Como criar um agente de programação

• Em 2025, criar você mesmo um agente de programação é um dos melhores projetos que um desenvolvedor individual pode experimentar
• Um agente funciona com apenas 300 linhas de código e um loop de tokens de LLM, e ao construí-lo você ganha a chance de deixar de ser consumidor para se tornar um produtor de IA
• Os componentes básicos são ferramentas como leitura de arquivos, listagem de arquivos, execução de Bash, edição de arquivos e busca de código, que permitem implementar automações reais
• Na escolha de modelos, modelos agentic como Claude Sonnet e Kimi K2 são adequados; quando necessário, modelos oráculo como o GPT podem ser conectados como ferramenta para realizar verificações de nível mais alto
• Na prática, produtos comerciais como Amp, Cursor, Claude Code e GitHub Copilot também usam uma estrutura semelhante

---

Visão geral do workshop

• Workshop gratuito conduzido por Geoffrey Huntley, com foco prático em como criar um agente de programação e entender seus princípios
• Oferece a oportunidade de comparar estrutura e princípios com assistentes de IA comerciais existentes como Roo code, Cline, Amp, Cursor, Windsurf e OpenCode, além de implementar um você mesmo
• Com a experiência de criação, é possível deixar de ser apenas um usuário de IA e evoluir para um desenvolvedor que cria ferramentas de automação usando IA diretamente
• A estrutura central é criar funções de agente usando um loop de tokens de LLM em cerca de 300 linhas de código
• Ao adicionar primitivas por ferramenta — leitura, listagem de arquivos, execução, edição e busca de código — os exemplos reais de funcionamento e o código estão publicados no repositório GitHub

O que é um agente

• Nos últimos tempos, o termo "agente" tem sido usado amplamente, mas seu significado prático e o princípio interno de funcionamento ainda não são claros
• À medida que a barreira de entrada para criar agentes diminui, torna-se possível ir além do consumo de IA e crescer como produtor capaz de liderar a automação do trabalho
• Em 2025, assim como conceitos básicos de banco de dados como Primary key, os princípios de criação de agentes passam a ser conhecimento essencial
• Empresas como a Canva já incentivam o uso de IA em processos de entrevista, e a capacidade de automação com IA tornou-se um elemento central de contratação
• Agora, ficar para trás não acontece por causa da IA, mas por não aprender novas ferramentas por meio do próprio desenvolvimento

Princípios centrais do agente de programação

• Um agente de programação é composto por apenas 300 linhas de código e um loop de tokens de LLM, executando funções por meio da entrada repetitiva de tokens
• O conceito de trabalho concorrente (concurrent work) é importante
  • Ex.: mesmo durante uma reunião no Zoom, o agente pode continuar trabalhando em paralelo, aumentando bastante a eficiência
• Nem todo LLM é agentic
  • 'alta segurança' (ex.: Anthropic, OpenAI)
  • 'baixa segurança' (ex.: Grok)
  • 'oráculo' (vantajoso para resumo e raciocínio de alto nível)
  • 'agentic' (tendência à ação, iteração rápida e chamadas de ferramentas)
• O desenvolvedor deve entender as características de cada modelo e escolher o modelo de acordo com o objetivo
• Alocar janela de contexto de forma indiscriminada prejudica o desempenho, e é preciso ter em mente que “quanto menos alocado, melhor o resultado”
  • Registrar ferramentas MCP em excesso também leva à queda de desempenho
• Regra: “Less is more” → para obter desempenho ideal, ferramentas e dados devem ser colocados no contexto apenas na medida do necessário

Fluxo do processo de criação de um agente de programação

• 1. Registro de ferramentas e chamadas de função

  • Por exemplo, registra-se no LLM uma ferramenta de consulta de clima, permitindo que o LLM responda em formato de chamada de função quando a situação for adequada
  • MCP (Model Context Protocol) é semelhante a um "banner de informações sobre a função", e só com o registro da descrição da função já é possível fazer a chamada automática

• 2. Funções essenciais por ferramenta primitiva

  • Leitura de arquivo (ReadFile): ao receber um caminho, lê o conteúdo do arquivo para o contexto
  • Listagem de arquivos (ListFiles): fornece a lista de arquivos e pastas dentro do diretório
  • Execução de comandos (Bash): o LLM executa comandos de shell do sistema e retorna o resultado
  • Edição de arquivo (Edit): automatiza a criação e modificação do arquivo especificado
  • Busca de código (CodeSearch): faz buscas rápidas em toda a base de código com base em padrões, palavras-chave ou nomes de funções (usando ripgrep)

• 3. Exemplos e fluxo de resultados

  • Ao integrar cada ferramenta ao LLM, é possível automatizar tarefas contínuas apenas com prompts em linguagem natural, como gerar código FizzBuzz → executar e verificar, explorar diretórios → analisar conteúdo etc.
  • As funções das ferramentas são chamadas sequencialmente conforme a entrada do usuário ou o cenário, e seus resultados são retornados repetidamente dentro do loop
  • Sequência principal de funcionamento do agente: entrada do usuário → decisão sobre chamar ferramenta → execução da ferramenta → alocação do resultado no contexto → repetição

Possibilidades de expansão e open source

• Atualmente, a maioria dos agentes de programação funciona com base em ferramentas open source existentes, como o ripgrep
• No GitHub, existem projetos de agentes simples, mas poderosos, como SST Open Code e mini-swe-agent, implementados com apenas 100 linhas, que servem de referência para desempenho e estrutura
• Recomenda-se que desenvolvedores entendam e apliquem os princípios construindo os próprios agentes, em vez de apenas comparar produtos existentes
• Ao aplicar isso ao trabalho real e à automação, criar agentes próprios e difundi-los dentro da organização se torna uma vantagem competitiva

Conclusão e implicações

• Agentes de programação não são uma tecnologia complexa, mas sim uma combinação de estrutura de loop simples e conjunto de ferramentas
• O ponto central para criar um agente de programação é entender a estrutura e executar rapidamente, e a experiência prática de construção permite responder ativamente às mudanças na tecnologia de IA
• Mais importante do que a IA em si é investir em si mesmo, com desenvolvimento contínuo e capacidade de criar ferramentas, o que hoje é a estratégia de crescimento pessoal mais importante
• “A ameaça não é a IA tirar o seu trabalho, mas seu colega se armar com agentes, automatizar processos e trabalhar mais rápido”