𝗗𝗲 𝗖𝗵𝗮𝘁𝗚𝗣𝗧 𝗮 𝗔𝗴𝗲𝗻𝘁𝗲𝘀 𝗱𝗲 𝗜𝗔: 𝗗𝗼𝗶𝘀 𝗮𝗻𝗼𝘀 𝗰𝗼𝗺𝗼 𝗶𝗻𝗴𝗲𝗻𝗵𝗲𝗶𝗿𝗼
Dois anos atrás, eu usava a IA apenas para fazer perguntas.
Hoje, eu orquestro múltiplos agentes de codificação. Conecto o conhecimento da empresa através do MCP. Executo modelos locais em aplicativos iOS. Mantenho uma camada de memória para que os agentes possam trabalhar juntos.
Não sou um pesquisador de IA. Sou um engenheiro comum que continuou experimentando.
Aqui está a minha jornada do chat aos agentes.
𝗦𝘁𝗮𝗴𝗲 𝟭: 𝗔 𝗹𝗮𝗰𝘂𝗻𝗮 𝗱𝗮 𝗰𝗼𝗻𝗳𝗶𝗮𝗯𝗶𝗹𝗶𝗱𝗮𝗱𝗲 No início, a IA parecia mágica. Depois, parecia pouco confiável. Os modelos frequentemente apresentam informações erradas com alta confiança. Aprendi uma lição difícil: uma resposta plausível não é um resultado confiável.
𝗦𝘁𝗮𝗴𝗲 𝟮: 𝗔 𝗜𝗔 𝗰𝗼𝗺𝗼 𝘂𝗺 𝗽𝗮𝗿𝗰𝗲𝗶𝗿𝗼 Ferramentas como o Cursor mudaram tudo. A IA saiu de uma janela de chat separada para dentro do meu editor de código. O ciclo de feedback tornou-se incrivelmente curto: • Descrever uma ideia. • Gerar código. • Executar e observar a falha. • Pedir uma correção. • Repetir.
Isso reduziu o custo de construção de protótipos. Pequenas ideias não morrem mais durante o setup ou a configuração. Elas realmente chegam à linha de chegada.
𝗜 𝗮𝗽𝗿𝗲𝗻𝗱𝗶 𝗾𝘂𝗲 𝗼 𝗖𝗼𝗻𝘁𝗲𝘅𝘁𝗼 𝗲́ 𝗮 𝗰𝗵𝗮𝘃𝗲 No começo, os agentes esqueciam decisões ou quebravam a arquitetura. Parei de focar em "prompt engineering" e comecei o "context engineering". Comecei a escrever regras estritas para meus agentes: • Seguir a arquitetura existente. • Explicar o plano antes de alterar o código. • Não deletar arquivos sem perguntar.
Não estávamos apenas escrevendo frases melhores. Estávamos construindo um ambiente estável para um sistema probabilístico.
𝗦𝘁𝗮𝗴𝗲 𝟯: 𝗔𝗹é𝗺 𝗱𝗮 𝗷𝗮𝗻𝗲𝗹𝗮 𝗱𝗲 𝗰𝗵𝗮𝘁 Saí dos chats na web para APIs e modelos locais. Rodar um modelo em um desktop é fácil. Implementar um modelo dentro de um aplicativo móvel é difícil. De repente, tive que resolver problemas reais de engenharia: • Tamanho do modelo e uso de memória. • Latência de inicialização. • Execução offline e compatibilidade de dispositivos.
𝗦𝘁𝗮𝗴𝗲 𝟰: 𝗪𝗼𝗿𝗸𝗳𝗹𝗼𝘄𝘀 𝗼𝗿𝗶𝗲𝗻𝘁𝗮𝗱𝗼𝘀 𝗮 𝗮𝗴𝗲𝗻𝘁𝗲𝘀 O foco mudou de "escreva esta função" para "entenda este repositório e complete este objetivo". Também comecei a usar o Model Context Protocol (MCP). Construí uma integração MCP para a plataforma de conhecimento da minha empresa. O agente agora podia acessar dez anos de dados da empresa. O desafio passou da inteligência do modelo para o design de sistemas.
𝗠𝗲𝘂𝘀 𝗠𝗮𝗶𝗼𝗿𝗲𝘀 𝗔𝗽𝗿𝗲𝗻𝗱𝗶𝘇𝗮𝗱𝗼𝘀: • Programar é mais fácil, mas engenharia é mais difícil. • A IA cuida da implementação, mas você deve cuidar do julgamento. • Você precisa definir objetivos com precisão e validar suposições. • O trabalho multiagente requer uma camada de memória para que os agentes possam transferir tarefas sem reiniciar.
A IA torna a implementação barata. Isso significa que a experimentação agora é gratuita. O verdadeiro trabalho é decidir quais ideias realmente valem a pena ser construídas.
Comunidade de aprendizado opcional: https://t.me/GyaanSetuAi