Acho que estou sofrendo de burnout de LLM

• Ao usar Claude Code, Codex, ChatGPT e Gemini todos os dias no trabalho e em projetos pessoais, o tempo gasto lendo textos gerados por IA aumentou muito em comparação com alguns anos atrás
• O fluxo de desenvolvimento mudou de projetar e implementar diretamente para explicar o design → revisar o código do LLM → corrigir pessoalmente, o que tornou mais fácil trabalhar até em áreas desconhecidas
• O projeto atual também é centrado em um framework de geração de código não supervisionada em larga escala e na revisão das saídas do agente Qwen, então a estrutura exige ler conteúdo de LLM continuamente
• Depois de cerca de um ano de uso, nos últimos meses padrões repetitivos como suposições falsas, alucinações, frases curtas e categóricas e emojis em excesso foram se acumulando como um peso
• O ponto central do cansaço não é o LLM em si, mas a repetição do mesmo estilo e dos mesmos tipos de erro; mesmo com recursos de personalização, é difícil controlar o estilo do conteúdo de IA criado por outras pessoas

---

LLMs profundamente incorporados ao fluxo de desenvolvimento

• O autor considera que seu uso de LLMs hoje é médio para um desenvolvedor, e que a forma de uso ainda é relativamente primitiva
  • Ele lida com uma tarefa por vez; na empresa usa Claude Code e, em casa, atualmente conversa com Codex
  • Mesmo quando deixa o assistente escrever código, lê e entende cuidadosamente a saída antes de fazer alterações pessoalmente
  • Ainda não está no estágio de usar profundamente agentes autônomos ou orquestração de agentes
• A forma de trabalhar mudou de ser centrada em projetar e escrever código para explicar o design ao LLM, revisar o código criado pelo LLM e então voltar a escrever código
  • Nesse processo, entra em contato com abordagens que não havia considerado ou desconhecia
  • Trabalha com mais conforto mesmo em áreas nas quais não tem conhecimento profundo
• O projeto principal atual é criar, dentro da codebase, um framework para geração de código não supervisionada em larga escala
  • Quando não está criando ferramentas com Claude, revisa as saídas do agente não supervisionado Qwen
  • De um jeito ou de outro, acaba lendo continuamente conteúdo criado por LLMs
• Ao procurar informações, quando não conhece um site específico, muitas vezes pergunta ao ChatGPT ou lê a visão geral do Gemini
  • Se a resposta do LLM estiver errada, precisa voltar a navegar na web
  • Quando os resultados de busca têm muitos textos inúteis gerados por IA, ele considera que respostas de LLM também são boas o suficiente para perguntas cotidianas

O cansaço de ver o mesmo estilo e os mesmos erros se acumularem

• Esse modo de uso já dura cerca de um ano, e ele não pretende parar agora
  • Sente que é mais produtivo usando LLMs
  • Também considera valioso continuar aprendendo a usar LLMs de forma eficaz
• Nos últimos meses, sua percepção ao ler saídas de LLMs mudou
  • A sensação de já saber, antes de ler, que tipo de estilo e de erro vai encontrar passou a pesar
  • Os elementos que aparecem repetidamente são suposições falsas, alucinações, frases curtas e categóricas e emojis em excesso
• Cada incômodo, visto isoladamente, é tolerável, mas a repetição conjunta faz com que ele se canse rapidamente da escrita de LLMs
• O ponto central não é acusar os LLMs de serem piores que humanos, e sim a repetição
  • Humanos também podem ser pouco confiáveis ou irritantes
  • LLMs escrevem no mesmo estilo e repetem os mesmos tipos de erro
  • Quando a interface oferece, é possível usar recursos de personalização, mas certos traços característicos de estilo permanecem
  • Não é possível controlar diretamente o estilo do conteúdo gerado por outras pessoas
• Ainda não está claro como lidar com esse sentimento; o incômodo já vai além da frustração com ferramentas instáveis e chegou ao ponto em que os próprios padrões de escrita continuam incomodando

[amebahead]

Eu também sofri com as suposições falsas nas respostas dos LLMs, alucinações, frases curtas e categóricas, e um padrão excessivo de emojis,
aí criei e apliquei a ELI5 Rule e consegui me livrar desse sofrimento :)

https://github.com/amebahead/explain-like-iam-five-rules

[GN⁺]

Opiniões no Hacker News

• Não chega a ser burnout, mas LLMs são realmente exaustivos por causa da pressão que criam. Ninguém está me pressionando para aumentar a carga de trabalho, mas a cada momento existe algo que meu “clanker” ou o “clanker” de outra pessoa produziu e que pode destravar algo em que eu estava empacado.
  Antes dos LLMs já era difícil acompanhar; agora parece que sempre há cerca de 10 vezes mais trabalho na fila, e, se todo mundo “otimizar” e alimentar a IA em paralelo com tarefas mais rapidamente, isso pode virar mais 10 vezes. É cansativo ficar constantemente como o gargalo de tudo.
  É divertido concretizar pequenos projetos paralelos e ideias, mas percebi que os LLMs alimentam ainda mais a mentalidade pouco saudável de que “descansar é perder tempo”, e senti que precisava corrigir isso.
  A principal reclamação do texto deve ter sido parecida na época da automação das fábricas. Assim como vários trabalhos artesanais qualificados foram transformados em ficar numa posição da linha de montagem repetindo o mesmo movimento o dia inteiro, os LLMs também levaram embora as partes criativas e variadas e deixaram apenas o carimbo repetitivo de QA. Talvez possamos voltar a procurar as medidas de mitigação usadas naquela época.

  • Recebo pedidos demais para revisar documentos gerados por LLMs. Coisas como documentos de planejamento, documentos para usuários finais, documentação de projeto e planos de negócios.
    Há pouco tempo, um colega de equipe me enviou um arquivo zip com cerca de 30 documentos gerados por LLM e pediu para eu revisar imediatamente; muitos eram repetitivos ou continham invenções/alucinações sem sentido. A velocidade de geração é muito maior que a velocidade de revisão.
    Antes, um gerente de projeto levava boa parte do dia para criar um documento de planejamento; agora consegue fazê-lo em poucos minutos e jogá-lo para revisão, o que é realmente exaustivo.
  • Isso me lembra a cena da fábrica em Modern Times, de Charlie Chaplin. O que o autor está sentindo é, no fim, a situação em que a pessoa precisa acompanhar o ritmo da máquina, e não o contrário.
    O “centauro reverso” não é novidade. Basta perguntar ao movimento trabalhista do século passado.
  • Um dos motivos pelos quais LLMs cansam é que, para acertar a UI, você sempre acaba fazendo só mais um prompt. Em geral fica um pouco fora do lugar, e às vezes leva de 5 a 10 minutos para ajustar isso de novo. O resultado é que você acaba trabalhando por muito mais tempo.
    Acho que isso acontece ainda mais porque sou um engenheiro de software que gosta mais de criar produtos do que de usar softwares complexos. A sensação de construir algo é o que me motiva, e quero deixar a funcionalidade perfeita e concluída. Mas, em trabalho de UI, ir de 95% para 100% demora muito.
    Então, infelizmente, agora estou trabalhando por muito mais horas.
  • É a sensação de: “achei que, quando surgisse uma máquina para lavar a louça por mim, eu poderia me concentrar na criação; mas surgiu uma máquina que faz o meu trabalho, e para mim sobrou só lavar a louça”.
  • Estou sofrendo outro tipo de pressão. A empresa ainda exige que todos usem LLMs e chega a usar ranking de tokens, medição de tempo de uso e inclusão disso na avaliação de desempenho.
    Então preciso parar o trabalho produtivo e separar uma certa porcentagem do tempo para “fazer IA para mostrar uso de tokens”. A carga de trabalho continua igual ou aumentou, mas o tempo para trabalho real diminui N% porque precisamos apaziguar os deuses da IA.

• Pela minha experiência, há 3 grandes causas de burnout. A primeira, e maior, é o multitarefa. É preciso alternar com frequência entre 3 a 5 janelas de agentes fazendo coisas diferentes, e, se cada rodada leva alguns minutos, isso é extremamente cansativo.
  Antes da era dos agentes de codificação, a maioria dos desenvolvedores provavelmente tinha a oportunidade de se concentrar em uma única coisa por 2 horas ou mais. Agora, os agentes de codificação ampliaram a variedade de stacks tecnológicos que conseguimos lidar, mas não aumentaram nossa largura de banda para trabalho profundo.
  Em segundo lugar, agentes são bons em fazer algo rodar sem conflitos, mas isso não garante que produzam o código correto. É bem diferente de um especialista humano com conhecimento básico.
  Em terceiro lugar, é frustrante revisar pilhas de PRs de baixa qualidade gerados por IA. Concentração é um recurso limitado. Não quero gastar energia demais no trabalho dos outros, mas, se eu não prestar mais atenção, código de IA irresponsável, criado sem o pensamento cuidadoso e o design de um autor humano, rapidamente degrada o projeto inteiro. Já é difícil trabalhar com pessoas pouco cuidadosas; na era dos agentes de codificação, elas produzem 10 vezes mais lixo, então é 10 vezes mais doloroso, e é um problema de cultura de equipe que não dá para impor facilmente.

  • Concordo. Ao mesmo tempo, estou tentando me limitar fortemente a usar apenas 1 ou 2 fluxos de trabalho com agentes. Mais do que isso eu não consigo aguentar, mas é fácil demais cair na armadilha de abrir um agente para fazer “só esta pequena correção”.

• Depois de passar horas lendo saídas do Opus, comecei a sentir uma espécie de mal-estar físico. Esse texto realmente bateu forte
  Comecei a reclamar disso também com a equipe; no mínimo, precisamos colocar um guia de estilo pessoal nas regras do agente para eliminar em dash, expressões do tipo “não é X, é Y”, o hábito de empilhar modificadores longos antes de substantivos, o uso de “land” no sentido de concluir, etc. Espero que isso seja só uma fase de um LLM imaturo

  • Todos os bots mostram um padrão de uso excessivo de certas frases, palavras e sinais de pontuação. Por exemplo, ultimamente usam gate demais
    Como humanos, sabemos que um gate é um “portão” que pode estar aberto ou fechado, trancado ou destrancado, e que o caminho além dele pode ou não ser transitável. Só o fato de existir um gate não diz se ele está aberto ou fechado
    Mas, na linguagem de bot, gate significa apenas uma barreira forte e intransponível. Usam como se fosse uma cerca, um muro ou até um fosso de lava
    Só que um gate, por definição, é algo projetado para se passar por ele; o bot usa a mesma palavra também para obstáculos intencionalmente intransponíveis. Para quem lidou com gates por décadas no mundo real, isso é mau uso. Normalmente, quando você encontra um gate fechado, abre e passa
    Mesmo quando mando o bot evitar essa palavra, às vezes ele ignora. Gate é só a palavra problemática que me veio à cabeça hoje; ontem foi outra, e amanhã será outra completamente diferente
    O padrão geral é um jargão repetitivo, irritante e de baixa qualidade que nem faz sentido para começo de conversa
  • Comigo também é assim. Quando leio coisas demais desse tipo, sinto que sofro dano mental
    Ao contrário da explicação de que é “só inglês nigeriano de trabalhador terceirizado”, parece que os modelos, sob pressão de aprendizado por reforço, estão criando um dialeto próprio ultracompacto e excessivamente estilizado. Cada vez mais parece escrito em código — mas código, aqui, não é código de computador. As palavras não significam exatamente a mesma coisa que significam para pessoas
  • Hoje mesmo eu estava tentando explicar essa sensação. Ainda não consegui colocar exatamente em palavras, mas de fato dá um leve mal-estar físico. Parece um pouco com uma tripofobia leve
  • arc land ficou gravado no meu cérebro por causa do Phabricator, então sei que esse termo já existia antes dos LLMs, mas ainda assim me irrita profundamente
    Essa oscilação linguística é irreversível. Mesmo que fosse possível filtrar 100% das entradas de LLM, as próprias pessoas estão sendo treinadas a dizer “land” com mais frequência
  • Na escrita, voz é realmente importante. Se todo mundo escreve com Opus e não edita, tudo soa igual, não importa quem tenha escrito

• Estou trabalhando agora em um projeto com uma pessoa que usa só LLM, e é cansativo e mentalmente desgastante
  Quando dou feedback sobre algo, a resposta é simplesmente “vou falar com o Claude”. A pessoa não entende como o todo funciona, e boa parte do código reflete isso
  Alguns dias atrás, ela nem sabia configurar o ambiente local e definir variáveis de ambiente, então colocou um modo demo hardcoded. Também é confuso por que o Claude não sabia fazer isso, mas talvez fosse problema de prompt
  Estou tentando limitar meu uso de LLM e, quando uso, restringir a tarefas extremamente específicas. Para mim, só esse jeito funciona
  Sinceramente, não entendo como as empresas conseguem empurrar tanto geração de código por IA. Mesmo em projetos pequenos, a compreensão do projeto fica para trás muito rápido

  • Lembro de ter trabalhado com pessoas assim antes da IA também. Era irritante, mas, como elas não entendiam bem o suficiente no que estavam trabalhando para produzir bom código de forma eficiente, acabavam sofrendo em produtividade, e em geral o problema se resolvia sozinho
    Agora, como programação com LLM incentiva pessoas sem curiosidade e pune quem pensa profundamente, esse tipo de pessoa consegue se manter bem
  • Eu também uso do mesmo jeito. Só para tarefas muito específicas. Agora há pouco, passei 2 horas conversando com o Claude Code para fazer uma alteração de 5 linhas de código que mudava bastante o significado
    Já um amigo está gastando 10 mil dólares por dia em tokens de agente para construir algo. Ele é muito inteligente e ex-desenvolvedor, então não é simplesmente uma psicose de IA
    Ainda estou tentando entender. Claro, eu não tenho 10 mil dólares
  • Código gerado por LLM é desnecessariamente obscuro e denso

• É realmente cansativo. Depois que comecei a trabalhar com LLMs, minha produção como desenvolvedor solo aumentou facilmente umas 20 vezes. Estou até concluindo projetos de clientes que antes seriam ambiciosos demais para eu tocar sozinho
  Codebases antigos estão recebendo funcionalidades que antes ficavam meses se arrastando, ou até mais tempo paradas na fase de planejamento. A qualidade geral também subiu muito, e a cobertura de testes ficou mais completa e, sinceramente, melhor
  Também estou criando projetos pessoais numa velocidade absurda. Os papéis se inverteram: trato o agente como se eu fosse o cliente, e o agente age como se fosse eu. Claro que eu dou direcionamento de arquitetura, como um cliente mais técnico. Uso todos os dias apps e ferramentas criados pelo agente, e graças a ferramentas que criei, cancelei até assinaturas de SaaS
  Ao observar as chamadas de ferramentas, senti que precisava conhecer melhor as ferramentas essenciais de linha de comando, então montei um plano de estudo diário, aos poucos, para recuperar esse atraso. Também estou revisitando configurações antigas que coloquei sem entender nada quando comecei a usar vim e tmux
  Em teoria, eu poderia manter a produtividade no nível de antes e ler mais livros, mas isso não parece possível. Ao contrário da promessa de que “o trabalho vai diminuir”, a realidade parece ser uma enorme transição em que a produtividade e as expectativas aumentam, e a Revolução Industrial parece uma analogia apropriada
  O aumento das expectativas acontece de formas pequenas e grandes. Como o agente lapida muito bem a apresentação dos dados, hoje envio como algo natural relatórios limpos e visualmente impactantes que antes teriam tomado bastante tempo
  Mas é cansativo. Estou correndo no limite para fazer o máximo possível antes que a janela em que o Fable é oferecido por assinatura mude para ser apenas via API. Também não entendo como as pessoas gastam tantos tokens. Mesmo dormindo quase nada e mandando o máximo de código possível para o Fable, mal chego perto do limite do plano 20x max
  Eu vinha dizendo a mim mesmo que desaceleraria quando isso acabasse, mas agora foi prorrogado até o dia 12, e a janela também foi resetada, então ganhei mais alguns dias para reduzir o backlog. Sinto que preciso deixar os robôs ocupados a noite toda para poder revisar tudo assim que acordar de manhã. Até me parece estranho ficar dando instruções ao agente pelo celular

  • A Revolução Industrial melhorou a vida em grande escala, mas não melhorou a vida dos tecelões manuais que trabalhavam em casa e foram transferidos para fábricas, onde produziam mais e trabalhavam duro o dia inteiro
    Visto de fora, isso soa parecido com meu pai, que trabalhava como mecânico em uma usina. O trabalho dele consistia principalmente em observar as máquinas trabalhando e consertá-las quando quebravam; 90% do tempo elas funcionavam bem
    Passar de trabalhar com as mãos para observar máquinas pode parecer realmente entediante, e, desse ponto de vista, consigo entender a antipatia por AI por aqui
  • Tenho um amigo que se autodenomina viciado em LLM, e ele contou praticamente a mesma história. A pergunta que eu queria fazer, mas não consegui fazer diretamente, é esta: se isso está levando a burnout, por que você sente que precisa continuar produzindo tantos projetos pessoais?
    Acho que todos concordamos que revisar um monte de código gerado por AI no trabalho é cansativo, mas fico curioso sobre por que expandir essa situação desagradável para o dia inteiro
  • É um sinal clássico de vício
  • Se a escolha é essa, é estranho. Você espreme até a última gota de uma produtividade que antes nem sabia que existia, provavelmente recebendo o mesmo dinheiro, chegando ao burnout mais rápido e sem o prazer de programar, tendo que discutir com uma máquina burra que não fica cansada nem frustrada. Além disso, essa máquina sempre fica um pouco aquém do objetivo
    Ou então você simplesmente programa à mão, pensa diante de um quadro branco quando as coisas ficam complexas, e caminha para o burnout num ritmo mais humano, como a engenharia de software fez nos últimos mais de 50 anos
    Não sei por que isso é uma escolha. Perguntando seriamente: você tem um pouco de autoestima? Imagino que virá a desculpa de “mas meu chefe espera que eu use AI”. A maioria claramente nunca passou por um burnout de verdade. Quando chegar, vai doer muito. Não se transforme numa máquina. Humanos não são máquinas

• Não tenho burnout, mas trabalho de forma parecida com o autor. Ainda não consegui criar um fluxo em que revisar código gerado por LLM seja mais rápido do que escrevê-lo diretamente
  Na verdade, só há duas saídas para esse dilema: confiar cegamente no que foi gerado, ou criar um conjunto anormalmente enorme de testes unitários que valide todos os cenários possíveis
  Por isso, escrevo eu mesmo a lógica de negócio e deixo boa parte do restante para o LLM. Boilerplate também entra nessa segunda categoria

  • É exatamente isso que deveríamos querer. Precisamos de testes muito mais abrangentes em todos os níveis, a ponto de ser irracional para uma pessoa criar ou manter. Isso inclui testes unitários, funcionais, end-to-end completos e além
    Testes adversariais são a melhor forma de manter a AI nos trilhos e deixar as mudanças que precisam ser lidas limpas e fáceis. Isso vale tanto no estilo TDD, “escreva um teste que mostre este bug”, quanto depois do fato, “prove com um novo teste que este patch está errado”
    Uma opção melhor ainda é usar uma linguagem com tipagem mais forte para travar tudo, mas testes podem ser usados em qualquer linguagem. O histórico de TDD e de “escreva todos os testes” parece o ingrediente secreto ao trabalhar com AI
  • Eu simplesmente leio o código com cuidado. É fácil cair na tentação de aceitar o resultado como está para ganhar velocidade, mas ler código é importante
    Economizo tempo passando mais rápido por testes, templates, algumas partes de UI e elementos decorativos. Mas a maior parte do código que entra em sistemas de backend precisa ser lida
  • Se você não consegue revisar mais rápido do que escrever o código diretamente, então o certo é escrever diretamente
  • Para pessoas com sentimentos parecidos, pode parecer que há algum defeito mental que as impede de beber o doce Kool-Aid e simplesmente usar o lixo gerado. Como se houvesse uma característica distorcida que as transforma em teimosas tentando estragar a diversão coletiva
    Pessoalmente, acho que quem mais se empolga com a magia dos LLMs são pessoas que programavam mal. Agora elas conseguem chegar com algo que funciona, mesmo que não seja o melhor código possível. Como passaram a conseguir produzir código que funciona, acham que isso vai tornar todo mundo melhor, mas não sabem se aquele lixo é sustentável, nem mesmo se é lixo em primeiro lugar

• O motivo de eu estar sofrendo burnout com LLMs é ter que lidar com o fato de que os modelos de ponta estão sendo claramente castrados e rebaixados de forma opaca
  Até uns 12 meses atrás, as empresas de IA estavam obcecadas em extrair os melhores resultados de modelos medianos
  Mas, conforme os modelos de ponta avançaram, essas mesmas empresas passaram a direcionar seus esforços para reduzir ao máximo a quantidade de computação, ou seja, o custo de produzir uma resposta, sem deixar isso óbvio demais
  Nos últimos 36 meses, a curva de qualidade dos resultados subiu exponencialmente, mas agora ficou quase plana
  Na minha opinião, os resultados estagnaram não porque os modelos sejam muito menos capazes do que há um ano. É porque economizar o enorme custo de processamento de uma base de usuários sobrecarregada passou a ter prioridade sobre seguir as instruções explícitas do usuário e gerar o melhor resultado. Especialmente quando seguir essas instruções aumenta o custo de processamento

  • Tenho sentido exatamente o mesmo em relação às ferramentas de IA para consumidores hoje em dia. Gemini e ChatGPT andaram péssimos recentemente. Já não dá para confiar que eles façam busca e raciocínio ao longo de várias rodadas
    Antes, eles conseguiam ficar mais de 7 minutos em modo de raciocínio. Por exemplo, se eu dissesse “encontre fontes para esta afirmação”, eles pesquisavam, analisavam e ajustavam as consultas por conta própria. Hoje, mesmo no modo “Pro”, por mais que eu insista, não consigo fazê-los trabalhar por mais de 30 segundos, e eles só entregam respostas genéricas
  • Será mesmo? Talvez a fase inicial do “uau, isso é insano” tenha passado e as expectativas tenham encontrado a realidade
  • Isso parece um caso ridiculamente extremo de revisionismo histórico
    O momento do Opus 4.5 também foi em novembro passado, e foi quando programação agêntica e a maioria das ferramentas de CLI para programação viraram opções realmente de primeira linha. Foi uma mudança de paradigma enorme. O GPT-5 ainda nem tinha saído, e a maioria usava o 4o. O que está disponível hoje é muito superior ao 4o para programação
  • Não concordo. Talvez minhas expectativas tenham subido, mas comparar o que eu criava com agentes há um ano com o que crio agora é um mundo completamente diferente

• É como estar preso trabalhando com colegas que não são abertamente hostis, mas repetem os mesmos erros todos os dias, precisam ser conduzidos pela mão o tempo todo e nem conseguem ficar sinceramente arrependidos
  Só porque trabalhamos com computadores não quer dizer que não soframos dano social. Neste caso, talvez seja mais algo como dano parassocial

• Esse é, seriamente, o motivo pelo qual estou pensando em sair da programação
  Comecei a programar porque os problemas de programação eram interessantes. Mas, se o problema muda de “descobrir por que a calculadora na França dá diferença de 1” para “impedir este LLM de encher tudo de emojis fofinhos”, talvez seja hora de mudar de profissão

  • Para contar o outro lado: a pressão para produzir mais no trabalho é real, mas fora do trabalho isso é muito bom. A pesquisa e o tempo, que sempre foram barreiras quando eu começava projetos pessoais, diminuíram, então consigo tocar muito mais projetos do que antes
    Recentemente, fiquei viciado em água com gás e estou construindo meu próprio carbonatador contínuo. É uma montagem completa, da fonte de água à torneira, incluindo bombas controladas por ESP32, pressão, nível de água e ventoinhas de resfriamento
    Ele encontrou muitos pontos em que eu tinha errado no carrinho de compras. Por exemplo, o pessoal de homebrew gosta de linhas de 8 mm, mas sistemas de filtragem de água usam 9,5 mm. Otimizei desde uma versão simples com bomba liga/desliga e chave boia até algo praticamente próximo de um sistema PLC completo. Obtive muitas iterações conversando com uma “pessoa mais experiente”. Assim que as peças chegarem, consigo montar tudo em menos de uma hora e colocar o software para rodar
    Não dá dinheiro, mas é muito divertido
  • Eu comecei a programar só para construir coisas. Codificar é apenas um meio para um fim. É melhor não se prender tanto ao “como” e pensar mais no porquê e no que construir
  • Se você está criando produtos que usam LLM, a parte irritante é que, em algum momento, acabam as alavancas que você pode puxar para corrigir um problema
    O melhor que dá para fazer é empilhar hacks sobre hacks para evitar saídas indesejadas, mas, se no fim o LLM decidir que não quer seguir as instruções, não há muito a fazer além de adicionar *IMPORTANT* e torcer para o próximo modelo corrigir
    Essa experiência se parece muito mais com trabalhar com uma API externa que você não controla e que nem se comporta conforme a documentação. Isso já era uma das partes mais frustrantes da programação antes, mas pelo menos antigamente era possível fazer engenharia reversa da implementação real para contornar bugs. Agora essa “fronteira” muda aleatoriamente todos os dias, então nem isso é possível
  • Sinceramente, é amargo ver que as pessoas que diziam “não me importo por que a calculadora não funciona na França, só conserto porque me pagam” parecem ter sido justificadas pelo avanço da tecnologia
  • Contabilidade é indispensável por causa do jurídico e de compliance, então estamos desesperados por contadores. Pode entrar hoje mesmo

• Basta colocar um guia de estilo simples em CLAUDE.md ou AGENTS.md, ou simplesmente escrever “sem emojis”, o que leva 5 segundos, e a saída do LLM fica muito mais tolerável. Um guia de estilo simples com palavras e expressões proibidas também ajuda
  Claro que suposições erradas não se resolvem assim. Isso é preciso detectar do jeito antigo: lendo com atenção e pensando criticamente

  • Totalmente certo! Quer que eu escreva esses arquivos Markdown para você?
  • Como referência, quando tratei o ChatGPT como um par programador para trocar ideias de design, pedir código de implementação e sugerir refatorações, ele não usou nenhum emoji
    Mas, quando peço análise de dados ou modelagem, emojis aparecem por todos os lados
    Pensando no que vi no GitHub mais ou menos no último ano, eu jamais consideraria deixar um LLM escrever o README ou a documentação de um projeto sem supervisão