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
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.
- 1 de nov. de 2026Modelos locais perdem para Opus e Codex: 0,21 ponto no MacBook contra 1,00 do Codex
- 1 de nov. de 2026Kimi marca 96,2% em teste de análise de dados na base 1C e vira plano B caso o Claude seja bloqueado
- 1 de nov. de 2026OpenAI reescreve as regras de comportamento do GPT: cinco valores e uma cadeia de prioridades
- 1 de nov. de 2026Google admite que o AI Mode reduz a receita da Busca; ações caem 15%
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.
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.
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.