Agentes de engenharia no lugar de desenvolvedores: seis meses de revolução no código

O criador do OpenClaw percebeu que, em seis meses, os agentes se tornaram mainstream no desenvolvimento de software. Em maio, eles causavam efeito "uau"; em dezembro, já faziam parte do fluxo de trabalho comum. Os métodos que ele usa para trabalhar com agentes agora são adotados em toda a indústria.

Processado por IA de Habr AI; editado por Hamidun News
Agentes de engenharia no lugar de desenvolvedores: seis meses de revolução no código
Fonte: Habr AI. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalHabr AI ↗
Editor-chefe
Dado-chave #1Minimizar pedidos de esclarecimento — preparar todo o contexto antes da requisição
Dado-chave #2Usar file-graph e type-hints como exemplos de aprendizado para o agente
Dado-chave #3Dar ao agente acesso ao histórico de commits (exemplos de código bem-sucedido)

Há seis meses, Peter Steinberger, criador do OpenClaw (que mais tarde foi comprado pela OpenAI), publicou um artigo sobre desenvolvimento na velocidade de inferência. A ideia: um agente de IA executa uma tarefa em 5 segundos de inferência, em vez de uma hora de codificação manual. Na época, aquilo parecia uma revolução, registrada como primeiras impressões. Hoje, essa revolução virou o dia a dia de trabalho na indústria.

Dos experimentos ao padrão

Em maio de 2025, a velocidade de inferência era uma ideia interessante. Os agentes erravam com frequência, exigiam prompts customizados e só funcionavam em tarefas simples. Os desenvolvedores eram céticos: «Isso não é desenvolvimento de verdade, é um brinquedo».

Em dezembro, o quadro já havia mudado por completo. Os agentes aprenderam a lidar com projetos reais de mil arquivos, integrações complexas e código legado. A precisão subiu de 70% para 90%+. O mais importante: o tempo de iteração caiu de horas para minutos. O agente identifica o erro, refaz o trabalho e devolve o resultado.

Como isso funciona na prática

Steinberger chegou a uma verdade simples: velocidade de entrega = velocidade de inferência. Se o modelo executa a inferência em 5 segundos, a feature é entregue em 5 minutos (descontada a validação). Para comparação, antes isso levava de 1 a 3 horas.

Mas a velocidade não é o principal. O principal é a mudança no papel do desenvolvedor. Você não escreve mais código. Você formula a tarefa para o agente, confere o resultado e aprova ou manda refazer. É como contratar um desenvolvedor júnior que nunca se cansa e executa tudo em microssegundos.

Métodos de trabalho com agentes

Em seis meses, surgiram práticas que Steinberger descreveu e que hoje são padrão:

  • Minimizar pedidos de esclarecimento — preparar todo o contexto antes da requisição
  • Usar file-graph e type-hints como exemplos de aprendizado para o agente
  • Dar ao agente acesso ao histórico de commits (exemplos de código bem-sucedido)
  • Não corrigir o agente manualmente — passar o erro para ele, que refaz sozinho
  • Focar em tarefas de alto nível, não em sintaxe
Agora o engenheiro pensa no nível de features, não de linhas de código.

O agente cuida de todo o resto.

O que isso significa para a indústria

Desenvolver software deixou de ser sobre escrever código. Agora, trata-se de definir tarefas e validar resultados. Quem entendeu essa mudança trabalha de 3 a 5 vezes mais produtivamente. Quem ainda escreve código por conta própria vai perdendo competitividade aos poucos.

Steinberger escreveu sobre primeiras impressões, mas no fim não eram impressões: era o novo normal.

História

Perguntas frequentes sobre a notícia

O que se sabe sobre Dos experimentos ao padrão?

Em maio de 2025, a velocidade de inferência era uma ideia interessante. Os agentes erravam com frequência, exigiam prompts customizados e só funcionavam em tarefas simples. Os desenvolvedores eram céticos: «Isso não é desenvolvimento de verdade, é um brinquedo». Em dezembro, o quadro já havia mudado por completo. Os agentes aprenderam a lidar com projetos reais de mil arquivos, integrações complexas e código legado. A precisão subiu de 70% para 90%+. O mais importante: o tempo de iteração caiu de horas para minutos. O agente identifica o erro, refaz o trabalho e devolve o r

Como isso funciona na prática?

Steinberger chegou a uma verdade simples: velocidade de entrega = velocidade de inferência. Se o modelo executa a inferência em 5 segundos, a feature é entregue em 5 minutos (descontada a validação). Para comparação, antes isso levava de 1 a 3 horas. Mas a velocidade não é o principal. O principal é a mudança no papel do desenvolvedor. Você não escreve mais código. Você formula a tarefa para o agente, confere o resultado e aprova ou manda refazer. É como contratar um desenvolvedor júnior que nunca se cansa e executa tudo em microssegundos.

O que se sabe sobre Métodos de trabalho com agentes?

Em seis meses, surgiram práticas que Steinberger descreveu e que hoje são padrão: Minimizar pedidos de esclarecimento — preparar todo o contexto antes da requisição Usar file-graph e type-hints como exemplos de aprendizado para o agente Dar ao agente acesso ao histórico de commits (exemplos de código bem-sucedido) Não corrigir o agente manualmente — passar o erro para ele, que refaz sozinho Focar em tarefas de alto nível, não em sintaxe Agora o engenheiro pensa no nível de features, não de linhas de código. O agente cuida de todo o resto.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
O que você acha?
Carregando comentários…