Flant: como um desenvolvedor Go transformou Zed e Gemini em um agente IA útil

Um desenvolvedor Go da Flant descreveu uma jornada prática familiar a muitos times: da curiosidade sobre plugins de IA e decepção com eles para um esquema funcional onde um agente realmente tira do desenvolvedor parte da rotina. O ponto principal do artigo é simples: por si só, uma LLM mal aumenta a produtividade se tiver acesso ruim ao contexto do projeto, interface lenta e ferramentas inadequadas para uma linguagem particular. Primeiro, o autor passou por um cenário típico de adoção precoce.

No GoLand 2022, ele tentou um plugin de IA com um modelo em nuvem integrado e obteve três modos dele: autocomplete, chat e agente. O autocompletar acelerou um pouco o trabalho, mas frequentemente cometia erros devido ao contexto limitado. O chat dentro da IDE rapidamente se transformou em sincronização infinita de estado: o modelo fazia suposições, e o desenvolvedor gastava tempo esclarecendo.

O modo agente conseguia escrever e refatorar código, mas muito frequentemente exigia refação manual, então o ciclo de "definir tarefa — verificar — reescrever" se mostrava mais longo que o trabalho regular sem IA. A próxima etapa foi com acesso corporativo a vários modelos. O autor avaliou a qualidade de resposta do GPT-4o significativamente mais alta que GigaChat, mas isso não resolveu o problema principal.

Quando a empresa abriu acesso por chave API, tentaram plugins populares como Cline e Continue na IDE. O resultado foi fraco novamente: o acoplamento de IDE, lógica de interface web e modelo externo desacelerava as coisas, e o trabalho permanecia pesado. Agentes terminais foram o ponto de virada.

OpenCode era popular entre colegas, mas o autor escolheu Crush devido à instalação mais fácil e ao fato de a ferramenta ser escrita em Go. Foi lá que ele primeiro obteve benefício real: o agente podia analisar o projeto, ler arquivos, escrever código e usar LSP e MCP. No entanto, o agente terminal não foi o ponto final.

Para trabalho cotidiano com repositório Git e base de código, a conveniência do editor ainda faltava. Então o autor migrou para Zed — um editor rápido baseado em Rust com painel de IA integrado, seu próprio agente e suporte para agentes externos via ACP. No artigo, ele detalha como conectar Zed a um serviço LLM corporativo via Open-WebUI e API compatível com OpenAI, escolher o modelo Gemini 3 Flash e configurar um perfil write com as ferramentas necessárias: diagnostics, read_file, grep, list_directory, terminal, thinking e web_search.

Um detalhe prático é enfatizado separadamente: a chave API não é armazenada no arquivo de configuração e é inserida manualmente pela interface do editor. A parte técnica mais importante diz respeito à linguagem Go e qualidade de contexto. O autor demonstra com um exemplo simples que o grep integrado encontra apenas correspondências de texto e facilmente leva o modelo a suposições incorretas se a consulta for formulada vagamente.

Para fazer o agente funcionar mais próximo à semântica do código, ele conecta gopls em modo experimental MCP. Como LSP regular no Zed está atualmente orientado para humanos em vez de agentes, ele tem que executar um gopls-mcp separado com suas próprias variáveis de ambiente e timeout aumentado. Mas depois disso, o agente obtém uma classe diferente de ferramentas: visão geral do workspace, APIs de pacotes, busca de símbolos, referências de símbolos, renomeação segura, diagnósticos e até verificação de dependências contra vulnerabilidades conhecidas.

O artigo fornece um checklist útil para escolher uma pilha para codificação com IA. Primeiro, você precisa selecionar uma LLM que consiga trabalhar em modo agente e normalmente resolva tarefas de programação; para uma avaliação grosseira, o autor recomenda analisar o equilíbrio de qualidade, preço, velocidade e tamanho da janela de contexto. Depois — escolher o agente em si: importa compatibilidade com o modelo necessário, um conjunto sensato de ferramentas integradas, suporte a MCP e, se necessário, capacidade multi-agente.

E somente depois faz sentido trabalhar em prompts. Entre técnicas que o autor considera realmente viáveis estão role prompting, provision explícita de contexto, planejamento passo a passo, step-back prompting e uso de exemplos de código existente ou testes. A conclusão principal do artigo é que a produtividade do desenvolvedor cresce não pela presença de "alguma IA" no editor, mas pela montagem precisa de todo o circuito: um ambiente rápido, um modelo apropriado, ferramentas de linguagem e disciplina na formulação de tarefas.

Quando um agente vê o projeto não através de busca cega por strings, mas através de LSP e MCP, e quando foi dado o contexto, perfis e papéis certos antecipadamente, ele deixa de ser um assistente barulhento e começa a economizar tempo real em código, navegação e verificações.