O Criador do Claude Code Revela seu Fluxo de Trabalho, Gerando Frenesi entre Desenvolvedores

Estados Unidos - Agência de Notícias Ekhbary

O Criador do Claude Code Revela seu Fluxo de Trabalho, Gerando Frenesi entre Desenvolvedores

Quando a mente por trás do agente de codificação mais avançado do mundo fala, o Vale do Silício não apenas ouve — ele anota meticulosamente. Na última semana, a comunidade global de engenharia tem dissecado intensamente um tópico no X (anteriormente Twitter) escrito por Boris Cherny, o criador e chefe do Claude Code na gigante de IA Anthropic. O que começou como um compartilhamento aparentemente casual de sua configuração de terminal pessoal evoluiu rapidamente para um manifesto viral, traçando um novo curso para o futuro do desenvolvimento de software. Fontes internas da indústria já o estão chamando de um momento decisivo para a startup.

A importância das percepções de Cherny foi destacada por figuras proeminentes na esfera dos desenvolvedores. Jeff Tang, uma voz respeitada na comunidade, comentou: "Se você não está lendo as melhores práticas do Claude Code diretamente de seu criador, você está atrasado como programador." Kyle McNease, outro observador perspicaz da indústria, ampliou o sentimento, declarando que com as "atualizações que mudam o jogo" de Cherny, a Anthropic está "em chamas", potencialmente experimentando "seu momento ChatGPT".

No centro dessa excitação reside um paradoxo convincente: o fluxo de trabalho de Cherny é surpreendentemente simples, e ainda assim permite que um único indivíduo alcance a capacidade de produção tipicamente associada a um pequeno departamento de engenharia. Um usuário, após implementar a configuração de Cherny, descreveu a experiência no X como "mais parecida com Starcraft" do que com codificação tradicional. Essa metáfora captura uma mudança fundamental da tarefa árdua de digitar sintaxe para o ato mais estratégico de comandar agentes autônomos.

Desconstruindo o Fluxo de Trabalho que Remodela a Construção de Software

A revelação de Cherny oferece uma análise detalhada de um fluxo de trabalho que está alterando fundamentalmente a forma como o software é construído. Talvez a revelação mais impressionante seja seu afastamento das práticas de codificação lineares. O "loop interno" tradicional do desenvolvimento de software envolve um programador que escreve uma função, a testa e, em seguida, passa para a próxima tarefa. Cherny, no entanto, adota a postura de um comandante de frota.

"Eu rodo 5 Claude em paralelo no meu terminal", compartilhou Cherny. "Eu numerei minhas abas de 1 a 5 e uso notificações do sistema para saber quando um Claude precisa de entrada." Ao alavancar as notificações do sistema iTerm2, Cherny coordena eficazmente cinco fluxos de trabalho simultâneos. Enquanto um agente de IA executa diligentemente um conjunto de testes, outro pode estar ocupado refatorando um módulo legado e um terceiro pode estar redigindo documentação essencial. Seu escopo operacional se estende ainda mais; ele também executa "5-10 Claude no claude.ai" em seu navegador, utilizando um comando "teleport" para transferir sessões sem problemas entre a interface web e sua máquina local.

Essa metodologia valida fortemente a estratégia "fazer mais com menos" recentemente articulada pela presidente da Anthropic, Daniela Amodei. Em forte contraste com concorrentes como OpenAI, que estão investindo pesadamente em enormes construções de infraestrutura, a Anthropic está demonstrando que a organização superior e o uso inteligente de modelos de IA existentes podem desbloquear ganhos exponenciais de produtividade.

O Caso Contraintuitivo para o Modelo Mais Lento e Mais Inteligente

Em um movimento que desafia a obsessão generalizada da indústria por baixa latência, Cherny revelou sua dependência exclusiva do modelo mais poderoso, embora mais lento, da Anthropic: Opus 4.5. "Eu uso o Opus 4.5 com 'thinking' para tudo", explicou Cherny. "É o melhor modelo de codificação que já usei, e embora seja maior e mais lento que o Sonnet, como você precisa guiá-lo menos e ele é melhor no uso de ferramentas, ele é quase sempre mais rápido do que usar um modelo menor no final."

Essa percepção é crucial para os líderes de tecnologia corporativos. O principal gargalo no desenvolvimento contemporâneo de IA não é a velocidade bruta de geração de tokens; é o tempo humano significativo investido na correção de erros gerados por IA. O fluxo de trabalho de Cherny sugere que absorver o "imposto de computação" por um modelo mais capaz e inteligente antecipadamente pode efetivamente eliminar o "imposto de correção" muito mais caro posteriormente.

Um Arquivo Compartilhado Transforma Cada Erro de IA em uma Lição Permanente

Cherny também detalhou a solução inovadora de sua equipe para o problema persistente da amnésia de IA – a incapacidade dos modelos de linguagem grandes padrão de reter estilos de codificação específicos da empresa ou decisões arquitetônicas entre diferentes sessões.

Para combater isso, a equipe de Cherny mantém um único arquivo crucial chamado CLAUDE.md em seu repositório Git. "Sempre que vemos Claude fazer algo incorretamente, adicionamos ao CLAUDE.md, para que Claude saiba não fazer isso na próxima vez", afirmou. Essa prática transforma efetivamente a base de código em um organismo autocorrector. Quando um desenvolvedor humano revisa uma solicitação de extração (pull request) e detecta um erro, ele não apenas corrige o código; ele instrui a IA a atualizar suas próprias diretrizes. Aakash Gupta, um líder de produto analisando o tópico, observou: "Todo erro se torna uma regra." Consequentemente, quanto mais tempo a equipe colabora, mais refinado e inteligente o agente de IA se torna.

Comandos Slash e Subagentes Automatizam as Tarefas de Desenvolvimento Mais Tediosas

A eficiência do que um observador elogiou como um fluxo de trabalho "padrão" é impulsionada por uma rigorosa automação de tarefas repetitivas. Cherny emprega comandos slash – atalhos personalizados integrados ao repositório do projeto – permitindo a execução de operações complexas com um único toque de tecla. Ele destacou um comando chamado /commit-push-pr, que ele invoca dezenas de vezes por dia. Isso elimina a necessidade de digitar manualmente comandos Git, escrever uma mensagem de commit e criar uma solicitação de extração, pois o agente lida autonomamente com a burocracia do controle de versão.

Além disso, Cherny implanta subagentes – personas de IA especializadas – para gerenciar fases distintas do ciclo de vida de desenvolvimento. Ele usa um simplificador de código (code-simplifier) para refinar a arquitetura após a conclusão do trabalho principal e um agente verificador de aplicativos (verify-app) para executar testes de ponta a ponta antes que qualquer coisa seja enviada.

Loops de Verificação: A Verdadeira Chave para Código Gerado por IA

Se houver uma única razão pela qual o Claude Code relatou ter alcançado US$ 1 bilhão em receita recorrente anual tão rapidamente, é provável que seja a implementação de loops de verificação. A IA não é apenas um gerador de texto; funciona como um testador integrado.

"Claude testa cada alteração que eu coloco em claude.ai/code usando a extensão Claude Chrome", revelou Cherny. "Ele abre um navegador, testa a interface do usuário e itera até que o código funcione e a experiência do usuário pareça boa." Ele argumenta que dar à IA um mecanismo para verificar seu próprio trabalho – seja através de automação de navegador, execução de comandos bash ou execução de conjuntos de testes – melhora a qualidade do resultado final em "2-3x". O agente, portanto, não apenas escreve código; ele prova ativamente que o código funciona.

O Fluxo de Trabalho de Cherny Sinaliza uma Profunda Mudança na Engenharia de Software

A reação esmagadora ao tópico de Cherny indica uma evolução crucial na forma como os desenvolvedores percebem seu ofício. Por anos, a IA tem sido vista principalmente como uma ferramenta de assistência. No entanto, o fluxo de trabalho de Cherny apresenta uma visão convincente onde a IA atua como um parceiro igualitário, talvez até como um diretor, no processo de desenvolvimento. Essa integração estratégica de eficiência operacional e as profundas capacidades de modelos avançados de IA podem muito bem representar a próxima fronteira na engenharia de software, inaugurando uma nova era de produtividade e inovação sem precedentes.

Agência de Notícias Ekhbary