O Seu AI Loop É uma Máquina de Desperdício

A IA introduziu dois fluxos de trabalho distintos para construtores. Sistemas tradicionais de human-in-the-Loop Engineering mantêm-no no assento do piloto: dá um prompt a um agente, revê o seu output e itera manualmente cada passo. Por outro lado, a Loop Engineering autónoma prevê a IA em piloto automático, onde um único prompt humano inicia um agente de autocorreção que gera, revê e refina os seus próprios resultados contra uma especificação definida.

Construtores de topo como Boris Cherny Cherny e Peter Steinberger Steinberger defendem a Loop Engineering como o futuro do desenvolvimento. Eles argumentam que os desenvolvedores devem projetar sistemas que dão prompts à IA, em vez de dar prompts diretamente à própria IA, capacitando os agentes a executar tarefas complexas autonomamente.

Embora esta abordagem aponte para um futuro ambicioso, apresenta uma realidade perigosa e ineficiente para a maioria dos construtores hoje. Cherny e Steinberger operam com orçamentos de tokens efetivamente ilimitados, tornando a Loop Engineering constante racional para eles. Para a vasta maioria sem tais recursos, Loop Engineerings abertos rapidamente tornam-se uma "máquina de desperdício", queimando um número significativo de tokens e levando a custos imprevisíveis. Ras Mic (Michael Shimeles) destaca que Peter Steinberger Steinberger uma vez tuitou sobre gastar $1.3 milhão em tokens num único mês, sublinhando o potencial para despesas descontroladas.

Um modelo de Loop Engineering agentivo de funcionamento livre, deixado à sua própria sorte, espelha o desafio de contratar um brilhante desenvolvedor de startup e entregar-lhes uma única especificação. Sem orientação humana constante, o agente preenche cada ambiguidade com as suas próprias suposições e interpretações. Estes palpites invariavelmente desviam-se da visão original do produto, levando a uma execução falha e ciclos desperdiçados.

Esta autonomia irrestrita cria dois modos de falha primários para os construtores. Primeiro, o agente faz palpites incorretos em cada caso limite e detalhe indefinido, divergindo sistematicamente do resultado pretendido. Segundo, este extenso processo de tentativa e erro leva a uma queima astronómica de tokens, esgotando rapidamente os orçamentos. Peter Steinberger Steinberger, um construtor conhecido por experimentar com Loop Engineerings, relatou notoriamente ter gasto $1.3 milhão em tokens em apenas um mês.

Comandos como `/goal` oferecem capacidades de prototipagem rápida para exploração inicial, no entanto, revelam-se desastrosos para trabalhos de produção robustos. Eles transformam rapidamente o seu fluxo de trabalho de desenvolvimento numa máquina de desperdício de dinheiro. Embora eficaz para aqueles com orçamentos quase ilimitados como Boris Cherny Cherny e Peter Steinberger Steinberger, a maioria dos construtores esgota rapidamente as suas alocações de tokens, tornando tais Loop Engineerings abertos insustentáveis para o desenvolvimento no mundo real e consciente do orçamento. Ras Mic (Michael Shimeles) enfatiza que a human-in-the-Loop Engineering continua a ser a configuração mais forte hoje para output controlado e eficiente.

Ras Ras Mic (Michael Shimeles) (Ras Mic (Michael Shimeles)hael Shimeles) oferece um exemplo tangível de Loop Engineering Engineering agêntico que realmente funciona. Seu code review Loop Engineering diário é uma aula magna em automação restrita, aproveitando uma combinação precisa de ferramentas: Cursor como o arnês de IA, GitHub para controle de versão e Greptile como o revisor de código automatizado. Isso não é um hype teórico; é uma realidade de entrega para o desenvolvimento prático.

A mecânica operacional é notavelmente específica e determinística: uma habilidade personalizada de `grep Loop Engineering` guia o agente. Primeiro, ele lê a revisão abrangente do Greptile, que inclui uma pontuação de qualidade objetiva de cinco, então aplica inteligentemente as correções necessárias à base de código, envia um novo commit para o GitHub e repete este ciclo. O processo continua até que o código atinja uma pontuação perfeita de 5/5 ou esgote suas tentativas após cinco iterações distintas; uma regra firme dita que o código só vai para produção se mantiver uma pontuação acima de quatro de cinco.

O sucesso inegável deste Loop Engineering depende de um princípio fundamental: ele opera dentro de um espaço altamente confinado com feedback claro e quantificável. Ao contrário do desenvolvimento de aplicações de grande escala, a revisão de código fornece uma métrica inequívoca e objetiva para conclusão e qualidade. Este mecanismo de feedback preciso impede que a IA faça suposições amplas e se desvie para o território da "máquina de bagunça". Enquanto visionários como Peter Steinberger Steinberger e Boris Cherny Cherny destacam o vasto potencial dos sistemas agênticos, a implementação de Ras Ras Mic (Michael Shimeles) demonstra as condições específicas e práticas sob as quais eles realmente se destacam agora.

Quando a Loop Engineering Engineering ganha seu lugar? Ras Ras Mic (Michael Shimeles) (Ras Mic (Michael Shimeles)hael Shimeles) traça uma linha clara: Loop Engineerings se destacam em tarefas confinadas com feedback fixo, binário ou quantificável. Seu bem-sucedido code review Loop Engineering, aproveitando Cursor, GitHub e Greptile para buscar uma pontuação de 5/5, exemplifica essa precisão. Gerar SEO pages estruturadas também se encaixa neste modelo, onde as métricas de sucesso são claras.

Contraste isso com o desafio amorfo do desenvolvimento completo de aplicativos. Aqui, a visão do produto é uma entidade matizada e em evolução, muitas vezes residindo parcialmente na intuição humana. Um agente autônomo, deixado à sua própria sorte, preenche cada lacuna com suposições, desviando-se rapidamente da visão pretendida do produto e queimando tokens, como as experiências de Boris Cherny Cherny e Peter Steinberger Steinberger implicam para aqueles sem orçamentos ilimitados.

Ras Ras Mic (Michael Shimeles) (Ras Mic (Michael Shimeles)hael Shimeles) observa que mesmo seu robusto code review Loop Engineering falha após 1.000 linhas de código, necessitando de intervenção humana para dividir o trabalho em múltiplos pull requests. No momento em que uma tarefa exige julgamento subjetivo, resolução criativa de problemas ou navegação na ambiguidade, a intuição e a supervisão humanas tornam-se indispensáveis.

Em última análise, o futuro pode de fato pertencer a sistemas totalmente autônomos. Mas, a partir de hoje, para construir qualquer coisa complexa, a human-in-the-Loop Engineering permanece o fluxo de trabalho mais inteligente, seguro e econômico. Sua mão no volante impede que a "máquina de bagunça" saia do controle, garantindo o alinhamento com a visão e o orçamento.

O que é um loop agêntico em IA?

Um loop agêntico é um processo autônomo onde um agente de IA gera um resultado, revisa sua própria saída e usa isso como feedback para continuar construindo sem intervenção humana direta em cada etapa.

Qual a diferença entre um loop agêntico e human-in-the-loop?

Num sistema human-in-the-loop, uma pessoa direciona, revisa e aprova cada passo que a AI dá. Num ciclo agêntico, o humano inicia o processo uma vez, e a AI lida com o ciclo iterativo de revisão e construção por conta própria.

Por que os ciclos agênticos abertos são tão caros?

Eles consomem tokens rapidamente porque a AI faz suposições para preencher lacunas em suas instruções. Essas suposições frequentemente levam a resultados falhos, exigindo mais ciclos e mais tokens para corrigir, criando um ciclo de feedback custoso.

Qual é um bom caso de uso para um ciclo agêntico?

Tarefas confinadas com feedback claro e objetivo são ideais. Por exemplo, um ciclo de revisão de código onde um agente revisa o código com base numa pontuação de qualidade de outra ferramenta até atingir um alvo é altamente eficaz.