Dia 2 - Agentes, RAG e Codificação Assistida

Aqui a aula sai do conceito e entra no como construir sistemas reais com IA

Aula 2

🧠 1. Paradigmas de desenvolvimento com IA

A aula apresenta dois modos principais de desenvolvimento

🔹 1. Desenvolvimento assistido e iterativo

📌 Modelo mais próximo do que usamos hoje (Copilot, ChatGPT)

Características:

• Desenvolvimento em conjunto com IA
• Decisões tomadas iterativamente
• Alta granularidade (passo a passo)
• Dev “assiste” a IA codar
• Baixa paralelização

💡 Insight técnico

Dev → Prompt → IA → Código → Feedback → Ajuste → (loop)

👉 Muito controle, pouca escala

🔹 2. Desenvolvimento paralelo (com agentes)

📌 Evolução natural

Características:

• Execução simultânea de múltiplas tasks
• Agentes trabalhando em paralelo
• Observabilidade em tempo real (logs, commits)
• Ambientes isolados

🔥 Base estrutural: Git Worktree

A aula enfatiza MUITO isso:

Git Worktree é a base para desenvolvimento paralelo com agentes

🧱 Como funciona

repo (main)
 ├── repo (feature 1)
 ├── repo (feature 2)
 └── repo (feature 3)

👉 Cada agente trabalha em uma “cópia isolada”

⚠️ Regras importantes

• Uma branch não pode estar em uso em múltiplos worktrees
• Worktree cria relação explícita entre branches

💡 Insight avançado

Isso resolve:

• Concorrência entre agentes
• Isolamento de contexto
• Execução paralela real

🧠 2. Codificação assistida na prática

A aula mostra um ponto MUITO importante:

IA não só escreve código - ela segue regras estruturadas

🧾 Exemplo real (extraído da aula)

quero separar algumas regras do @CLAUDE.md, vamos criar claude rules.

questões dos controllers ficam em controllers.md e atingem somente os arquivos de controllers.
questões dos services ficam em services.md e atingem somente os arquivos de services.
questões de testes ficam em testing.md e atingem somente os arquivos de testes.

🧠 O que isso mostra?

• Prompt como configuração de sistema
• IA seguindo:
  • regras de arquitetura
  • padrões de teste
  • convenções

👉 Isso é Context Engineering aplicado

🧠 3. Gerenciamento de prompts em sistemas reais

A aula reforça:

Prompt = artefato versionado

📌 Características

• Define comportamento do agente
• Impacta:
  • custo
  • latência
  • qualidade

🧩 Estrutura organizacional

• Prompts por domínio (controllers, services, tests)
• Regras globais + específicas
• Versionamento

🛠️ Ferramentas citadas

• LangSmith
• PromptLayer
• LangFuse

💡 Insight

Prompt deixa de ser texto → vira configuração declarativa do sistema

🧠 4. RAG (Retrieval-Augmented Generation)

📌 Definição prática

Técnica para injetar contexto dinâmico na IA

🧩 Fontes de dados

• PDFs
• Web
• Google Docs
• Notion
• Banco de dados interno

🔄 Fluxo

Pergunta → Busca (vector search) → Contexto → LLM → Resposta

💡 Por que isso importa?

Resolve:

• Falta de contexto
• Alucinação
• Desatualização

⚠️ Trade-offs

• Latência ↑
• Custo ↑
• Complexidade ↑

🧠 5. Agentes de IA (nível prático)

A aula conecta tudo:

Agentes = Prompt + Contexto + Tools + Loop

🔄 Comportamento

• Recebe objetivo
• Planeja
• Executa ações
• Observa resultado
• Itera

🧠 Modelo mental

Agent:
  Thought → Action → Observation → loop

👉 Mesmo padrão do ReAct da Aula 1

🛠️ O que agentes fazem na prática

• Criam código
• Abrem PRs
• Executam testes
• Corrigem bugs

🧠 6. Impacto no workflow de engenharia

A aula mostra uma mudança estrutural:

🔄 Antes

Dev → Código → PR → Review → Deploy

🚀 Agora

Dev → Orquestra agentes →
   agentes codam →
   agentes testam →
   agentes revisam →
   Dev valida →
   Deploy

💡 Insight

Desenvolvimento vira um sistema distribuído de agentes

🧠 7. Ambientes e execução

📌 Tipos de ambiente

• Local
• Remoto
• GitHub (CI/CD)

🔥 Importante

• Agentes precisam de ambiente isolado
• Execução paralela exige separação clara

👉 novamente → Git Worktree

🧠 8. Observabilidade e controle

📌 Necessidades novas

• Logs de agentes
• Rastreamento de decisões
• Versionamento de contexto

💡 Insight

Debug agora inclui:

• Prompt
• Contexto
• Resposta

🧠 9. Conexão com Aula 1 (integração final)

A Aula 2 operacionaliza tudo:

Aula 1	Aula 2
Prompt Engineering	Prompts versionados
Context Engineering	RAG + rules
ReAct	Agentes reais
IA como conceito	IA como sistema

🚀 10. Síntese final (nível sênior)

🧠 O que você precisa dominar

• Prompt como código
• Contexto como arquitetura
• RAG como fonte de verdade
• Agentes como runtime

🔥 Novo modelo mental

Sistema com IA:

Inputs →
Context Builder →
RAG →
Agent Loop →
Tools →
Output

💡 Frase-chave da aula

“Você não desenvolve mais só software - você desenvolve sistemas que desenvolvem software.”

🧩 TL;DR prático

• Comece com assistido
• Evolua para agentes
• Use RAG para contexto
• Versione prompts
• Use worktrees para paralelismo