Criador do Claude Code Revela Fluxo de Trabalho, Desenvolvedores "Enlouquecem"

Estados Unidos - Agência de Notícias Ekhbary

Criador do Claude Code Revela Fluxo de Trabalho, Desenvolvedores "Enlouquecem"

Quando o criador do agente de codificação mais avançado do mundo fala, o Vale do Silício não apenas ouve – ele anota. Na última semana, a comunidade de engenharia tem dissecado um tópico no X (anteriormente Twitter) de Boris Cherny, criador e chefe do Claude Code na Anthropic. O que começou como um compartilhamento casual de sua configuração de terminal pessoal evoluiu rapidamente para um manifesto viral sobre o futuro do desenvolvimento de software, com insiders da indústria saudando-o como um momento decisivo para a startup.

O burburinho em torno das revelações de Cherny é palpável. "Se você não está lendo as melhores práticas do Claude Code diretamente de seu criador, você está atrasado como programador", escreveu Jeff Tang, uma voz proeminente na comunidade de desenvolvedores, destacando o valor percebido das percepções de Cherny. Kyle McNease, outro observador influente da indústria, amplificou esse sentimento, declarando que com as "atualizações que mudam o jogo" de Cherny, a Anthropic está "em chamas" e potencialmente experimentando "seu momento ChatGPT".

O cerne da empolgação reside em um paradoxo fascinante: o fluxo de trabalho de Cherny é notavelmente simples em sua conceituação, mas permite que um único humano opere com uma capacidade de produção tipicamente associada a um pequeno departamento de engenharia. Um usuário no X, após implementar a configuração de Cherny, descreveu a experiência como "mais parecida com Starcraft" do que com codificação tradicional. Essa analogia destaca uma mudança fundamental do processo manual e guiado por sintaxe de codificação para uma interação mais estratégica e orientada a comandos com agentes de IA autônomos.

Este artigo explora o fluxo de trabalho que está remodelando a forma como o software é construído, diretamente de seu arquiteto. Ele investiga como a execução simultânea de múltiplos agentes de IA transforma o processo de codificação em algo semelhante a um jogo de estratégia em tempo real.

Orquestrando Agentes de IA para Máxima Produtividade

A revelação mais impressionante de Cherny é seu desvio das práticas de codificação linear. O "loop interno" tradicional de desenvolvimento envolve um programador escrevendo uma função, testando-a e passando para a próxima. Cherny, no entanto, age mais como um maestro ou um comandante de frota, gerenciando vários assistentes de IA simultaneamente.

"Eu executo 5 Claude em paralelo no meu terminal", revelou Cherny. "Eu numero minhas abas de 1 a 5 e uso notificações do sistema para saber quando Claude precisa de entrada." Ao alavancar as notificações do sistema iTerm2, Cherny gerencia eficientemente cinco fluxos de trabalho simultâneos. Por exemplo, enquanto um agente de IA está executando um conjunto de testes, outro pode estar refatorando um módulo legado e um terceiro pode estar redigindo documentação. Complementarmente, ele também executa "5-10 Claude no claude.ai" em seu navegador, usando um comando "teleport" para transferir sessões perfeitamente entre a interface web e sua máquina local.

Essa abordagem valida fortemente a estratégia "fazer mais com menos" recentemente articulada pela presidente da Anthropic, Daniela Amodei. Em forte contraste com concorrentes como a OpenAI, que buscam massivas construções de infraestrutura, a Anthropic está demonstrando que uma orquestração superior e o uso inteligente de modelos de IA existentes podem gerar ganhos de produtividade exponenciais. Isso destaca uma mudança na estratégia competitiva dentro do cenário da IA, focando em eficiência e sinergia em vez de apenas em poder computacional bruto.

A Escolha Contraintuitiva: O Modelo Mais Lento e Mais Inteligente

Em um movimento que pode parecer contraintuitivo para uma indústria obcecada por velocidade e baixa latência, Cherny revelou seu uso exclusivo do modelo mais poderoso, embora mais lento, da Anthropic: Opus 4.5. "Eu uso Opus 4.5 com pensamento para tudo", explicou Cherny. "É o melhor modelo de codificação que já usei, e embora seja maior e mais lento que Sonnet, como você precisa guiá-lo menos e ele é melhor no uso de ferramentas, quase sempre é mais rápido do que usar um modelo menor no final."

Essa percepção é crucial para líderes de tecnologia corporativa. O principal gargalo no desenvolvimento moderno de IA geralmente não é a velocidade de geração de tokens, mas o tempo humano gasto corrigindo erros de IA. O fluxo de trabalho de Cherny sugere que aceitar um "imposto de computação" mais alto por um modelo mais capaz e inteligente antecipadamente pode eliminar significativamente o "imposto de correção" subsequente, levando a uma maior eficiência geral e a um tempo de lançamento no mercado mais rápido.

Aprendizado Contínuo: Um Arquivo Compartilhado para a Memória da IA

Cherny também detalhou a solução inovadora de sua equipe para o problema da "amnésia" da IA. Modelos de linguagem grandes padrão geralmente carecem de memória persistente dos estilos de codificação específicos de uma empresa ou de decisões arquitetônicas entre sessões.

Para superar isso, a equipe de Cherny mantém um único arquivo central chamado CLAUDE.md em seu repositório Git. "Sempre que vemos Claude fazer algo incorretamente, nós o adicionamos ao CLAUDE.md, para que Claude saiba não fazê-lo na próxima vez", escreveu ele. Essa prática transforma efetivamente a base de código em um organismo auto-corretivo e de aprendizado. Quando um desenvolvedor humano revisa um pull request e detecta um erro, ele não apenas corrige o código; ele também atualiza o arquivo CLAUDE.md, instruindo a IA sobre como evitar erros semelhantes no futuro. Como observou Aakash Gupta, um líder de produto que analisou o tópico, "Cada erro se torna uma regra." Quanto mais tempo a equipe colabora com a IA usando este método, mais inteligente e alinhado o agente se torna.

Automação via Comandos Slash e Sub-Agentes

O fluxo de trabalho "vanilla" altamente eficiente que recebeu elogios é impulsionado pela rigorosa automação de tarefas de desenvolvimento repetitivas. Cherny utiliza comandos slash e conceitos de sub-agentes para automatizar atividades demoradas, como a geração de casos de teste, a criação de pull requests e o tratamento de correções de bugs menores. Isso permite que os desenvolvedores humanos dediquem seus recursos cognitivos aos aspectos mais complexos de resolução de problemas e criativos da engenharia de software, expandindo, em última análise, os limites do que é possível no desenvolvimento impulsionado por IA.

Agência de Notícias Ekhbary