AI Development Loop
AI Development Loop é um projeto para investigar um fluxo de desenvolvimento em que agentes recebem contexto, planejam tarefas, executam implementações e evoluem código com o mínimo de intervenção manual viável.
O objetivo não é remover humanos do processo. O objetivo é entender onde agentes criam valor real, onde falham, quais controles são necessários e como medir se o fluxo melhora o trabalho de engenharia.
Problema
Agentes conseguem executar partes relevantes do trabalho técnico, mas perdem qualidade quando o contexto está disperso, quando a validação é fraca ou quando decisões ficam presas em uma única sessão.
O projeto investiga como construir um ciclo mais confiável entre humano, agente, código, testes, documentação e feedback.
Perguntas iniciais
- Como dividir trabalho entre humanos e agentes?
- Como orientar agentes com contexto suficiente sem gastar tokens demais?
- Como validar entregas feitas por IA?
- Como evitar perda de contexto entre sessões?
- Como transformar decisões em documentação persistente?
- Como medir qualidade, custo e produtividade?
- Como criar ciclos de feedback confiáveis?
- Como agentes podem trabalhar com issues, código, testes e documentação?
Ciclo proposto
- Capturar contexto relevante do projeto.
- Transformar objetivo em plano de execução.
- Executar mudanças pequenas e verificáveis.
- Rodar validação estreita antes de ampliar escopo.
- Registrar decisões, limitações e evidências.
- Reutilizar o aprendizado na próxima sessão ou tarefa.
Critérios de validação
Um fluxo só é considerado útil quando deixa evidência concreta:
- Diferença clara entre o que o agente fez e o que o humano precisou corrigir.
- Comandos, testes ou verificações executadas.
- Custos ou sinais de custo quando forem relevantes.
- Limitações encontradas.
- Conhecimento novo persistido perto do projeto.
Próximos registros
Os próximos documentos deste projeto devem detalhar experimentos reais, incluindo escopo, contexto fornecido ao agente, execução, validação, falhas e melhorias.