Desde a ¨²ltima vez que escrevemos sobre agentes de engenharia de software , h¨¢ seis meses, a ind¨²stria ainda n?o chegou a uma defini??o consensual do termo ¡°agente¡±. Por¨¦m, um avan?o significativo surgiu ¡ª n?o em agentes de programa??o aut?nomos (que continuam pouco convincentes), mas em agentes de modo supervisionado presentes na IDE. Esses modos permitem que desenvolvedoras conduzam implementa??es via chat, com ferramentas que n?o apenas modificam c¨®digos em m¨²ltiplas linhas e arquivos, mas tamb¨¦m executam comandos, testes e respondem aos feedbacks da IDE, como erros de linting ou de compila??o.
Esta abordagem, ¨¤s vezes chamada de ¡°chat-oriented programming¡± (CHOP) ou ¡°prompt-to-code¡±, mant¨¦m as desenvolvedoras no controle enquanto transfere mais responsabilidade para a IA do que assistentes de programa??o tradicionais, como sugest?es autom¨¢ticas. As ferramentas que lideram esse espa?o incluem Cursor, Cline e Windsurf, com GitHub Copilot levemente atrasado, por¨¦m conquistando espa?o rapidamente. A utilidade desses agentes dependem tanto do modelo usado (com a s¨¦rie Sonnet do Claude sendo o estado da arte atual) quanto a da qualidade de integra??o com a IDE para proporcionar uma boa experi¨ºncia ¨¤ desenvolvedora.
N¨®s achamos esses fluxos de trabalho interessantes e promissores, pois trazem um aumento not¨¢vel na velocidade de codifica??o. Por¨¦m, manter um escopo pequeno de problemas ajuda as desenvolvedoras a revisarem melhor as mudan?as feitas por IA. Esses fluxos funcionam melhor com prompts de baixa abstra??o e bases de c¨®digos compat¨ªveis com IA que sejam bem estruturadas e devidamente testadas. ? medida em que esses m¨¦todos melhoram, tamb¨¦m aumenta o risco de complac¨ºncia com c¨®digos gerados por IA. Para mitigar esse problema, aplique programa??o em par (pair programming) e outras pr¨¢ticas efetivas de revis?o, especialmente para c¨®digos em produ??o.
Um dos t¨®picos mais comentados, atualmente, no espa?o de IA generativa, ¨¦ o conceito de agentes de engenharia de software. Essas ferramentas de assist¨ºncia de codifica??o fazem mais do que apenas ajudar a pessoa engenheira com trechos de c¨®digo aqui e ali; elas ampliam o tamanho do problema que podem resolver, idealmente de forma aut?noma e com o m¨ªnimo de interfer¨ºncia de uma pessoa. A ideia ¨¦ que essas ferramentas possam pegar um problema do GitHub ou um t¨ªquete do Jira e propor um plano e altera??es de c¨®digo para implement¨¢-lo, ou at¨¦ mesmo criar uma pull request para uma pessoa revisar. Embora este seja o pr¨®ximo passo l¨®gico para aumentar o impacto da assist¨ºncia de codifica??o com IA, a meta frequentemente anunciada de agentes gen¨¦ricos que podem cobrir uma ampla gama de tarefas de codifica??o ¨¦ muito ambiciosa, e o estado atual das ferramentas ainda n?o est¨¢ mostrando isso de forma convincente. No entanto, podemos acompanhar isso funcionando mais cedo ou mais tarde para um escopo mais limitado de tarefas diretas, liberando tempo da pessoa desenvolvedora para trabalhar em problemas mais complexos. As ferramentas que est?o lan?ando e comercializando vers?es beta de agentes incluem , , Tabnine's e . O comparador lista ferramentas neste contexto, mas alertamos para levar as compara??es no campo da IA com cautela.
