Nem sempre precisa do modelo maior: um mês de Luna no modo Auto do Copilot
Deixei o Copilot escolher o modelo sozinho e o Luna, um modelo leve, deu conta de muita coisa. Fui aos logs ver o que os dados confirmam e o que não.
Sou SDET e uso IA no trabalho todos os dias. O que me interessa é o que sobrevive à medição: quanto custou, onde quebrou e o que eu faria diferente.
Esta página reúne o que eu já escrevi e construí sobre o assunto. Estou estudando pelo menos 1h por dia para a certificação de developer da Anthropic, ainda em andamento. Contei o que descobri até aqui.
Sou SDET, então desconfio por ofício. Aqui estão os posts em que eu meço o que a IA entrega de verdade, com número, limite e erro declarados.
Deixei o Copilot escolher o modelo sozinho e o Luna, um modelo leve, deu conta de muita coisa. Fui aos logs ver o que os dados confirmam e o que não.
Se duas execuções corretas dão a mesma saída, é script, não trabalho para a IA. O teste que uso, três exemplos práticos e o que isso economiza em token.
Gerei testes de um sistema legado com agentes de IA e medi o custo request a request: onde mora o desperdício, o que rejeitei e por que não declaro ganho.
Skills, contexto versionado, memória entre sessões e as ferramentas que uso no dia a dia com agentes de código. Só falo do que testei.
Estudo 1h por dia para a certificação de developer da Anthropic e descobri que compactação, anotações e subagents que eu já usava têm nome.
Como guardo os problemas que resolvo no AI Memory, o que a memória não faz sozinha e como isso conversa com a minha wiki curada.
O que é uma skill, como crio as minhas, quando ela vira script e a escada do prompt à orquestração, com o que as fontes corrigem.
Quatro meses e 3.359 sessões com o ai-memory: histórico entre agentes, consolidação, auto-improve e o que isso me ensinou sobre o que vira script.
A regra de virar script todo passo determinístico virou hábito. Quatro sinais de alerta, dois exemplos reais e quanto isso pesa em token, de verdade.
Comparei grep, ripgrep e mgrep para uso em Agents de IA: bônus, ônus e por que o ripgrep, que o Claude Code usa por baixo dos panos, segue como meu padrão.
O que continua sendo trabalho de QA quando o agente escreve milhares de linhas? Notas de uma PoC de refatoração com IA em 32 mil linhas de shellscript.
A wiki que um agente mantém para mim, o que ela resolve, onde ela quebra e o kit anvilore que saiu dessa prática.
A apresentação de 12 de novembro por escrito: a noite em que a wiki se pagou, o fluxo, os números, quatro erros reais e um kit mínimo para você montar a sua.
Minha experiência registrando entregas, o relatório pedido às 19h21 para a manhã seguinte e o agente de Brag Document que estou criando para o Anvilore.
Insight, ideia, projeto, pesquisa e reunião: como uso minha wiki mantida por LLM no dia a dia, o kit Anvilore para testar e o que ainda é só plano.
Depois de mil páginas, os números da manutenção contínua, uma página que foi de 2 para 7 fontes em vinte revisões e onde a wiki mantida por LLM quebra.
Capturar notas é fácil, destilar é a parte que dói. Como a LLM Wiki do Karpathy resolveu a etapa do Segundo Cérebro que eu vinha pulando há anos.
Quer trocar uma ideia sobre qualidade de produtos com IA ou contexto para assistentes de código no seu time? Fale comigo.