Bram Cohen critica o 'vibe coding' e as práticas de desenvolvimento assistidas por IA

O problema da 'programação por vibração'
O artigo de Bram Cohen critica o que ele chama de 'programação por vibração' — uma abordagem de desenvolvimento em que as equipes usam assistentes de IA para codificação enquanto deliberadamente evitam olhar para o código subjacente. Ele argumenta que isso é 'dogfooding descontrolado', onde usar seu próprio produto se torna uma atividade de culto que vai além dos limites razoáveis.
Exemplo do código-fonte do Claude
O artigo cita o vazamento do código-fonte do Claude como um estudo de caso. Cohen observa que, quando as pessoas examinaram o código vazado, encontraram problemas significativos de duplicação — especificamente, 'um monte de coisas que são tanto agentes quanto ferramentas'. Ele questiona por que os desenvolvedores não perceberam isso sozinhos, atribuindo isso à mentalidade da 'programação por vibração', onde 'olhar sob o capô é trapaça'.
Abordagem prática de colaboração com IA
Cohen defende uma abordagem mais engajada para o desenvolvimento assistido por IA:
- Inicie conversas com a IA sobre problemas específicos de qualidade de código: 'Vamos auditar esta base de código em busca de código inacessível' ou 'Esta função faz meus olhos sangrarem'
- Tenha discussões até que itens acionáveis surjam
- Explique o que deve ser feito e continue discutindo até que 'eu pare de ter mais pensamentos para dar e a máquina pare de dizer coisas estúpidas que precisam ser corrigidas'
- Use o 'Modo Pergunta' para percorrer exemplos, compartilhar raciocínios e corrigir a IA quando ela estiver errada
Exemplo específico de fluxo de trabalho
Cohen fornece um exemplo concreto de como trabalhar com a IA na limpeza de código:
"Há muitas coisas que são tanto agentes quanto ferramentas. Vamos passar por elas e fazer uma lista de todas, olhar alguns exemplos, e eu vou te dizer quais devem ser agentes e quais devem ser ferramentas. Vamos ter uma discussão e descobrir as diretrizes gerais. Então vamos auditar todo o conjunto, descobrir a qual categoria cada um pertence, portar aqueles que estão no tipo errado, e para aqueles que são ambos, ler ambas as versões e consolidá-las em um documento com o melhor de cada."
Ele observa que, após discussões suficientes de ida e volta, a IA muitas vezes pode 'fazer o que parece ser a execução de uma tarefa de uma só vez', mas enfatiza que isso não é verdadeiramente uma execução única — há uma orientação humana significativa antes que esclarece casos extremos e problemas potenciais.
Argumento central
O ponto principal de Cohen é que 'software ruim é uma escolha que você faz'. Ele argumenta que, embora a IA possa ajudar a limpar a dívida técnica rapidamente (às vezes em semanas em vez de anos), os desenvolvedores ainda precisam se envolver com o código e fornecer orientações específicas. A IA é 'muito ruim em perceber espontaneamente, "Tenho muito código espaguete aqui, devo limpá-lo"', mas é eficaz quando recebe direções claras.
📖 Leia a fonte completa: HN LLM Tools
👀 See Also

ThermoQA: Benchmark Aberto para Testar LLMs em 293 Problemas de Cálculo de Termodinâmica de Engenharia
ThermoQA é um benchmark aberto com 293 problemas de termodinâmica de engenharia em três níveis, testando LLMs em cálculos numéricos exatos. Claude Opus 4.6 lidera com 94,1% de pontuação composta, enquanto DeepSeek-R1 mostra a maior variação entre execuções em ±2,5%.

Crítica da Abstração de Limites e Abordagem de Integração de Serviços do MCP
Uma discussão no Reddit critica o MCP por agrupar acesso à API, ferramentas eficientes e conhecimento de domínio em uma única camada, argumentando que isso cria interfaces limitadas em comparação com as APIs subjacentes. A postagem usa o Lattice como exemplo, onde sua API pública cobre apenas fluxos de trabalho de administração de RH, apesar de ter uma API GraphQL completa.

Modelos Qwen3 Small Ajustados Superam LLMs de Ponta em Tarefas Específicas com Custo Menor
Modelos Qwen3 destilados (0,6B a 8B parâmetros) igualaram ou superaram modelos de API de fronteira como GPT-5, Gemini e Claude em 6 de 9 tarefas, incluindo chamada de funções e Text2SQL, com custo tão baixo quanto US$ 3 por milhão de requisições versus US$ 378 para desempenho comparável.
Claude Code v2.1.140: Notas sobre o uso de ferramentas do agente, regras mais rigorosas de automodificação, alertas de adiamento
Notas simplificadas da ferramenta de agente, lista explícita de caminhos de automodificação e um aviso contra despertares de soneca de intervalo curto para polling.