Depois de centenas de horas mergulhadas em uma maratona de IA, com dezenas de projetos e pilhas de código gerado, as conclusões práticas começam a surgir. Não se trata de marketing, mas de vivência real, de laboratório.
É crucial pontuar: a maioria dos projetos frank-* no GitHub, por exemplo, são mais experimentos do que produtos prontos. São provas de conceito, funcionam no ambiente de quem os criou, mas não são, ainda, dependências críticas para uma empresa. Como destaca o autor, "publiquei no GitHub" não é sinônimo de "está production ready".
Existem, claro, exceções. O FrankMD, por exemplo, "recebeu uma quantidade decente de contribuições, testes, lapidação, correções de bugs reais, uso real" e se mostra mais estável. Contudo, a ideia central permanece: esses projetos nasceram em um "laboratório de vibe coding", não de um plano de produto com roadmap e suporte empresarial.
Este post se debruça sobre o que foi aprendido nesse laboratório. São ferramentas, hábitos e recomendações. Nada de místico, "nenhuma nova forma revolucionária de programar". É, no fundo, engenharia tradicional com um toque de ferramenta moderna.
Primeiro: não vire um colecionador de agentes
Para um desenvolvedor comum, a ideia de ter doze agentes, quarenta wrappers e sete orquestradores para escrever um simples if é um exagero. A recomendação é focar em "Claude Code, Codex ou opencode. Só isso."
Modelos como Gemini CLI, Cursor, Windsurf, Crush, OpenClaw, Pi ou Aider surgem a todo momento. O autor testou muitos deles. Segundo ele, a "conclusão é chata e óbvia: hoje, as melhores opções de custo-benefício pra programação pesada são Opus 4.7 e GPT 5.5 nos planos Pro/Plus/Max subsidiados." Nada se compara a eles para quem trabalha por muitas horas diárias.
Pagar por token diretamente pode ser caro, mas planos mensais subsidiados são mais em conta. Por isso, a alternância entre Claude Code e Codex se dá "não porque eu quero multi-agent architecture, mas porque os planos têm limites e eu trabalho muitas horas seguidas."
DeepSeek v4 e Kimi 2.6 são mais baratos e usáveis, mas para Agile Vibe Coding, ainda "tropeçam mais em continuidade, em refatoração longa, em testes, em entender o projeto inteiro." Para produtividade consistente, Opus e GPT ainda são a referência.
Rodar modelos open source localmente é interessante para experimentos e estudo. O autor brincou bastante com isso no review do Minisforum MS-S1 Max. Mas "pra Agile Vibe Coding o dia inteiro, todo dia, ainda não é prático. Latência, contexto, qualidade, manutenção do setup, VRAM, tudo cobra imposto."
A complexidade de rodar múltiplos LLMs em paralelo – como "planner + executor + reviewer + juiz" – também não se justifica. A ideia é atraente no papel, mas na prática "aumenta custo, aumenta latência, aumenta superfície de erro, e o ganho não paga a complexidade."
O verdadeiro segredo não está na quantidade de agentes. Esqueça OpenClaw ou Pi para o dia a dia. O que importa é o processo de engenharia: XP, testes, "Clean Code pra agentes de IA", CI, pair programming, refatoração constante, código enxuto e deploy automatizado com feedback rápido.
A ferramenta é um auxílio, mas a engenharia é que prevalece.
ai-jail: autonomia com cerca
Uma das ferramentas desenvolvidas pelo autor é o ai-jail, uma "mini-sandbox para agentes de código". A ideia é simples: dar ao agente um ambiente limitado para execução. "Não muito diferente de um chroot antigo, ou de um container bem minimalista." Isso permite que o agente "crie arquivos, rode testes, compile, execute o que quiser", mas sem acesso irrestrito ao sistema. Os arquivos gerados são temporários e isolados.
Isso permite um "ambiente mais seguro e reproduzível para experimentação". Assim, um agente pode tentar resolver um problema, criar um arquivo e executar. Se funcionar, o resultado é copiado para o projeto principal. Se não, o ambiente é descartado. É uma forma de "dar liberdade sem dar acesso à jaula inteira".
ai-memory: o agente lembra, mas não se apega
A memória é um desafio persistente para LLMs, e o ai-memory é uma "tentativa de aliviar um dos maiores problemas de continuidade". Em vez de mandar todo o projeto para o agente a cada interação, o ai-memory usa um "sistema de diffs" para enviar apenas as mudanças relevantes. Isso economiza tokens e tempo, especialmente em projetos maiores.
A ferramenta funciona em duas etapas: primeiramente, ela compara o estado atual do projeto com uma versão anterior. Em seguida, as mudanças são enviadas ao agente, que então pode "tomar decisões baseadas nas alterações relevantes". É uma memória que "lembra o suficiente para continuar trabalhando, mas não o suficiente para travar o contexto com coisas inúteis".
ai-usagebar: visualize o uso de token em tempo real
O ai-usagebar é uma ferramenta visual que "mostra o consumo de tokens em tempo real". É um indicador simples, mas poderoso, para quem trabalha com modelos de IA. Ele ajuda a "visualizar o custo de cada interação", o que é crucial para gerenciar orçamentos e otimizar as interações.
A barra de uso "fica visível no terminal", permitindo que o desenvolvedor veja "quantos tokens foram usados em cada prompt" e como isso se compara aos limites do plano. É uma "forma simples de manter o controle sobre o gasto de tokens", algo essencial para quem depende de LLMs em seu fluxo de trabalho.
Outras dicas e hábitos importantes
Além das ferramentas, o autor compartilha alguns hábitos: usar tmux para organizar sessões de trabalho, fzf para navegação rápida de arquivos, rg (ripgrep) para busca veloz e um prompt customizado "com as informações mais importantes". São pequenas otimizações que, juntas, "fazem uma diferença brutal na produtividade".
Uma dica fundamental é "não tentar resolver tudo com IA". A inteligência artificial é uma ferramenta, não uma solução mágica para todos os problemas. "Comece com o menor arquivo possível", e use o agente para "um problema por vez". Testar o código gerado é igualmente importante; "confie, mas verifique".
Por fim, a ideia de que "engenharia ganha" é o pilar de tudo. As ferramentas de IA são auxiliares poderosos, mas o processo de desenvolvimento, as práticas de clean code e os princípios de engenharia de software continuam sendo a base para o sucesso de qualquer projeto.