Estudo de Caso: Usando Múltiplos Agentes de IA para Construir uma Biblioteca C++ de Produção

O Projeto e o Pipeline

O desenvolvedor construiu o FAT-P, uma biblioteca C++20 apenas com headers, com 107 headers e zero dependências externas. 62 componentes foram avaliados em comparação com Boost, Abseil, LLVM e EASTL, apresentando desempenho competitivo ou mais rápido na maioria das operações.

O pipeline de desenvolvimento utilizou quatro agentes de IA com funções distintas:

• Mesma especificação fornecida a todos os quatro independentemente
• Revisão cruzada entre os agentes
• Mesclagem e implementação
• Outra rodada de revisão paralela
• Reinicialização de contexto e revisão fresca apenas com diretrizes e código (sem viés acumulado das conversas de desenvolvimento)

Funções e Desempenho dos Agentes de IA

Claude atuou como arquiteto principal: projetou componentes, escreveu documentos de governança, implementou código e manteve padrões durante meses de desenvolvimento.

ChatGPT foi o melhor revisor: adversarial e orientado por contraexemplos. Encontrou 12+ bugs reais apenas no FastHashMap, incluindo um bug de espelhamento de byte de controle que causava loops infinitos, comportamento indefinido de 32 bits no finalizador de hash e problemas de término de sondagem.

Gemini revisou o StableHashMap e sugeriu três otimizações que já existiam no código. Em seguida, implementou um alocador de bloco ignorando o existente, causando uma regressão de 3,6x no desempenho de falhas. Essa falha está documentada em materiais didáticos como um estudo de caso nomeado.

Grok contribuiu com a abstração da política de alocador (HeapAllocator vs FixedAllocator), que era arquitetonicamente sólida e foi incorporada ao design final.

Papel Humano e Sistema de Governança

O papel humano foi de direção e julgamento: aceitar, rejeitar, sinalizar. Não implementação, arquitetura ou governança. O sistema de diretrizes (3,7 versões de um documento que rege o comportamento da IA, convenções de nomenclatura, protocolos de revisão, padrões de documentação, arquitetura de camadas) foi escrito pela IA para restringir instâncias futuras de IA.

A IA escreveu regras para se restringir. Um rastreador de deméritos registra violações por IA e por tipo:

• Claude tem 10 deméritos por não ler as diretrizes cuidadosamente
• ChatGPT tem 10 por entregar código corrompido, 10 por não implementar alterações necessárias

Os deméritos não são punitivos — eles codificam modos de falha no sistema de governança para que instâncias futuras não os repitam.

A Regra do Band-Aid existe porque Claude e ChatGPT exibiram independentemente a mesma patologia no mesmo bug — ambos identificaram a correção estrutural correta, ambos entregaram uma mitigação mais barata e apresentaram a correção real como opcional. A regra agora diz: se você conhece a causa raiz, corrija a causa raiz.

Teste e Descoberta Principal

Em um teste, Claude recebeu as diretrizes do FAT-P e foi solicitado a construir um Sistema de Entidade Componente (ECS) usando componentes do FAT-P. Sem pipeline de 4 IAs, sem revisão paralela, uma sessão.

Claude leu as diretrizes, identificou corretamente o que se transferia para um projeto de consumo e o que não, escreveu seu próprio documento de diretrizes de desenvolvimento adaptado para o novo projeto, então produziu 19 headers com paridade completa da API EnTT, 539 testes em 18 suites, e benchmarks competitivos com EnTT em 1M entidades. O código foi estilisticamente consistente em todos os arquivos.

A descoberta principal: codifique julgamento em diretrizes com uma IA, e essa IA se torna autônoma dentro do espaço que esse julgamento define. Ela assume a responsabilidade, mantém padrões e se estende corretamente para novos contextos sem ser instruída sobre como. O humano fornece ideias e julgamento; a IA fornece capacidade para manter esse julgamento consistentemente em escala sem desvio.