Glossário

Todos os termos que o programa usa, em linguagem simples.

É a primeira vez? Leia a primeira lição gratuita. Não precisa de conta.

Conceitos de IA

Agent: Um sistema de IA que dá vários passos por iniciativa própria em direção a um objetivo, escolhendo tools e se adaptando pelo caminho.
Agent sem supervisão: Um agent que faz uma tarefa do início ao fim sem ninguém acompanhando nem respondendo a perguntas pelo caminho. As pessoas só veem o resultado, por isso são as verificações e o ambiente que têm que fazer a supervisão.
AGI: Inteligência artificial geral: uma IA hipotética tão capaz quanto uma pessoa na maioria das tarefas. Muito discutida, ainda não chegou.
Closed model: Um modelo proprietário que você só acessa pela API ou pelo aplicativo de quem o fornece.
Coding agent: Um assistente de IA com mãos. Lê arquivos, edita e roda comandos, verificando os resultados à medida que avança.
Compaction: Resumir as partes mais antigas de uma conversa para liberar espaço na context window.
Completion / response: O que o modelo retorna depois do seu prompt.
Context: Tudo o que o modelo consegue ver neste momento: o seu prompt, a conversa, os anexos e as notas que forem injetadas nele.
Context rot: Uma falha do ciclo em que o histórico cresce até o sinal se perder no ruído. Resolve-se resumindo os turnos antigos e fixando o objetivo.
Context window: O máximo de tokens que um modelo consegue ter em mente de uma vez: o seu prompt mais tudo o que ele já leu.
Corpus de origem: Onde vive a verdade num sistema de RAG: as páginas, os documentos, os contratos ou os tickets antigos de onde se recupera.
Embedding: Uma representação numérica de texto que permite a um sistema pesquisar por significado em vez de por palavras exatas.
Embedding models: Modelos que transformam texto em números para as ferramentas poderem pesquisar por significado. Trabalham nos bastidores dos assistentes conectados aos seus documentos.
Fine-tuning: Training extra e especializado por cima de um modelo base: afinar o modelo com dados próprios para se encaixar em um caso de uso concreto.
Frontier model: O maior, o mais recente e o mais capaz dos modelos que um fornecedor oferece.
Generation: O último passo do RAG: colocar os pedaços recuperados no prompt e deixar a IA responder a partir desse context.
Gradient descent: O processo de training em que o modelo vai ajustando devagar bilhões de parâmetros internos até acertar bem na próxima palavra.
Inference: Cada vez que você realmente usa o modelo. Você envia um prompt, ele passa pelos parâmetros já congelados e produz um resultado.
LLM: Modelo de linguagem de grande porte, a tecnologia por trás dos assistentes de chat como o ChatGPT, o Gemini e o Claude.
LLM aumentado: Uma chamada a um modelo com retrieval, tools e memory acrescentados. A Anthropic o usa como peça básica de todos os padrões de fluxo de trabalho e dos agents.
Long context: Quanto um assistente aguenta numa só conversa. Um long context leva de uma vez o equivalente a uma pequena biblioteca.
MCP (Model Context Protocol): Uma forma padronizada de os aplicativos de IA se conectarem a tools, dados e serviços externos. Pense em USB para IA.
Memory: Um recurso que guarda fatos escolhidos sobre você e os coloca de novo no context no início das próximas conversas.
Modelo de decisão: Um modelo que responde a uma pergunta escolhendo uma das opções que você define, com uma probabilidade para cada opção, em vez de escrever texto. O Jev e o Laya são exemplos.
Modelos de imagem: Modelos que geram imagens a partir de descrições em texto, como o DALL-E, o Midjourney ou o Stable Diffusion.
Modelos de voz: Modelos que convertem voz em texto e texto em voz, como o Whisper para transcrição e o ElevenLabs para síntese de voz.
Multimodal: Modelos que lidam com mais do que texto: imagens e, às vezes, áudio ou vídeo.
Open weights: Um modelo cujos parâmetros você pode baixar e rodar por conta própria.
Pesquisa agêntica: Um agent que encontra aquilo de que precisa enquanto trabalha, com tools de pesquisa, caminhos de arquivos e links, em vez de receber trechos carregados antes de começar. O que ele lê está atualizado, mas é mais lento do que o retrieval e pode se perder sem orientação.
Previsão da próxima palavra: Como um LLM funciona no essencial. Prevê a próxima palavra mais provável, repetidas vezes, até formar uma resposta útil.
Probabilidade calibrada: Uma probabilidade que corresponde à frequência com que as respostas se mostram certas: de todas as respostas dadas com cerca de 0,8, cerca de 80% estão certas. Ela descreve grupos de respostas, nunca uma só, e você só pode confiar nela depois de verificá-la no seu próprio trabalho rotulado.
RAG (Retrieval-Augmented Generation): O sistema pesquisa primeiro nos seus documentos ou na web, e só depois o modelo responde a partir do que encontrou.
Session: Uma conversa contínua. Um chat novo começa com o context vazio.
Subagent: Um agent separado, com a própria context window, que cuida de uma tarefa secundária, como uma pesquisa ou uma revisão, e devolve só um resumo. Ele não vê a conversa principal, então o briefing dele tem que repetir qualquer regra que você só deu nessa conversa.
System prompt: Instruções que definem o papel e as regras da IA no início de uma conversa.
Token: Os pequenos pedaços de texto que um assistente lê e escreve, cada um com cerca de três quartos de uma palavra. O comprimento e o custo são contados em tokens.
Tool: Um conector que permite à IA fazer algo além de escrever texto: pesquisar, calcular ou acessar outro sistema.
Training: O processo caro e único em que um modelo aprende padrões a partir de enormes quantidades de texto. Quem faz isso é quem fornece o modelo, não você.
Training cutoff: A data a partir da qual o modelo não sabe nada pelo training, então ele perde tudo o que veio depois, a não ser que você conte para ele.

Prompting e técnicas

Altitude das instruções: O nível de detalhe em que as orientações são escritas. Baixa demais, é uma lista frágil de regras se-então; alta demais, é um desejo vago. A altitude certa diz qual é o objetivo, as decisões que pedem critério e os limites rígidos, com a razão por trás de cada um.
Avaliador-otimizador: Um padrão de fluxo de trabalho em que uma chamada ao modelo escreve e outra dá nota ao resultado com critérios claros, devolvendo feedback num ciclo até passar ou até chegar a um limite.
Camada sempre ativa: O pequeno conjunto de coisas que é lido em cada turno: as restrições rígidas, as regras da casa e a tarefa em curso.
Carregamento sob demanda: Carregar esquemas, especificações, manuais ou documentos só quando a tarefa precisa deles, buscando cada um pelo nome.
Chain (prompt chaining): Uma sequência de prompts em que o resultado de cada um passa a ser a entrada do próximo. Você gerencia a chain; a IA executa cada etapa.
Chain of thought: Pedir ao modelo que raciocine passo a passo antes de responder, o que melhora a exatidão em problemas de vários passos.
Chunking: Dividir um corpus em pedaços pequenos (256 a 512 tokens, com 10 a 20% de sobreposição) para poderem ser recuperados.
Decomposição do processo: Dividir em passos um processo que atravessa vários times e decidir quais são de IA, quais são determinísticos e quais precisam de uma pessoa.
Determinismo vs. critério: Determinismo é um passo dar sempre o mesmo resultado. Critério é um passo poder variar de forma legítima. Marque cada etapa com o que ela é.
Diário de prompts: Uma coleção salva dos prompts que funcionaram, que cresce com o tempo até se tornar uma biblioteca de templates para o seu trabalho.
Empilhar papéis: Fazer a IA analisar a mesma coisa por vários pontos de vista de especialista, um a um, e depois sintetizar uma única recomendação.
Encaminhamento: Um padrão de fluxo de trabalho em que um passo classifica uma entrada numa categoria e a envia para um passo feito para esse tipo, como os emails de faturamento, técnicos ou de conta.
Engenharia de context: Escolher tudo o que chega ao context de um modelo enquanto ele trabalha, e não só o prompt: as instruções, os arquivos, as descrições das tools, os resultados das tools e o histórico. O objetivo é o menor conjunto de informação útil que leve à ação certa.
Entrega (a costura): O momento em que o resultado de um passo passa a ser a entrada do próximo. É aqui que a maioria das chains quebra, então coloque verificações na costura.
Few-shot: Dar ao modelo alguns exemplos do padrão de entrada e resultado que você quer. Aumenta muito a confiabilidade.
Formato do resultado: Manter os resultados intermediários legíveis por programas: tabelas, JSON, campos consistentes. Texto corrido quebra as chains.
Meta-prompting: Pedir à IA que critique e reescreva o seu prompt para que produza resultados mais confiáveis.
Método dos quatro elementos: A estrutura de prompt mais confiável: papel, context, tarefa e formato (também conhecida como CRAFT ou RCTF).
Orquestrador-trabalhadores: Um padrão de fluxo de trabalho em que uma chamada central ao modelo divide uma tarefa em subtarefas enquanto roda, entrega essas subtarefas a chamadas trabalhadoras e junta os resultados. Use quando você não consegue listar as subtarefas de antemão.
Paralelização: Um padrão de fluxo de trabalho que roda chamadas ao modelo ao mesmo tempo: partes independentes de uma tarefa lado a lado (seccionamento), ou a mesma tarefa várias vezes para comparar as respostas (votação).
Passo de IA: Um passo do processo que exige critério, porque varia com a entrada. É aqui que vale a pena gastar o seu orçamento de IA.
Passo determinístico: Um passo do processo resolvido por lógica fixa: uma fórmula, uma propriedade do banco de dados ou um script.
Persona: Atribuir um papel ao modelo para elevar o nível de qualidade. Molda a forma como o modelo responde, mas não muda se a resposta está certa.
Persona prompts: Dar um papel a cada etapa: um assistente jurídico, um responsável de conformidade. A persona muda o vocabulário, a profundidade e o tom.
Planejar e só depois executar: Pedir ao modelo que planeje e aponte as lacunas primeiro, e só depois produza o resultado, para não tapar as lacunas com suposições.
Pré-preencher a resposta: Começar você mesmo a resposta da IA. Fixa o formato e o tom, e reduz o drift.
Progressive disclosure: Carregar pouco sempre e o resto só quando for relevante. Mantenha a camada sempre ativa pequena.
Prompt: O que você escreve para um assistente. Prompting é a arte de pedir bem.
Prompting em vários passos: Divida o trabalho em etapas em vez de um prompt gigante. Cada etapa produz um resultado limpo e com nome, que a próxima usa.
Refinamento iterativo: Tratar a IA como uma conversa e ir melhorando o resultado ao longo de algumas rodadas, em vez de esperar que o primeiro rascunho saia perfeito.
Regra de ouro: Dê à IA o máximo de context possível, sempre. Entradas melhores dão melhores resultados, de forma confiável.
Restrições negativas: Dizer à IA o que ela não deve fazer. Contraria os padrões dela e muitas vezes é mais fácil do que descrever aquilo que você quer.
Retrieval: Escolher os pedaços certos para uma determinada consulta. Retrieval híbrido (semântica mais palavras-chave) com um reranker é o que se usa em produção.
Structured outputs: Pedir um esquema concreto, como JSON ou uma tabela, para o resultado ficar claro e fácil de reaproveitar por outras ferramentas.
Tomada de notas estruturada: Fazer um agent escrever notas num arquivo fora da context window enquanto trabalha, como uma lista de tarefas ou um arquivo de descobertas, e ler essas notas de novo mais tarde. As notas sobrevivem à compaction porque nunca estiveram na context window.
Zero-shot: Pedir uma tarefa ao modelo sem lhe dar exemplos. Serve bem para tarefas simples e conhecidas.

Construir e lançar

A regra de construir: Quando você se pegar fazendo o mesmo trabalho duas vezes, construa isso como um agent, para que na terceira ele rode sozinho.
Agent loop: O ciclo de execução: ler o context, decidir, chamar uma tool, ler o resultado, decidir outra vez, até a tarefa estar feita.
Agentic loop: Uma tarefa preparada para que um coding agent consiga chegar a um objetivo por tentativa e erro: um objetivo claro, uma verificação que diz se passou ou falhou, os comandos para experimentar alterações e um lugar seguro para rodar com as aprovações desligadas. Todo agent roda em um ciclo; um ciclo agêntico é um ciclo que você desenha.
AGENTS.md: O arquivo de instruções que virou norma entre as ferramentas. Coloque aqui as suas convenções, como fonte única de verdade.
Alteração em toda a frota: O mesmo tipo de alteração feito em muitos repositories, como uma atualização de dependência ou de configuração, normalmente com um pull request pequeno por repository. As verificações e os responsáveis de cada repository continuam decidindo se a alteração dele entra no merge.
Ambiente descartável: Um espaço de trabalho criado do zero para uma tarefa a partir de uma configuração padrão e jogado fora no fim, como uma worktree, um contêiner ou um sandbox na nuvem. Nada de que você precise vive só lá dentro, por isso qualquer execução pode recomeçar.
Ambiente na nuvem: A configuração preparada de onde partem as execuções de um agent na nuvem: o código já obtido, as dependências instaladas, as regras de rede e os segredos. Cada execução trabalha na própria cópia, por isso todas começam do mesmo jeito.
Anatomia de um briefing: As peças que um bom briefing de agent precisa ter: papel, trigger, entradas, passos, formato do resultado e guardrails.
Arquivo de instruções: Um arquivo com as regras permanentes que um agent lê antes de começar a trabalhar. AGENTS.md é o nome mais comum.
Arquivo de progresso: Um arquivo que um agent lê no início de cada session e atualiza no fim: o objetivo, as regras e um registro do que foi feito e do que vem em seguida. Com uma lista de itens ao lado, uma session nova consegue retomar um trabalho longo sem refazer nem pular nada.
Arquivos de referência: Documentos estáveis (regulamentos, guias de estilo, glossários) anexados a um assistente personalizado, para ele raciocinar sempre com eles.
Atualização de dependência: Uma alteração que passa uma das dependências de um projeto para uma versão mais recente. Uma atualização que só muda um número de versão serve para um script simples; uma com breaking changes também precisa de alterações no código e de uma verificação de que o projeto continua compilando e passando nos testes.
Avaliação de capacidade: Uma avaliação com tarefas em que um agent ainda tem dificuldade. Começa com uma taxa de passagem baixa e mostra se as alterações no harness ajudam.
Avaliação de regressão: Uma avaliação com tarefas que um agent já resolve e que devem passar quase sempre. Uma queda quer dizer que algo quebrou, muitas vezes depois de uma alteração no modelo, nas instruções ou nas tools.
Avaliador: O que decide se um ensaio passou: código para o que dá para verificar com exatidão, um modelo com critérios de avaliação para o que exige julgamento, ou uma pessoa. Compare um avaliador que é um modelo com o julgamento de pessoas antes de confiar nele.
Bloqueio de tarefa: Uma reserva sobre um item de trabalho, como um pequeno arquivo de que um agent faz commit num repository compartilhado antes de começar, para que os outros agents escolham outra coisa. Bloqueios que ficam presos tempo demais ou que nunca são liberados atrasam todo mundo.
Boilerplate: Código que precisa ser escrito mas não traz nenhuma ideia nova, como configuração, ligações entre peças ou o mesmo formato de teste outra vez. É fácil de descrever e fácil de verificar, e por isso é um bom trabalho para entregar a um coding agent.
Branch: Uma linha de trabalho paralela dentro do mesmo repo. Você experimenta numa branch sem incomodar a principal.
Breaking change: Uma alteração na versão nova de uma biblioteca ou de um serviço que faz o código escrito para a versão antiga falhar ou se comportar de outro jeito. Alguns quebram de forma escancarada, como uma função removida. Outros são silenciosos, como um padrão que muda, e só os testes que fixam o comportamento pegam esses.
Cascata: Rodar primeiro um modelo barato e rápido e mandar só os casos em que ele está inseguro para um modelo mais forte ou para uma pessoa. Reduz o custo, mas só aumenta a acurácia quando a segunda etapa comete erros diferentes.
Cenário reservado: Uma história de usuário de ponta a ponta, guardada fora do código, que verifica o software pelo que um usuário consegue observar. Os agents nunca a veem, por isso não podem reescrevê-la nem escrever código que só sirva para passar nela.
Changelog: Uma nota curta e contínua no fim de um briefing, registrando o que mudou em cada versão, para os outros verem como ele evoluiu.
Checkout: Mudar a sua pasta de trabalho para mostrar uma determinada branch ou commit. Mesmo repo, outra visão.
CLAUDE.md: O arquivo de instruções do Claude Code, na raiz do projeto ou em ~/.claude para valer em tudo. Muitas vezes é só um ponteiro para o AGENTS.md.
Cobertura: Uma das forças em tensão no design de um harness: dar ao modelo o suficiente para agir bem. Se você der pouco, ele adivinha ou inventa uma API.
Code owners (CODEOWNERS): Um arquivo que indica quem é responsável por quais caminhos de um repository. Com a regra correspondente ativada, uma alteração num arquivo com responsável não pode entrar no merge sem a aprovação de um deles.
Commit: Uma alteração salva, com uma nota dizendo o quê e por quê. O histórico de um repo é uma cadeia de commits.
Compound engineering: Uma forma de trabalhar, descrita pela empresa Every, em que cada alteração deve deixar a próxima mais fácil. Depois de planejar, executar e revisar vem um quarto passo: transformar o que você aprendeu em um documento, um exemplo, um teste ou uma verificação, e perguntar se agora o sistema pegaria o problema sozinho.
Concorrência otimista: Uma forma de muitos agents compartilharem estado sem bloqueios: qualquer um pode ler o estado, mas uma escrita falha se ele tiver mudado desde que foi lido, e quem escreve lê de novo e tenta outra vez.
Conflito de merge: O que acontece quando duas branches alteram as mesmas linhas do mesmo arquivo. O git não consegue juntá-las sozinho, por isso uma pessoa ou um agent tem que escolher. Dividir o trabalho em paralelo por área deixa os conflitos raros.
Conjunto de avaliação: Um conjunto de tarefas que você pode rodar de novo, cada uma com um critério de passagem, para dar nota a um agent e ao harness dele antes e depois de uma alteração. Faça esse conjunto crescer a partir de falhas reais, e inclua casos em que algo não deve acontecer.
Conjunto de reexecução: Uma lista fixa de itens de trabalho antigos, cada um com o commit de partida e o resultado que conta como passagem. Antes de colocar uma alteração em produção, você roda o sistema atual e o sistema alterado sobre ela e compara item a item.
Conjunto de referência: Itens reais do seu trabalho, cada um rotulado com a resposta certa por quem domina a tarefa. É com ele que você avalia um modelo de decisão antes de confiar nele.
Conjunto de regras: Um conjunto de regras com nome para as branches de um repository, como exigir um pull request, verificações passando e uma aprovação antes de qualquer merge. As alterações dos agents ficam sujeitas a ele como as de qualquer outra pessoa.
Context budget: Tratar a context window como um orçamento que você distribui de propósito, gastando o máximo naquilo que muda a resposta.
Contexto escondido: Os system prompts, os arquivos de referência, o histórico da conversa e os pedaços recuperados gastam todos tokens em cada execução.
Contrapressão: Verificações automáticas que rejeitam o resultado ruim de um agent, como testes, verificadores de tipos e scanners de segurança, para que ele tenha que corrigir a alteração antes de poder avançar. Mantenha essas verificações rápidas, porque o agent fica esperando por elas.
Controle computacional: Um guia ou um sensor executado por software comum, como um teste, um linter ou um script. É rápido e barato, e sempre dá o mesmo resultado.
Controle inferencial: Um guia ou um sensor que depende do julgamento de um modelo, como instruções escritas ou uma revisão feita por IA. Consegue julgar o significado, mas é mais lento, custa mais e pode variar de uma execução para outra.
Costura: O ponto onde a informação passa de uma pessoa, time ou sistema para o próximo. As costuras deixam fugir tempo e qualidade.
Critérios de aceitação: As condições que um trabalho tem que cumprir para contar como concluído, escritas antes de o trabalho começar. Para um agent, cada uma funciona melhor como uma verificação que ele consiga rodar: um teste, um comando ou um resultado que qualquer pessoa consiga ver, com as verificações do comportamento novo confirmadas falhando primeiro.
Custo: O preço de cada token em dinheiro, em latência e em atenção diluída.
Custo por resultado útil: O gasto total dividido pelos resultados que não precisaram ser refeitos. É a métrica de gasto para internalizar.
Deferred tools: Listar as tools por nome e deixar o modelo buscar a definição completa quando precisar, para manter o context leve.
Definição de preparado: A lista, combinada pelo time, do que um item de trabalho tem que conter antes de alguém pegar o item. Numa fábrica, ela decide que itens podem entrar na fila dos agents; os outros voltam ao autor com a peça que falta identificada.
Definição de pronto: Uma lista curta de afirmações sobre o trabalho terminado, escrita antes de o trabalho começar, que qualquer pessoa conseguiria verificar. Cada linha é verdadeira ou falsa em relação ao resultado, então “pronto” quer dizer verificado, e não só com cara de pronto.
Desenvolvimento orientado por especificações: Colocar primeiro a intenção por escrito, em uma especificação, e fazer um coding agent construir a partir dela. Os níveis diferem no que acontece depois com a especificação: usada para uma alteração (spec-first), mantida junto com a funcionalidade (spec-anchored) ou o único arquivo que as pessoas editam (spec-as-source).
Diff: A lista, linha a linha, do que mudou nos seus arquivos: as linhas removidas e as linhas adicionadas. Ler o diff depois de cada passo é o jeito de ver exatamente o que um agent fez.
Documento de decisão de arquitetura (ADR): Um arquivo curto no repository que registra uma decisão importante: o contexto, a decisão, o status e as consequências. Ele diz às pessoas e aos coding agents por que o código é como é, para que nenhum deles aceite ou mude o código às cegas.
DORA metrics: Cinco medidas de entrega de software da DORA, um programa de pesquisa do Google Cloud. O lead time das alterações, a frequência de deploy e o tempo de recuperação de deploys com falha mostram o ritmo de entrega; a taxa de falha das alterações e a taxa de retrabalho de deploys mostram a instabilidade.
Edge cases: Entradas válidas mas fora do comum. Um briefing tem que dizer o que fazer com campos ausentes, contradições e dados sensíveis.
Engenharia agêntica: Desenvolver software com coding agents enquanto um engenheiro continua respondendo pelo resultado: define o objetivo, verifica o código e as provas e decide o que vai para produção. Simon Willison usa o termo para o oposto do vibe coding, em que ninguém olha para o código.
Engenharia de harness: Desenhar e melhorar tudo o que está em torno do modelo de um agent: as instruções, as tools, as verificações e os limites. No sentido de Mitchell Hashimoto, o hábito de mudar o harness toda vez que o agent comete um erro, para que ele não volte a cometer esse erro.
Ensaio: Uma tentativa de fazer uma tarefa numa avaliação. Os agents variam de uma execução para outra, então cada tarefa tem vários ensaios, cada um a partir de um começo limpo.
Entradas de confiança: Entradas já validadas na origem, como uma linha de banco de dados com esquema obrigatório. Você pode agir sobre elas.
Etapa de validação: A primeira etapa da chain, que confirma se cada campo obrigatório está presente e válido. Se uma verificação falhar, ela para e chama uma pessoa.
Fábrica de software: Um sistema em que muitos AI agents pegam itens de trabalho numa fila e os transformam em alterações verificadas, com pessoas nos pontos de controle que você escolher. O agent é um passo; a fila, os ambientes isolados, as verificações e as aprovações é que deixam as alterações dele seguras para o merge.
Faixas de limiar: Dois limiares que dividem as respostas de um modelo de decisão em três resultados: agir sozinho, confirmar com uma pessoa ou escalonar para uma pessoa. Você define os limiares a partir dos seus próprios itens rotulados e do que custa cada erro.
Falha de design: Uma falha que vem da arquitetura do fluxo de trabalho. A correção é dividir as etapas de outra forma ou redesenhar o fluxo.
Fan-out: Dividir uma alteração repetitiva em uma execução de agent por item, como um arquivo, disparadas a partir de um script com o mesmo prompt. Cada execução começa com um context limpo. Experimente primeiro alguns itens, corrija o prompt e depois rode o resto com uma verificação em cada um.
Fluxo de trabalho: Um sistema em que um modelo e algumas tools seguem passos que você fixou de antemão. É mais simples, mais barato e mais fácil de testar do que um agent, então use um sempre que você conhecer os passos.
Forking: Copiar o agent ou assistente que outra pessoa compartilhou e adaptá-lo, herdando as lições que quem o escreveu já aprendeu.
Format drift: A IA retorna o resultado numa forma ligeiramente diferente da que foi pedida, e quebra tudo o que dependia do formato exato.
Formulário de admissão: O formulário ou template que as pessoas preenchem para registrar um item de trabalho, com um campo para cada linha da definição de preparado e os importantes obrigatórios. Ele torna os campos difíceis de pular, não impossíveis, por isso a triagem verifica cada item de novo. No GitHub, é um issue form.
Frontmatter: Um pequeno bloco de YAML no topo de um arquivo, com informação sobre o próprio arquivo.
Git bisect: O comando do git que encontra o commit em que um bug apareceu pela primeira vez. Você marca um commit bom e um ruim, dá um teste a ele, e ele busca no histórico dividindo-o ao meio a cada vez. Os coding agents são bons em rodar esse comando para você.
Guia (controle de feedforward): Um controle do harness que orienta o agent antes de ele agir, como instruções, um guia de estilo ou um template. Torna mais provável uma boa primeira tentativa.
Harness: Tudo o que você constrói em torno de um modelo: o context que você dá, as tools que ele pode chamar e o ciclo em que ele roda.
Headless run: Uma execução de um coding agent a partir de um script, sem ninguém no teclado, como claude -p ou codex exec. As tools permitidas, o sandbox e os limites de turnos e de gasto têm que estar todos definidos antes de começar.
Idempotency: Um agent é idempotente se for seguro rodar o agent duas vezes sobre a mesma entrada. Produz o mesmo resultado ou não faz nada.
Infraestrutura (vs. ferramenta): Uma construção de que muita gente depende. Nessa escala precisa de um responsável com nome, comportamento documentado, HITL gates e um plano de manutenção.
Instruções por caminho: Arquivos de instruções que só se aplicam quando um agent trabalha em arquivos correspondentes, como um arquivo .instructions.md do GitHub Copilot com um padrão applyTo, ou uma regra do Cursor com globs.
Integração contínua (CI): A compilação e os testes automáticos que rodam sobre cada alteração proposta antes do merge. Numa fábrica de software, é a primeira verificação em que a alteração de um agent tem que passar, e uma execução verde só é tão confiável quanto os testes que estão por trás dela.
Item de trabalho: Um trabalho numa fila compartilhada, como uma issue num tracker. Quando um agent pega o item, ele é o briefing completo do agent: o resultado pretendido, as verificações que o comprovam, o que está fora do escopo e a quem perguntar.
Jardinagem da documentação: Uma execução recorrente, muitas vezes feita por um agent, que compara a documentação de um repository com o código e abre um pull request para cada página que ficou desatualizada. Ela mantém verdadeira a documentação em que os agents se apoiam.
Limitação do modelo: Uma falha em que a IA não é confiável o suficiente naquela tarefa. A correção é uma verificação determinística ou um HITL gate mais rígido.
Limite de orçamento: Uma condição de parada que coloca um teto rígido no número de turnos, de tokens ou de chamadas a tools.
Limite de tentativas: Um limite para o número de vezes que um agent pode tentar de novo depois que uma verificação falha, como duas rodadas de CI. Quando ele é atingido, a execução para e a branch vai para uma pessoa, com o resultado que falha.
Lockfile: Um arquivo que registra a versão exata de cada pacote que um projeto instala, incluindo os pacotes que as dependências dele trazem. As alterações nele em um diff mostram tudo o que um pacote novo adiciona.
Mapa das costuras: Um mapa das entregas de um processo: quem entrega, quem recebe, o que se perde, quanto tempo custa e onde a IA poderia encaixar.
Merge: Juntar as alterações de uma branch de volta à linha principal quando já estão prontas.
Merge queue: Uma fila que testa cada pull request junto com a versão mais recente da branch principal e com os pull requests que estão na frente dele antes do merge, para que alterações que passam sozinhas não possam quebrar a branch quando se juntam.
Modo sombra: Rodar um modelo de decisão em trabalho real enquanto o processo atual continua no comando. Você registra as duas respostas e compara depois; ninguém age com base no que o modelo diz.
Níveis de maturidade: Etiquetas para os fluxos de trabalho compartilhados: por sua conta e risco, destacado (revisado) e oficial (mantido, em nível de produção).
O peso do resultado: Os tokens de saída custam tipicamente 3 a 5 vezes mais do que os de entrada, então um padrão verboso multiplica o gasto num instante.
OpenTelemetry (OTel): Um padrão aberto para enviar métricas, logs e rastros de um programa para um coletor à sua escolha. As tools de agents usam esse padrão para reportar os tokens, o custo e as chamadas a tools de cada execução.
Output schema: Uma definição escrita e precisa dos campos e dos tipos de um resultado, fixada antes de você escrever o prompt.
pass@k (pelo menos uma vez): A proporção de tarefas em que um agent passa pelo menos uma vez em k ensaios. Mostra se o agent consegue fazer uma tarefa, não se ele faz isso sempre.
pass^k (todas as vezes): A proporção de tarefas em que um agent passa em todos os k ensaios. Cai à medida que k cresce, e é o que mais conta quando as pessoas esperam sempre o mesmo resultado.
Plano de manutenção: Um documento curto com o nome do responsável, de quem o substitui, a cadência de revisão, os modos de falha conhecidos e a forma de testar alterações.
Poda do harness: Tirar peças de um harness uma de cada vez e rodar de novo as mesmas avaliações depois de cada uma, para ficar só com o que ainda melhora os resultados. Cada regra ou verificação é uma suposição sobre o modelo, e os modelos mudam.
Ponto de chamada: Um lugar no código onde uma determinada função é chamada. Antes de uma atualização ou de uma mudança de nome, listar todos os pontos de chamada, incluindo testes e scripts, mostra o tamanho da alteração e o que precisa ser verificado.
Princípio de ouro: Uma regra opinativa e mecânica sobre a cara que o código deve ter sempre, escrita no repository, para que um agent agendado consiga encontrar os desvios e abrir pull requests pequenos para corrigi-los.
Pronto para produção: Um fluxo de trabalho testado com entradas reais, com os modos de falha e os HITL gates escritos no briefing, documentado, com responsável e com registro para detectar o drift.
Pull request: Um conjunto de commits proposto para revisão antes de entrar na linha principal.
Pull requests empilhados: Uma série de pull requests pequenos em que cada um se apoia no anterior, para que um trabalho grande seja revisado uma alteração autocontida de cada vez. Cada um tem que deixar o sistema funcionando quando recebe merge.
Ralph loop: Uma forma de colocar um coding agent rodando sem supervisão: um script envia a ele o mesmo prompt, o mesmo arquivo do plano e as mesmas especificações, de novo e de novo. Cada volta começa com um context limpo, faz um item, roda as verificações e faz commit.
Rastro: O registro de uma execução como uma árvore de passos cronometrados chamados spans: a execução na raiz e, embaixo dela, cada chamada ao modelo e cada chamada a uma tool. Mostra para onde foram o tempo e os tokens, o que falhou e por que a execução parou.
Rebase: Reaplicar os commits de uma branch por cima da versão mais recente da branch principal. Fazer rebase logo antes das verificações finais quer dizer que as verificações testam o código que vai de fato entrar no merge.
Recall: Com que confiabilidade o modelo cumpre uma determinada regra. Regras enterradas no meio de um long context passam batido.
Red/green TDD: Desenvolvimento orientado por testes: você escreve um teste, roda e vê que ele falha (vermelho), depois muda o código até ele passar (verde). Ver o teste falhar primeiro mostra que ele verifica a alteração, e não uma coisa que já funcionava. Com um coding agent, pedir red/green TDD costuma bastar.
Regra das 50 entradas: Teste um agent com 50 entradas reais e diferentes antes de confiar nele para rodar sem supervisão. Categorize cada falha.
Repository (repo): Uma pasta de projeto com memória: os arquivos, os testes e um registro de cada alteração, então nada se perde de verdade.
Resultado verificado: Uma alteração que recebeu merge, foi para produção e não precisou de rollback, de hotfix nem de correção posterior. Contar essas alterações, em vez de pull requests abertos ou linhas geradas, mostra o que o trabalho com coding agents de fato entregou.
Revisão com context limpo: Uma revisão feita por um modelo que recebe o trabalho terminado, a definição de pronto dele e as fontes, mas não a conversa nem o raciocínio que o produziram. Ele pode abrir arquivos e rodar as verificações.
Satisfação (cenários): A pontuação da StrongDM para os cenários reservados: de todas as execuções em todos os cenários, a proporção que provavelmente satisfaria o usuário. Ela substitui um simples passa ou falha quando o software, por ter um modelo dentro dele, não se comporta sempre do mesmo jeito.
Scope judge: Um modelo que lê só um item de trabalho e o diff que um agent produziu para ele, e veta as alterações que vão além do item. Roda depois das verificações de compilação e de testes. Acompanhe a taxa de veto e verifique à mão uma amostra dos veredictos.
Sensor (controle de feedback): Um controle do harness que verifica o trabalho do agent depois de ele agir, como um teste, um verificador de links ou um modelo revisor, para que o agent possa se corrigir.
Shift left: Levar uma verificação para o momento mais cedo em que ela pode rodar, como um lint a cada push em vez de na CI ou na revisão, para que uma falha apareça onde é mais barato corrigi-la.
Sistema de registro: O lugar onde um fato vive oficialmente, e para o qual todas as outras menções apontam. Em uma base de código, a documentação versionada no repository pode ser o sistema de registro da arquitetura, das decisões e das regras de negócio.
Skill: Um conjunto de instruções e material de referência que ensina um assistente a fazer bem um trabalho, reutilizável em todos os chats seguintes.
SKILL.md: O único arquivo obrigatório de uma skill: frontmatter YAML no topo, com nome e descrição, e o procedimento no corpo.
Stop hook: Um hook que roda toda vez que o agent termina de responder e pode mandar o agent de volta ao trabalho, por exemplo enquanto um teste continua falhando. Precisa de uma salvaguarda, para que uma verificação que nunca consegue passar encerre a execução em vez de ficar em ciclo.
Symlink: Um arquivo-atalho que aponta para outro arquivo, para que uma só cópia real apareça em vários lugares.
Tabela de confiabilidade: Uma tabela que agrupa as respostas de um modelo por probabilidade e mostra quantas vezes cada grupo acertou. Com ela você vê se 0,8 quer mesmo dizer cerca de 80% nos seus dados.
Templates com variáveis: Os briefings de produção são templates com variáveis com nome, o que os torna inspecionáveis, versionáveis e passíveis de fork.
Terminal (shell): A janela de texto onde você digita comandos em vez de clicar em botões. É aqui que vivem os coding agents.
Test suite: As verificações que um projeto faz em si mesmo, rodadas por um único comando que diz se passou ou falhou.
Teste de objetivo: Uma condição de parada que o agent roda em vez de afirmar: a compilação passa, ou o endpoint retorna 200.
Teste de reprodução: Um teste escrito para falhar por causa de um bug reportado, antes de alguém corrigir o bug. Ele tem que falhar pelo mesmo motivo pelo qual os usuários veem o bug, não por causa de um erro de digitação ou de uma configuração faltando, para que, quando passar mais tarde, mostre que a correção funciona.
Testes manuais agênticos: Fazer um coding agent usar a própria alteração como uma pessoa usaria: chamar uma função pela linha de comando, uma API com curl ou uma página em um browser de verdade, e manter um registro de cada comando e do resultado dele. Isso consegue encontrar o que os testes que passam deixam escapar.
Triggers: Como um agent começa a rodar: por agendamento, sob demanda ou a partir de um evento, como uma linha nova num banco de dados.
Tripwire: Num SDK de agents, o sinal que um guardrail envia quando a verificação dele falha. A execução para, e o seu código decide o que acontece em seguida, como dizer ao usuário que o pedido não pode ser processado.
Utilizável vs. rigoroso: Utilizável quer dizer que as etapas seguintes conseguem ler o resultado. Rigoroso quer dizer que o conteúdo está certo. Os dois importam.
Verificação de reversão: Tirar uma correção, rodar o teste novo dela para ver o teste falhar de novo pelo mesmo motivo de antes da correção e depois restaurar a correção. Um teste que continua passando sem a correção não verifica a correção e não vai pegar o bug se ele voltar.
Verificação de status obrigatória: Uma verificação, como a test suite, que tem que passar antes de um pull request poder entrar no merge de uma branch protegida. Ela transforma os testes de um conselho num gate.
Verifier: Uma verificação que um agent pode rodar mas não controla, como uma compilação ou uma execução de testes, e que responde em poucas linhas. Numa fábrica, os verifiers rodam antes de um pull request ser aberto, e um que falhe impede que ele seja aberto.
Vibe coding: Construir uma coisa descrevendo em palavras simples o que você quer e deixar a IA escrever o código, se guiando pela intuição.
Worktree: Uma segunda cópia de trabalho do mesmo repo, na sua própria pasta e com a sua própria branch, para que dois trabalhos nunca se atropelem.
YAML: Configurações escritas como linhas etiquetadas, do tipo name: pdf-export. Lê-se como um formulário e não como código.

Risco e segurança

A regra inegociável: Nunca cole dados bancários, credenciais, documentos de identificação nem nada que seja privado e não seja seu numa ferramenta de IA genérica.
Ações sempre com HITL: Coisas que precisam sempre da aprovação de uma pessoa: dinheiro, saúde, segurança, contratos, condições legais, envios a órgãos públicos e situação legal de alguém.
Adversarial testing: Dar de propósito a um agent entradas capciosas, contraditórias, incompletas ou maliciosas durante os testes, para descobrir onde ele quebra.
Adversarial verification: Separar quem faz de quem julga. Uma passagem cria, outra ataca com ordens para refutar, e só entra em produção o que sobreviver.
AI slop: Texto ou imagens de IA feitos em massa e sem nenhum esforço. É o que um bom prompting evita.
Audit logs: Um registro de cada chamada a uma tool MCP, com data e hora, quem chamou, com que scope e com que resultado. É o que você consulta para saber o que a IA fez.
Blast radius: O alcance dos sistemas que um agent pode afetar se algo der errado. Um agent conectado a mais coisas precisa de gates mais rígidos.
Caracteres Unicode ocultos: Caracteres que não ocupam espaço visível, como os zero-width joiners e os marcadores de texto bidirecional. Eles podem esconder em um arquivo uma instrução que uma pessoa lendo o arquivo não vê, mas que um modelo lê.
Confidence calibration: Fazer a IA classificar a própria confiança (alta, média, baixa) com uma justificativa, para você saber quais resultados precisam de revisão.
Contenção: Limitar o que um agent consegue acessar, seja qual for a decisão dele: um sandbox, o acesso à rede desligado ou limitado a uma lista, e as credenciais fora do alcance dele. A contenção se mantém quando ninguém está vigiando, coisa que as aprovações não conseguem.
Controle imposto: Um limite que a tool aplica, seja qual for a decisão do modelo, como uma regra de permissão, um hook, um sandbox ou um app que não está conectado. Ao contrário de uma instrução, o modelo não consegue pular esse limite.
Deny rule: Uma regra de permissão que bloqueia uma tool, um comando ou um caminho, seja qual for a decisão do modelo, como Read(./.env) no Claude Code. As deny rules são verificadas primeiro, então uma allow rule não consegue abrir uma exceção a elas.
Drift: Quando os resultados do modelo se degradam devagar porque o padrão das entradas mudou. É silencioso, e só se vê ao olhar para muitos resultados.
Drift (loop): Uma falha do ciclo em que o agent esquece o objetivo e passa a otimizar uma subtarefa. Repita o objetivo perto do fim do context.
Errado com toda a convicção: Uma resposta que soa confiante mas está errada de forma sutil, e com o mesmo tom das respostas certas.
Exfiltração: Enviar dados para alguém que não deveria ter acesso a eles. Num agent, qualquer forma de se comunicar com o exterior pode levar os dados: um email, uma mensagem, uma requisição web, até um link ou o endereço de uma imagem.
Fadiga de aprovações: O que acontece quando as pessoas veem tantos pedidos de confirmação que param de ler. As aprovações continuam acontecendo, mas já não são uma verificação. Pergunte menos, mostre exatamente o que vai acontecer e contenha o trabalho de rotina.
Guardrails: Regras e verificações que impedem a IA de fazer coisas arriscadas.
Hallucination: Quando um assistente afirma algo falso com toda a convicção. Vale sempre a pena conferir.
Hallucination de pacotes: Um pacote de software sugerido por um modelo que não existe. Qualquer pessoa pode registrar o nome inventado e encher o pacote de código malicioso, então verifique cada pacote novo antes de ficar com ele.
Higiene de dados: Os hábitos de lidar com informação privada quando você usa IA. Deixe os dados sensíveis onde eles vivem em vez de colá-los numa ferramenta que você não controla.
HITL gate: Um gate com uma pessoa no circuito (human-in-the-loop), onde alguém revisa antes de o agent agir. Obrigatório em ações irreversíveis ou de confiança baixa.
Human-in-the-loop (HITL): Uma pessoa revisa ou aprova o resultado da IA antes de qualquer ação, sobretudo em passos regulados, irreversíveis ou de grande impacto.
Jailbreak: Um prompt feito para contornar os guardrails de uma IA. Não tente: eles protegem você e os outros.
Lethal trifecta: O nome que Simon Willison dá a um agent que tem acesso a dados privados, vê conteúdo não confiável e consegue enviar dados para fora. Com as três, um atacante pode enganar o agent para que ele vaze os dados. Retire pelo menos uma.
Lista de hosts permitidos: A lista de hosts a que a execução de um agent pode chegar, como o seu registry de pacotes. Todo o resto fica bloqueado, o que limita para onde um agent confuso ou manipulado consegue enviar dados.
Mínimo de confiança: Um limite abaixo do qual o agent para e encaminha para uma pessoa em vez de agir.
Modelo do queijo suíço: Uma imagem da engenharia de segurança: todas as camadas de verificação têm buracos, mas camadas com buracos em lugares diferentes deixam passar poucos erros. Nenhuma verificação pega tudo sozinha, por isso empilhe várias.
Não avança: Uma falha do ciclo em que o agent repete a mesma ação que falha. Resolve-se registrando o que já foi tentado e limitando as tentativas.
Nível de risco de uma ação: Um nível baixo, médio ou alto para uma ação que um agent pode executar, a partir de quatro perguntas: se ela escreve alguma coisa, se pode ser desfeita, de quem é o acesso que usa e se há dinheiro envolvido. Cada nível corresponde a allow, ask ou deny.
Parada errada: Uma falha do ciclo em que o agent desiste cedo ou nunca desiste. Resolve-se com um teste de parada explícito.
Pausa automática: Um disjuntor que trava o agent quando a exatidão medida por amostragem cai abaixo de um limite definido, até uma pessoa ligar o agent de novo.
Preguiça agêntica: Quando um agent para no meio de uma tarefa longa, com muitas partes, e dá o trabalho todo como feito. O remédio é uma verificação que o agent tem que rodar antes de parar.
Privilégio mínimo: Dar a um agent, a uma pessoa ou a um programa só o acesso de que a tarefa precisa, e nada que dure mais do que ela. Para um agent sem supervisão, isso quer dizer um repository, um pequeno conjunto de tools e credenciais que expiram com a execução.
Prompt injection: Instruções maliciosas escondidas dentro de conteúdo que a IA lê, tentando desviá-la do que ela estava fazendo.
Prompt injection indireta: Uma prompt injection que chega dentro de conteúdo que um agent lê, como uma página web, um email, um arquivo compartilhado ou o resultado de uma tool, e não naquilo que o usuário digita.
Proxy de credenciais: Um serviço fora do sandbox de um agent que guarda uma chave real e a acrescenta às requisições que saem para domínios permitidos. O código dentro do sandbox só vê um valor fictício, por isso uma execução sequestrada não tem nenhuma chave para roubar.
Push protection: Uma verificação do GitHub que bloqueia um push com uma senha, uma chave ou um token antes de ele chegar ao repository, em vez de avisar você depois.
Red-teaming: Adversarial testing com o objetivo de um atacante: você ataca de propósito a sua própria configuração real, por exemplo tentando fazer com que ela vaze dados, para ver quais defesas resistem. Num agent, isso muitas vezes quer dizer infiltrar uma instrução inofensiva em algo que ele lê.
Regra dos Dois para agents: A regra de design da Meta para a prompt injection: dentro de uma session, um agent deve ter no máximo duas de três coisas — entrada não confiável, acesso a sistemas sensíveis ou a dados privados, e o poder de mudar estado ou de se comunicar para fora. Com as três, ele precisa de uma pessoa ou de outra verificação confiável.
Revocation: Retirar os scopes de uma conexão MCP quando o fluxo de trabalho é desativado, para não acumular conexões inativas.
Reward hacking: Passar numa verificação sem fazer o que ela deveria provar, como apagar um teste que falha ou escrever código que só funciona com a entrada do teste. Proteja as verificações contra edições, e mantenha algumas onde o agent não consiga ver.
Scopes: Permissões por ação que um servidor MCP expõe, como read_employees separado de update_employee. Conceda só o mínimo.
Slopsquatting: Registrar um nome de pacote que os modelos de IA costumam inventar, para que o código que segue a sugestão de um modelo instale o pacote do atacante. O nome vem de typosquatting, em que os atacantes registram nomes de pacotes com erros de digitação.
Supervisão: Manter um agent seguro com uma pessoa aprovando cada ação antes de ela rodar. Só funciona enquanto essa pessoa está atenta e entende o que aprova, então o trabalho que roda sem ninguém vigiando precisa de contenção.
Teste de troca: Mudar um detalhe que não deveria contar, como um nome ou um lugar, e rodar o item de novo. Se a resposta mexer mais do que o ruído normal, a decisão está usando esse detalhe.
Verificação por amostragem: Revisar você mesmo uma parte dos resultados de um fluxo de trabalho, 10% por exemplo.
Via de escalonamento: O caminho definido para um caso sinalizado: quem é avisado, como e com que context. Todos os HITL gates precisam de um.
Viés de automação: A tendência a confiar, ou a confiar demais, no resultado de um sistema automatizado. O AI Act da UE dá nome a ela, e uma taxa de alteração perto de zero é um dos sinais de alerta.
Viés de autopreferência: A tendência de um agent de avaliar o próprio trabalho com benevolência demais quando alguém pede que ele verifique esse trabalho ou dê uma nota. O remédio é um revisor que não fez o trabalho.
Workspace trust: A verificação que um coding agent faz antes de usar as configurações próprias de uma pasta, como hooks incluídos num repository: ele pergunta se você confia na pasta. As execuções por script podem pular a pergunta e tratar a pasta como confiável.
Zelo excessivo: Um agent que dá um passo com cara de útil além do que você pediu ou aprovaria, como usar uma credencial que encontrou. Limite isso com controles que a tool impõe.

Ferramentas e assistentes

Agent na nuvem: Um coding agent que roda nas máquinas de um fornecedor em vez das suas. Você dá uma tarefa a ele, ele trabalha no próprio ambiente preparado e devolve uma branch ou um pull request para uma pessoa revisar.
Agente integrado no workspace: Um agent que vive dentro de uma ferramenta como o Notion, lendo e escrevendo nas páginas e nos bancos de dados dela.
AI agent: Um briefing salvo que roda um trabalho recorrente por conta própria: por agendamento, sob demanda ou a partir de um evento.
Approval policy: No Codex, a configuração que decide quando o agent para e pergunta antes de ir além do sandbox, como on-request ou never. O modo de sandbox define o que os comandos conseguem fazer tecnicamente.
Artifacts: Um recurso do Claude que gera código, documentos, apresentações e resultados interativos num painel lateral editável.
Assistente de IA: A sua ferramenta de chat independente: ChatGPT, Gemini, Claude ou Grok. É reativa: você pergunta, ela responde.
Assistente integrado (no aplicativo): IA que vive dentro de um aplicativo que você já usa, como o Gmail, o Notion ou o Word. Atua sobre a página que você tem aberta.
Assistente salvo (reutilizável): Um assistente personalizado que você configura uma vez e reutiliza, como um Custom GPT, um Gem ou um Claude Project.
ChatGPT: O assistente da OpenAI, gratuito em chatgpt.com. Um faz-tudo confiável, com a maior comunidade de usuários.
Checkpoint (instantâneo dos arquivos): Um instantâneo que uma tool de programação tira dos seus arquivos antes de o agent editar esses arquivos, para você poder recuar os últimos passos dele. Serve para recuperar rápido dentro de uma conversa; algumas tools não pegam as alterações feitas por comandos da shell, então faça commit no git também.
Claude: O assistente da Anthropic, gratuito em claude.ai. Forte em escrita longa, análise pesada de documentos e raciocínio difícil.
Claude Projects: Workspaces persistentes do Claude que guardam documentos de referência que o Claude leva em conta em todas as conversas.
Co-pilot: IA que trabalha ao seu lado dentro de uma ferramenta, sugerindo enquanto você avança, com o controle sempre do seu lado.
Connectors: Conexões que permitem ao Claude acessar tools como o Drive, o Gmail, o Slack, o GitHub e o Linear, com a sua autorização.
Custom GPTs: Os assistentes salvos e reutilizáveis do ChatGPT: você configura uma vez e reutiliza sempre.
Deep Research: Um modo que faz uma investigação longa em várias fontes e entrega um relatório escrito, com as fontes citadas.
Gemini: O assistente da Google, gratuito em gemini.google.com. O mais forte quando a entrada é grande, mista ou visual, e roda dentro do Google Workspace.
Gems: Os assistentes personalizados, salvos e reutilizáveis do Gemini: você configura uma vez e reutiliza sempre.
Grok: O assistente da xAI, gratuito em grok.com. Conectado ao X e à web em tempo real, é o mais forte em atualidade.
Instruções do projeto: Instruções permanentes que você define uma vez num projeto do ChatGPT ou do Claude. Todos os chats do projeto recebem essas instruções, junto com os arquivos do projeto, mas elas continuam sendo pedidos que o modelo pode pular.
Permission mode: Uma configuração de um coding agent que decide quais ações rodam sem te perguntar antes, desde só as leituras até tudo. As regras de permissão ficam por cima dele, e uma deny rule continua bloqueando em todos os modos.
Plan mode: Um modo dos coding agents em que o agent lê o código e propõe um plano, mas não muda nada até você aprovar. Ele mantém a decisão sobre o que fazer separada do fazer.
Plataforma de automação: Uma ferramenta sem código, como o Zapier ou o Make, que copia dados entre aplicativos de forma agendada.
Plugin: Um pacote que instala de uma vez várias peças da configuração de um agent, como skills, hooks e conexões com servidores. Um plugin pode rodar código com as mesmas permissões que você tem, então leia o que ele contém antes de instalar.
Revisão de código por IA: Uma revisão de um pull request ou de um diff feita por um modelo de IA. Os achados dela são pistas a confrontar com o código, não aprovações, e ela não substitui os testes nem a revisão de uma pessoa.

Trabalhar com IA

A mentalidade 100×: O ritmo novo: meses passam a dias, dias passam a horas. Quando o custo cai 100 vezes, coisas novas passam a ser possíveis.
A regra dos 80%: Comece sempre pelo seu assistente de IA. A ferramenta que vive dentro do aplicativo é um atalho conveniente que você pode dispensar.
Agora somos todos construtores: Quem constrói um fluxo de trabalho com IA é um construtor, seja qual for o cargo que tem.
AI-pilled: Conquistado pela IA. Assim que a ficha cai numa tarefa, você começa a recorrer a ela para tudo. Diz-se quase sempre em tom de brincadeira.
Atrofia de competências: Perder uma competência que você deixou de praticar porque uma tool faz o trabalho. Com coding agents, a principal preocupação é a depuração: em um estudo foi onde apareceu a maior diferença, e é a competência de que você precisa para verificar o que um agent entrega.
Cinco níveis de autonomia: O modelo de Dan Shapiro para o quanto da programação um time entrega à IA, do Nível 0, em que uma pessoa escreve cada linha, ao Nível 5, a fábrica às escuras. É o modelo de uma pessoa, útil como vocabulário comum, e um mesmo time pode estar em vários níveis ao mesmo tempo.
Cruzar as respostas: Fazer a mesma pergunta importante em duas ferramentas e comparar. Se concordarem, você ganha confiança; se divergirem, tem ali algo para investigar.
Dívida de compreensão: A distância crescente entre a quantidade de código que um time colocou em produção e a parte dele que alguém no time entende. Ela se acumula em silêncio enquanto os testes continuam verdes, e aparece quando alguma coisa quebra. Também é chamada de dívida cognitiva.
Exemplo de referência: O trecho de código existente que você indica como modelo de um padrão, como um endpoint novo ou um teste. Os coding agents copiam o que encontram, então indicar o melhor exemplo orienta o que eles copiam.
Fábrica às escuras: O topo dos cinco níveis de autonomia de Dan Shapiro: entram especificações, sai software, e nenhuma pessoa escreve nem revisa o código. O nome vem das fábricas inteiramente operadas por robôs, onde ninguém trabalha.
Fluência em IA: A capacidade de trabalhar com IA, construir com ela e pensar ao lado dela. A competência com maior retorno da década.
Legibilidade para o agent: Se o conhecimento de que um agent precisa está num lugar que ele consegue abrir enquanto trabalha. Uma decisão que só vive numa reunião, numa conversa no chat ou na cabeça de alguém é ilegível: para o agent, ela não existe.
Lei de Goodhart: A observação de que um número deixa de ser uma boa medida quando as pessoas são recompensadas por ele. Transforme os pull requests abertos em meta e você vai ter mais pull requests, valham eles alguma coisa ou não.
Limite de trabalho em curso: Um teto para o número de tarefas começadas e ainda sem merge. Com coding agents em paralelo, defina esse teto pelo número de alterações que você consegue revisar e integrar, não pelo número de agents que você consegue colocar para trabalhar, e revise o que está esperando antes de começar mais.
Nota de transição: Uma nota curta que permite a uma session nova assumir uma tarefa: o objetivo nas palavras originais, as regras que têm que valer, o que está feito e como foi verificado, o que vem em seguida e o que não funcionou.
O trabalho tem que desaparecer: A ideia de que a IA deve apagar categorias inteiras de trabalho, eliminando tarefas de vez.
Paradoxo da supervisão: O problema de que supervisionar um agent de IA exige justamente as competências que depender dele pode enfraquecer. O estudo da Anthropic sobre os próprios engenheiros usa o termo para a programação: verificar o código de um agent pede as competências de programação que você pratica menos quando é ele que escreve o código.
Pensar primeiro na IA: Passar meio minuto em cada tarefa nova pensando em como a IA poderia ajudar, antes de fazer tudo à mão.
Reaprender a aprender: A meta-competência de continuar aprendendo à medida que a expertise antiga vai sendo automatizada. É a nova vantagem duradoura.
Triagem: Separar o trabalho que chega para que cada item vá para o lugar certo. Numa fábrica, cada item vai para um agent, para uma pessoa ou de volta ao autor, e cada decisão registra uma razão e um nível de confiança.