Usando IA para Escrever Código Melhor e Mais Devagar: Um Fluxo de Trabalho para Encontrar Bugs
Desenvolvedores cansados de canhões de slop de IA podem apreciar a alternativa de Nolan Lawson: usar LLMs para escrever código melhor, mais devagar. A sacada principal: jogue múltiplos agentes em uma revisão de PR para encontrar bugs classificados por severidade e, então, corrija-os metodicamente.
Como Funciona
Lawson descreve uma habilidade do Claude adaptada de um insight central de outro artigo: quanto mais modelos diferentes você joga em uma revisão de PR, menos alucinações ou bugs falsos aparecem. A habilidade executa três agentes — subagente Claude, Codex e Cursor Bugbot — para encontrar bugs em um PR, classificados como crítico/alto/médio/baixo. Depois que terminam, você revisa os achados, descarta falsos positivos e escreve um relatório final.
Defina "bug" nos seus próprios termos: Lawson inclui princípios KISS/DRY, HTML/JSX acessível, índices SQL adequados, etc. Alega taxa de falsos positivos próxima de zero, e a habilidade sempre encontra toneladas de bugs — desde questões críticas de segurança a comentários enganosos.
Workflow Típico
- Peça a um agente que corrija todos os críticos e altos (com sua orientação sobre a solução adequada) e repita até não restarem mais.
- Pule altos/médios onde o esforço de correção (ex.: 100 linhas para um caso extremo raro) não vale a pena.
- Abandone o PR se ele tiver tantos críticos que a abordagem inteira está equivocada.
O processo de revisão frequentemente encontra bugs pré-existentes, levando a missões secundárias tangenciais escrevendo testes unitários e corrigindo falhas sutis. Isso é o oposto do desenvolvimento com canhão de slop de produtividade 10x, mas melhora a saúde geral do código e aprofunda seu entendimento dos modos de falha.
Se você é cético em relação à IA para codificação, isso não o convencerá. Mas se você está produzindo PRs de centenas de linhas que mal entende, Lawson convida você a desacelerar: pergunte a um agente como seu PR funciona e como pode falhar, peça que ele escreva docs em Markdown com diagramas Mermaid, ou use a habilidade /grill-me de Matt Pocock até entender o PR inteiro de ponta a ponta.
Discussões relacionadas no Hacker News: Thread HN (748 pontos, 288 comentários).
📖 Leia a fonte completa: HN AI Agents
👀 See Also
Como a Memória do OpenCLAW Realmente Funciona: Corrigindo o 'Esquecimento' do Agente
Os agentes OpenCLAW não possuem memória persistente entre conversas - eles reconstroem o contexto a partir de arquivos como SOUL.md, USER.md e MEMORY.md a cada vez. Problemas comuns de 'esquecimento' surgem de sessões antigas, arquivos de memória desestruturados e armazenamento de informações importantes no histórico de chat em vez de arquivos permanentes.
Pare de Perguntar Qual Modelo de IA Usar: Roteie Tarefas para os Níveis Haiku, Sonnet e Opus
Use pelo menos três modelos por tipo de tarefa: nível Haiku para ler/resumir, nível Sonnet para escrever código, e nível Opus apenas para refatorações multiarquivo e depuração. A configuração de um usuário direciona 40% para modelos baratos, 35% para intermediários, 25% para os mais avançados, custando cerca de $30-40/mês.
Estratégias Práticas de Codificação em IA a partir de 1000 Horas de Experiência
Uma postagem do Reddit descreve níveis específicos de prompts e estratégias de fluxo de trabalho para usar agentes de IA de codificação de forma eficaz, incluindo tratar a IA como um desenvolvedor júnior, implementação em fases e uso de arquivos de instrução.
5 Erros Comuns na Configuração do OpenClaw e Como Corrigi-los
Correções práticas para os cinco erros mais comuns na configuração do OpenClaw: pular a memória persistente, sem acesso externo, sobrecarga do prompt do sistema, falta de comportamento de fallback e uso de um único modelo.