Aletheia
Full Walkthrough: Workflow for AI Coding — Matt Pocock
Você pede uma funcionalidade, recebe alterações no banco e na API, mas ainda não consegue testar o que o usuário fará na tela. Eu vejo nesse intervalo um problema concreto: o código avança antes de existir uma entrega integrada que permita verificar a direção. No workshop de Matt Pocock, reduzir esse intervalo é uma parte importante do trabalho com agentes, sem dispensar as limitações dos próprios modelos.
No workshop transmitido pelo canal AI Engineer, o educador Matt Pocock examina esse problema ao apresentar um fluxo de trabalho estruturado para agentes de codificação. A questão central levantada pela demonstração é que o uso eficaz de IA em engenharia de software depende do resgate de fundamentos clássicos de desenvolvimento, e não apenas de novas capacidades dos modelos. O caso se destaca por demonstrar como a degradação de desempenho em janelas de contexto amplas exige a imposição de limites claros antes que qualquer linha de código seja gerada. Observo que essa abordagem desloca o foco da mera digitação automatizada para a criação de um ambiente de controle rigoroso.
“You don't get feedback on your work until you've really started or completed phase three.”
O mecanismo proposto substitui os pedidos diretos por sessões de questionamento em que a própria IA contesta os requisitos informados e força o alinhamento de escopo. Em vez de dividir as tarefas em camadas horizontais isoladas, as demandas são fatiadas em entregas verticais que geram alterações visíveis e testáveis na aplicação. Essas partes alimentam um quadro de pendências independentes, permitindo que subagentes trabalhem em paralelo sob a validação contínua de suítes de testes e checagem de tipos. Essa organização mantém os agentes atuando em intervalos curtos de contexto, reduzindo a ocorrência de erros estruturais durante a implementação.
A eficácia dessa arquitetura depende de condições organizacionais bem definidas, como o uso de conceitos da literatura clássica de software para instruir os comandos e a separação de papéis entre os modelos. Na demonstração, Pocock emprega um modelo focado em execução para a escrita e reserva um modelo de maior capacidade analítica para a revisão de código e a identificação de lacunas na arquitetura. Na demonstração, o agente executa testes e checagem de tipos, mas o uso manual ainda revela uma tabela ausente. Esse detalhe importa: uma suíte passar não confirma que a funcionalidade está pronta. Pocock também mostra tarefas paralelas em worktrees e containers separados, com dependências explícitas antes da integração. O alcance desse exemplo, contudo, limita-se a um ambiente controlado de demonstração, sem garantias de que o mesmo fluxo resolva gargalos em sistemas legados altamente acoplados.
“The thing that really matters is getting alignment with the AI, which is you do in the grilling session initially.”
A implicação para a rotina de desenvolvimento é o reposicionamento do engenheiro de software, que deixa de focar na escrita braçal para atuar como orquestrador e guardião da arquitetura do repositório. Considero que a adoção de assistentes de IA não elimina a necessidade de disciplina metodológica, mas exige ainda mais clareza no planejamento prévio. Quando o processo de desenvolvimento é frágil, a automação apenas acelera a acoplagem e o acúmulo de código descartável. Diante desse cenário, em que medida a frustração com o desempenho das ferramentas de IA reflete a nossa própria dificuldade de definir com precisão o que queremos construir?
Assistir: Full Walkthrough: Workflow for AI Coding — Matt Pocock · AI Engineer