está a função necessária. Dá para extraí-la do código com um parser ou uma busca, embora o próprio agente faça isso de forma lenta e cara. O segundo são as decisões: por que os pagamentos passam por uma fila, qual alternativa já foi descartada.
Como funciona o AI Council?
A plataforma é formada por três camadas conectadas. O grafo de código é gerado por análise estática, sem participação de um modelo. A busca vetorial cuida da pesquisa por significado. Uma camada separada guarda o que não se deduz do código: registros de conhecimento e regras. O registro explica como e por que algo foi estruturado de certa forma e fica vinculado a classes, módulos ou arquivos. A regra tem força MUST (obrigatória) ou SHOULD (recomendável) e um escopo de aplicação.
O que se sabe sobre Custo e ressalvas?
A montagem de contexto para uma única pergunta ocupa de 9 a 18 mil caracteres, alguns milhares de tokens, aproximadamente o equivalente a um arquivo de 300 a 500 linhas. Os registros a partir dos tickets do Keycloak, que somaram mais de três mil, também foram processados por um modelo, de modo que, em vez do tempo das pessoas, a equipe pagou pelo trabalho dele. Daí vem o encarecimento de quase um terço. As ressalvas são evidentes.
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.