Artigos sobre desenvolvimento de software, inteligência artificial e tecnologia.
Não é bolha. O ganho individual da IA é real e medido, mas vaza no caminho até o resultado da empresa. Com dados de WRITER, MIT, Gartner, Goldman, Forrester e Google DORA, mostro onde o dinheiro some e o que separa os 29% que capturam valor.
Investigando um caso real de reward hacking no mcp-graph: como o feature-depth virou alvo de otimização e por que análise estática precisa de validação comportamental em loops agentic.
AISE é a disciplina emergente de 2026. Provo com o repo e o DORA Report 2025 que mcp-graph v12 é a camada de runtime onde Specification-Driven Development encontra Context-Driven Engineering.
Usar Obsidian como contexto para IA revela o quanto você ainda não entende como contexto funciona. Uma crítica sem diplomacia ao 'segundo cérebro'.
Rodei um programa factorial com 18 células, 14 modelos e N=50 por célula para testar se adicionar harness em inferência melhora qualidade de agentes. Em 17 de 18 casos: nenhum efeito. O que importa é o objetivo de treino.
Em times que usam agentes autônomos, o maior gerador de alucinação não é o LLM. É a ausência de contratos, gates e rastreabilidade no código.
Uma analogia clássica da psicologia comportamental revela o princípio mais ignorado na construção de agentes de IA: sem paredes, não há caminho.
Montei um setup de $900 com RTX 3060 Ti e rodei modelos de 8B a 70B parâmetros. Os dados revelaram um fenômeno que ninguém documentou: o GPU Offloading Cliff.
Li A Startup Enxuta em 2026, 15 anos depois da publicação. O que encontrei foi um framework que encaixa perfeitamente com agentes de IA e mcp-graph como guardrail de execução.
IA faz tudo. Mas se você não entende o que está por baixo, você é substituível. Os fundamentos técnicos que separam quem usa IA de quem é usado por ela.
Nem todo problema precisa de IA. Muitos têm soluções determinísticas mais rápidas, baratas e confiáveis. Um framework prático para decidir entre IA, não-IA e abordagem híbrida.
O Claude Code lançou silenciosamente uma das funcionalidades de agentes mais inteligentes que já vi. Ela se chama Auto Dream e funciona como o cérebro humano durante o sono.
Por que correr atrás de frameworks e certificações virou correr atrás do vento. Uma tese filosófica sobre o que realmente importa para desenvolvedores na era da inteligência artificial.
Um guia prático e aprofundado sobre técnicas avançadas de prompt engineering, com exemplos reais de chain-of-thought, few-shot, output estruturado e gerenciamento de contexto.
Um guia técnico e prático sobre Retrieval-Augmented Generation, cobrindo arquitetura, estratégias de chunking, modelos de embedding, bancos vetoriais e os desafios reais que enfrentei em produção.
Um estudo real sobre como uma pessoa e uma inteligência artificial construíram juntas um software completo em apenas 9 dias. Entenda o processo, os números e as lições.
Como grafos de execução, RAG local e coordenação multi-agente transformam o desenvolvimento com IA - e por que disciplina importa mais que prompts.
Um agente de IA que não entende a arquitetura do seu código vai quebrar coisas. O GitNexus resolve isso transformando repositórios em grafos navegáveis, com análise de impacto e busca híbrida.
A transição de assistentes que sugerem código para agentes que navegam, entendem e modificam projetos inteiros. O que mudou, o que funciona e o que ainda não funciona.
Como o Model Context Protocol saiu de um projeto da Anthropic para se tornar o padrão da indústria em 5 meses. Arquitetura, por que funciona e como muda o desenvolvimento com IA.
A maioria dos desenvolvedores gasta 30-50% mais tokens do que precisa. Entenda por que isso acontece, quanto custa na prática e quais técnicas reduzem o desperdício sem perder qualidade.