Voc\u00ea abre o terminal, cola um trecho de erro no chat da IA, recebe uma sugest\u00e3o, copia, cola no editor, testa, n\u00e3o funciona, volta para o chat, explica o que aconteceu, recebe outra sugest\u00e3o, testa de novo. Esse ciclo se repete cinco, dez, quinze vezes at\u00e9 o problema ser resolvido. Enquanto isso, voc\u00ea \u00e9 o mensageiro: copia contexto de um lado, cola no outro, executa comandos manualmente, interpreta resultados e decide o pr\u00f3ximo passo. A IA pensa, mas voc\u00ea faz todo o trabalho bra\u00e7al de transporte de informa\u00e7\u00e3o.<\/p>\n
Esse padr\u00e3o funciona, mas tem um limite claro: ele escala mal. Quanto mais complexa a tarefa \u2014 uma refatora\u00e7\u00e3o que toca dez arquivos, uma investiga\u00e7\u00e3o de bug que exige rodar testes repetidamente, uma migra\u00e7\u00e3o que precisa ler documenta\u00e7\u00e3o externa \u2014 mais tempo voc\u00ea gasta sendo o intermedi\u00e1rio entre a IA e o seu ambiente. \u00c9 exatamente esse gargalo que os agentes de IA para desenvolvimento resolvem, e \u00e9 por isso que vale entender como eles funcionam antes de simplesmente instalar mais uma ferramenta na sua stack.<\/p>\n
A diferen\u00e7a entre um assistente de chat e um agente n\u00e3o est\u00e1 no modelo de linguagem por tr\u00e1s \u2014 muitas vezes \u00e9 o mesmo modelo. A diferen\u00e7a est\u00e1 na arquitetura em volta dele<\/strong>. Um chat responde ao que voc\u00ea pergunta. Um agente executa um ciclo cont\u00ednuo de percep\u00e7\u00e3o, decis\u00e3o e a\u00e7\u00e3o at\u00e9 atingir um objetivo, sem que voc\u00ea precise mediar cada etapa.<\/p>\n Esse ciclo costuma ser descrito como um loop de observar, pensar, agir<\/em>:<\/p>\n Esse padr\u00e3o tem nome na literatura de IA: ReAct<\/strong> (Reasoning + Acting), descrito no artigo acad\u00eamico que popularizou a t\u00e9cnica de intercalar racioc\u00ednio e a\u00e7\u00e3o em modelos de linguagem.<\/p>\n \ud83d\udca1 Dica do Mestre:<\/strong> Se quiser entender a base te\u00f3rica por tr\u00e1s dos agentes modernos, vale ler o paper original do ReAct: “ReAct: Synergizing Reasoning and Acting in Language Models”<\/a> (Yao et al., 2022). \u00c9 a funda\u00e7\u00e3o conceitual usada, com varia\u00e7\u00f5es, por praticamente todas as ferramentas de agentes que voc\u00ea vai encontrar hoje.<\/p><\/blockquote>\n Um erro comum \u00e9 achar que um agente \u00e9 um modelo de IA “mais esperto”. Na pr\u00e1tica, um agente \u00e9 a combina\u00e7\u00e3o de tr\u00eas pe\u00e7as:<\/p>\n \u00c9 essa composi\u00e7\u00e3o que faz a diferen\u00e7a entre pedir “corrija esse bug” no chat e pedir a mesma coisa a um agente com acesso ao seu reposit\u00f3rio. No chat, voc\u00ea descreve o bug, recebe uma hip\u00f3tese e testa manualmente. No agente, ele l\u00ea o c\u00f3digo, roda os testes, interpreta a falha, prop\u00f5e uma corre\u00e7\u00e3o, roda os testes de novo \u2014 tudo isso sem que voc\u00ea precise ficar copiando e colando.<\/p>\n Para tornar isso concreto, veja um exemplo minimalista de agente constru\u00eddo com a API da Anthropic e a t\u00e9cnica de tool use<\/em> (uso de ferramentas), que \u00e9 o mecanismo que permite ao modelo “pedir” para executar uma a\u00e7\u00e3o no seu ambiente.<\/p>\n Esse c\u00f3digo ilustra o essencial: o modelo recebe uma instru\u00e7\u00e3o, decide que precisa executar um comando, o programa executa esse comando de verdade e devolve o resultado, e o modelo continua raciocinando com base nisso \u2014 repetindo at\u00e9 ter uma resposta final. \u00c9 um agente rudimentar, mas j\u00e1 demonstra o loop observar-pensar-agir sem qualquer interven\u00e7\u00e3o manual sua no meio do processo.<\/p>\n \ud83d\udca1 Dica do Mestre:<\/strong> A documenta\u00e7\u00e3o oficial da Anthropic sobre tool use explica em detalhes como estruturar ferramentas mais robustas, incluindo valida\u00e7\u00e3o de esquema e tratamento de erros: Tool use with Claude<\/a>.<\/p><\/blockquote>\n O exemplo acima \u00e9 did\u00e1tico, mas na pr\u00e1tica voc\u00ea raramente vai construir um agente de execu\u00e7\u00e3o de c\u00f3digo do zero. Existem ferramentas maduras que j\u00e1 implementam esse loop, com gerenciamento de contexto, controle de permiss\u00f5es e integra\u00e7\u00e3o com o sistema de arquivos. Tr\u00eas exemplos relevantes para quem desenvolve:<\/p>\n O Claude Code<\/a> \u00e9 um agente de linha de comando que opera diretamente no seu reposit\u00f3rio. Voc\u00ea d\u00e1 uma instru\u00e7\u00e3o em linguagem natural, e ele l\u00ea arquivos, executa comandos, roda testes e edita c\u00f3digo \u2014 tudo dentro de um loop aut\u00f4nomo com checkpoints de confirma\u00e7\u00e3o quando a a\u00e7\u00e3o \u00e9 sens\u00edvel (como sobrescrever um arquivo ou rodar um comando destrutivo).<\/p>\n O Aider<\/a> \u00e9 um agente de c\u00f3digo aberto que funciona de forma parecida, com foco forte em integra\u00e7\u00e3o com Git \u2014 cada altera\u00e7\u00e3o proposta j\u00e1 vem acompanhada de um commit, o que facilita revisar e reverter mudan\u00e7as.<\/p>\n Para quem quer construir agentes customizados sem reinventar a orquestra\u00e7\u00e3o, o OpenAI Agents SDK<\/a> oferece abstra\u00e7\u00f5es prontas para definir agentes, ferramentas e handoffs entre m\u00faltiplos agentes especializados.<\/p>\n Delegar execu\u00e7\u00e3o de comandos a um agente levanta uma quest\u00e3o que n\u00e3o pode ser tratada como detalhe: o que acontece se o agente decidir rodar As boas pr\u00e1ticas mais consolidadas hoje incluem:<\/p>\n\n
Agente n\u00e3o \u00e9 m\u00e1gica: \u00e9 modelo + ferramentas + loop<\/h2>\n
\n
Exemplo pr\u00e1tico: um agente simples com Claude e execu\u00e7\u00e3o de comandos<\/h3>\n
import subprocess\nfrom anthropic import Anthropic\n\nclient = Anthropic()\n\ndef run_shell_command(command: str) -> str:\n \"\"\"Executa um comando de shell e retorna a sa\u00edda.\"\"\"\n result = subprocess.run(\n command, shell=True, capture_output=True, text=True, timeout=30\n )\n return result.stdout + result.stderr\n\ntools = [\n {\n \"name\": \"run_shell_command\",\n \"description\": \"Executa um comando no terminal e retorna a sa\u00edda.\",\n \"input_schema\": {\n \"type\": \"object\",\n \"properties\": {\n \"command\": {\"type\": \"string\", \"description\": \"Comando a executar\"}\n },\n \"required\": [\"command\"],\n },\n }\n]\n\nmessages = [\n {\n \"role\": \"user\",\n \"content\": \"Rode a su\u00edte de testes do projeto e me diga quais falharam.\"\n }\n]\n\nresponse = client.messages.create(\n model=\"claude-sonnet-4-5\",\n max_tokens=1024,\n tools=tools,\n messages=messages,\n)\n\n# Loop simplificado: enquanto o modelo pedir para usar uma ferramenta, execute e devolva o resultado\nwhile response.stop_reason == \"tool_use\":\n tool_call = next(b for b in response.content if b.type == \"tool_use\")\n output = run_shell_command(tool_call.input[\"command\"])\n\n messages.append({\"role\": \"assistant\", \"content\": response.content})\n messages.append({\n \"role\": \"user\",\n \"content\": [{\n \"type\": \"tool_result\",\n \"tool_use_id\": tool_call.id,\n \"content\": output,\n }],\n })\n\n response = client.messages.create(\n model=\"claude-sonnet-4-5\",\n max_tokens=1024,\n tools=tools,\n messages=messages,\n )\n\nprint(response.content[0].text)\n<\/code><\/pre>\nFerramentas prontas: voc\u00ea n\u00e3o precisa construir tudo do zero<\/h2>\n
Claude Code<\/h3>\n
# Exemplo de uso no terminal\nclaude \"Encontre a causa da falha no teste test_payment_flow e corrija,\n mantendo a cobertura de testes existente\"\n<\/code><\/pre>\nAider<\/h3>\n
OpenAI Agents SDK<\/h3>\n
O papel cr\u00edtico das permiss\u00f5es e do sandboxing<\/h2>\n
rm -rf<\/code> em um diret\u00f3rio errado, ou fazer um git push --force<\/code> sem necessidade? A resposta correta n\u00e3o \u00e9 confiar cegamente, mas configurar limites expl\u00edcitos.<\/p>\n\n