01
Research
Coleta de informações iniciais e entendimento do objetivo da mudança.
IA · engenharia · aprendizado · revisão
Engenharia e aprendizado assistidos por IA
As ferramentas mudaram. A preocupação com contexto, compreensão, controle e revisão permaneceu.
Minha relação com IA aplicada ao desenvolvimento começou com experimentos em infraestrutura própria: uma IA pequena executada no meu ambiente, agentes com responsabilidades diferentes e, posteriormente, uso da API do ChatGPT como parte da orquestração desse fluxo.
O objetivo não era entregar autoridade irrestrita a agentes. O experimento acabou me ensinando justamente o contrário: contexto, escopo, revisão e integração precisam continuar sob controle.
Hoje utilizo ferramentas mais capazes, mas também como parte de um processo deliberado de aprendizado: antes de mudanças importantes procuro compreender a teoria e a abordagem; depois da execução reviso o resultado e o relatório técnico do que foi feito.
Agentes
LLMs
API
Self-hosted
Git
Engenharia
Origem
Quando os agentes eram o próprio experimento.
Em uma fase anterior, experimentei executar uma IA pequena no meu próprio servidor e dividir o trabalho entre agentes especializados. Mais tarde, a API do ChatGPT passou a fazer parte da orquestração.
A infraestrutura foi criada para explorar como diferentes responsabilidades poderiam ser separadas: coleta de contexto, planejamento, implementação, refinamento e validação.
Essa experiência também expôs uma questão mais importante do que simplesmente fazer agentes produzirem respostas: como permitir que eles sejam úteis sem transformar suas saídas em decisões automaticamente aceitas pelo sistema.
Pipeline experimental
Especializar responsabilidades para tornar o fluxo observável.
O projeto AI Agent Infrastructure experimentava um pipeline multiestágio. Esta é uma arquitetura histórica do experimento, não uma descrição do meu workflow atual.
02
Context Builder
Inserção de identidade, regras, restrições e contexto persistente antes da geração.
03
Design Planner
Planejamento da direção visual, estrutura e hierarquia antes da implementação.
04
Development
Implementação da alteração estrutural ou funcional proposta.
05
UI Refinement
Refinamento de interface, espaçamento, tipografia e acabamento.
06
QA + Preview + Git
Validação, preview, isolamento da mudança e revisão antes da integração.
O que o experimento ensinou
Fazer a IA responder era apenas uma parte do problema.
O desafio mais interessante passou a ser definir o que cada agente deveria saber, qual responsabilidade poderia assumir e em que momento uma saída deixava de ser uma proposta e passava a fazer parte do projeto.
Contexto
Fornecer as informações necessárias sem depender de suposições.
Escopo
Delimitar o que uma tarefa pode ou não alterar.
Autoridade
Separar capacidade de execução de poder de decisão.
Revisão
Tratar saídas como material a ser inspecionado.
Integração
Aceitar mudanças somente depois de revisão e validação.
Evolução
A infraestrutura mudou. Os princípios continuaram úteis.
Experimento anterior
Pipeline próprio de agentes
IA pequena em ambiente self-hosted.
Agentes com responsabilidades especializadas.
Orquestração evoluindo para uso da API do ChatGPT.
Pipeline explícito de contexto, geração, refinamento e revisão.
Processo atual
Ferramentas mais capazes, controle ainda explícito
Contexto e restrições definidos antes de tarefas importantes.
Discussão de teoria e abordagem antes da implementação quando necessário.
Tarefas delimitadas, revisão do resultado e validação.
Relatórios técnicos usados também para consolidar aprendizado.
Processo atual
Construir também é uma forma de estudar.
Nem toda tarefa passa rigidamente por todas as etapas, mas mudanças importantes costumam seguir um ciclo em que compreensão e implementação caminham juntas.
01 · Problema
Começar pelo que precisa ser resolvido.
O objetivo e as restrições vêm antes da ferramenta.
02 · Teoria
Entender antes de modificar.
Conceitos, funcionamento atual e implicações são discutidos quando necessários.
03 · Abordagem
Comparar caminhos possíveis.
A implementação deve partir de uma direção compreendida, não apenas de uma resposta pronta.
04 · Tarefa
Delimitar a mudança.
Escopo pequeno facilita inspeção, teste e correção.
05 · Implementação
Executar com contexto.
A IA pode auxiliar ou executar uma tarefa delimitada dentro das restrições definidas.
06 · Revisão
Inspecionar o resultado.
Diff, comportamento e consequências precisam ser compreendidos antes da aceitação.
07 · Validação
Verificar o que realmente funciona.
Testes e verificações dependem do tipo e do risco da mudança.
08 · Relatório
Explicar o que aconteceu.
Depois da execução, o relatório registra mudanças, decisões e pontos importantes.
09 · Aprendizado
Levar compreensão para a próxima decisão.
O conhecimento vem da explicação, aplicação, revisão e acompanhamento do resultado.
Depois desse ciclo, a mudança pode ser aceita e integrada — ou rejeitada, corrigida e novamente revisada.
Exemplo atual
AntiXray v2
A evolução arquitetural do AntiXray é um exemplo concreto de como esse processo passou a ser aplicado a um projeto real.
1. Entender a implementação existente
Antes da refatoração, o comportamento atual e o fluxo de runtime foram estudados e documentados.
2. Separar regras de domínio
Conceitos como bloco protegido, contexto de visibilidade e decisão de representação passaram a ser tratados explicitamente.
3. Registrar decisões
Arquitetura, regras, fluxo de runtime e estratégia de migração foram documentados antes de mudanças maiores.
4. Evoluir em tarefas pequenas
Alterações são divididas em unidades revisáveis para reduzir risco e facilitar compreensão.
Autoridade
Assistência não é autoridade.
Uma IA pode participar de muitas etapas. Isso não significa que ela determina o que entra no sistema.
IA e agentes podem
- Explicar conceitos e fundamentos.
- Ajudar em investigação e organização de contexto.
- Propor alternativas e consequências.
- Implementar tarefas delimitadas.
- Auxiliar na revisão de alterações.
- Produzir relatórios técnicos do trabalho executado.
Eu continuo responsável por
- Definir o problema, requisitos e restrições.
- Decidir a direção arquitetural.
- Aceitar ou rejeitar propostas.
- Revisar resultados e pedir correções.
- Determinar validações necessárias.
- Decidir quando uma mudança pode ser commitada e integrada.
Git como fronteira
Geração não é integração.
Saída gerada
→
Revisão
→
Validação
→
Integração
Branches, diffs e commits tornam a mudança inspecionável. O Git não garante que uma decisão esteja correta, mas ajuda a impedir que geração e aceitação sejam tratadas como a mesma etapa.
Limites
IA também erra.
Usar IA de forma intensa torna ainda mais importante reconhecer onde ela pode falhar.
Contexto incorreto
Uma resposta pode partir de uma interpretação errada do sistema.
Abstração desnecessária
Uma solução aparentemente sofisticada pode aumentar complexidade sem resolver melhor o problema.
Implementação incorreta
Código plausível pode utilizar uma API de forma inadequada ou simplesmente não funcionar.
Regra de domínio violada
Código tecnicamente válido ainda pode contradizer o comportamento que o sistema precisa preservar.
Projeto histórico
AI Agent Infrastructure
O repositório público documenta parte da experimentação original com agentes, pipeline, identidade persistente, revisão e separação entre infraestrutura privada e documentação sanitizada. Ele representa uma etapa da evolução do meu uso de IA, não a descrição integral do processo atual.
Processo em evolução
Ferramentas melhores não eliminam a necessidade de compreender.
Meu objetivo não é preservar uma ferramenta ou pipeline específico. É continuar usando IA para ampliar minha capacidade de investigar, construir e aprender sem abrir mão de contexto, revisão e responsabilidade pelas decisões.