Ambiente de Desenvolvimento e Infraestrutura para IA

Muita gente aperta o /compact do Claude Code seguindo uma regra do tipo "a cada 30 minutos" ou "quando o contexto passar de 70%", mas o que a documentação oficial recomenda não é nem relógio nem porcentagem: é uma pausa no trabalho. Rode o /compact em um ponto de corte natural, por exemplo entre tarefas, em vez de esperar o auto-compact disparar no meio de uma tarefa. Este artigo toma a documentação do Claude Code em 8 de agosto de 2026 (versão mais recente v2.1.226) como fonte primária e resolve a questão da compactação manual a partir da especificação. Ele começa pela maquinaria: a compactação roda em três estágios, a saber, o descarte de saídas antigas de ferramentas, o auto-compact e o /compact manual que você aperta. O segundo e o terceiro são o mesmo processamento, então apertá-lo você mesmo compra exatamente duas coisas, escolher o momento e especificar o que manter. Apertar com mais frequência não economiza contexto extra. Em seguida vem uma tabela do que sobrevive. O CLAUDE.md da raiz do projeto e a sua memória automática são reinjetados do disco, enquanto regras com paths: e arquivos CLAUDE.md aninhados em subdiretórios são perdidos até que um arquivo correspondente seja lido de novo, e os corpos das skills que você invocou são reinjetados sob um teto de 5.000 tokens por skill e 25.000 no total, descartando os mais antigos primeiro. Sobre custo, o preço de uma compactação é definido não pelo tamanho do contexto, e sim pelo cache de prompt estar quente ou não. Aperte no meio da sessão e o prefixo é lido do cache, o que sai barato; aperte depois de uma pausa mais longa que a vida útil do cache (uma hora em assinatura, cinco minutos por padrão via chave de API) e todo o histórico é reprocessado sem cache, o que é o mais caro que esse comando chega a ser. Daí em diante o artigo cobre como escolher entre /compact, /clear, /rewind, /recap e /context, como o /autocompact a partir da v2.1.221 move o ponto de disparo automático de 100K a 1M tokens e qual a precedência dos quatro lugares de onde a configuração pode vir, a armadilha de só a variável de ambiente aceitar um inteiro simples, e o significado e os passos de recuperação das duas mensagens "Not enough messages to compact." e "Autocompact is thrashing: the context refilled to the limit...".

Você construiu sobre a OpenAI, depois quis testar o Claude e comparar o Gemini — e perdeu horas com os SDKs, formatos e tratamentos de erro diferentes por provedor. Um LLM gateway (AI gateway / LLM proxy) é um relay que você encaixa entre a sua aplicação e os provedores: ele expõe uma única API compatível com OpenAI para alcançar todos os modelos e assume as tarefas transversais — fallback, controle de custos, chaves virtuais, cache, rate limiting e observabilidade. Este guia cobre por que você precisa de um, o que um gateway realmente é, os três tipos (proxy self-hosted = LiteLLM / hospedado = OpenRouter / SDK = Vercel AI SDK), como escolher entre LiteLLM, OpenRouter e o Vercel AI SDK, o código de configuração mínima que só troca o endpoint, e os limites — um salto de latência, o gateway como novo ponto de falha, taxas (o OpenRouter cobra 5,5% sobre compras), perda de recursos e privacidade.

Use o Claude Code por tempo suficiente e você chega a um dilema: um aviso a cada comando trava seu fluxo, mas desativar todos com o bypass é perigoso. O sandbox quebra esse binário delimitando o que pode ser tocado no nível do SO, de modo que os comandos rodam livremente por dentro sem avisos enquanto nada alcança o exterior. Este guia cobre os dois isolamentos (sistema de arquivos e rede), os primeiros passos com /sandbox (o macOS funciona de imediato, Linux/WSL2 precisa de bubblewrap+socat, o Windows nativo não é suportado), o modo auto-permitir contra o regular, a configuração do settings.json (allowWrite/denyRead, credentials, allowedDomains), como ele complementa os modos e as regras de permissão como uma terceira camada imposta pelo SO, seus limites (TLS não inspecionado, sockets Unix) e quando recorrer a dev containers ou VMs. A Anthropic relata que ele cortou os avisos de permissão em 84% no uso interno.

Dá para entregar a operação da AWS à IA? Em 2026 você pode delegar bastante. A própria AWS oferece o Amazon Q Developer e o Agent Toolkit for AWS (maio de 2026 — mais de 40 skills de agente + um AWS MCP Server gerenciado + plugins), então a IA vai da geração de IaC até a operação de recursos. Este guia enquadra o "delegar" em três níveis (① geração de código/IaC, ② operação/investigação orientada a leitura, ③ um agente autônomo que opera a AWS de verdade), cobre as principais ferramentas (Amazon Q Developer, Agent Toolkit, AWS MCP Server, Terraform MCP, Bedrock AgentCore) — incluindo a rota traga o seu próprio de dar ao Claude Code ou ao Codex a AWS CLI para rodar "aws" pelo shell — as vantagens (IaC rápido, triagem automatizada, ideias de otimização de custos, conhecimento democratizado) e, então, o ponto que importa, as desvantagens (proliferação de permissões IAM, excesso de privilégio como amplificador do raio de destruição de erros/injeção de prompt, permissões que sobrevivem à tarefa, custos fora de controle — com incidentes reais de exclusão de bancos de dados de produção em 2025-26), com base em fontes oficiais da AWS e de fornecedores de segurança. A virada essencial: a pergunta não é "dá para fazer?", mas "como delegar sem que a coisa saia do controle ou a fatura exploda" — e o fato de a própria AWS ter embutido guardrails de IAM, auditoria via CloudTrail e sandbox no Agent Toolkit revela o formato da resposta. Inclui os cinco princípios (IAM de menor privilégio, aprovação humana para operações destrutivas, observabilidade, credenciais JIT de curta duração, sandbox) e um FAQ.

O primeiro obstáculo ao colocar um agente de IA em trabalho real é "em qual framework construí-lo". Da ótica do desenvolvedor e de quem seleciona a tecnologia, este artigo compara seis frameworks principais — LangGraph, CrewAI, AutoGen (integrado ao Microsoft Agent Framework, GA em abril de 2026), OpenAI Agents SDK, Google ADK e Claude Agent SDK — por abordagem de orquestração (grafo dirigido / crew baseada em papéis / GroupChat conversacional / handoffs / árvore hierárquica / laço autônomo de ferramentas), linguagem, curva de aprendizado, controle, maturidade em produção, custo de tokens e caso de uso ideal. A ressalva central: o framework "mais rápido de prototipar" (CrewAI) pode ser o mais caro em produção — cerca de 3× os tokens (41k contra 18,5k do LangGraph em um benchmark) e não determinístico, o que o torna inadequado para finanças e saúde. Também explica como 2026 trouxe interoperabilidade via MCP (ferramentas) e A2A (agente a agente), de modo que agentes de frameworks diferentes agora trabalham juntos e o lock-in desapareceu. Inclui um guia de seleção por caso de uso e FAQ.

As regras de permissão do Claude Code definem, no settings.json, quais ferramentas, comandos, arquivos e domínios são executados sem perguntar, exigem confirmação ou ficam proibidos. Veja a sintaxe allow/ask/deny, a hierarquia do settings.json e receitas práticas para automatizar o seguro e bloquear o perigoso.

O modo de permissão decide com que frequência o Claude pausa para pedir aprovação antes de editar arquivos ou executar comandos. Este guia explica os 5 modos — Manual, Aceitar edições, Planejar, Automático e Ignorar permissões —, como alternar com Shift+Tab e como escolher cada um com segurança.

O controle de esforço do Claude Code decide quanto raciocínio e quantos tokens a IA aplica em cada resposta. Veja os 5 níveis da API (low–max), por que “Extra” é xhigh e não o topo, o que é o Ultracode e como definir tudo com /effort.

Você provavelmente imagina que um LLM precisa rodar na nuvem, mas em 2026 rodar a IA inteiramente dentro do seu próprio PC — um "LLM local" — é uma opção realista. Um LLM local significa rodar um modelo como o ChatGPT ou o Claude diretamente na sua máquina em vez da nuvem. Os três grandes atrativos são privacidade (o input nunca sai do seu dispositivo), custo zero (sem taxas de API) e uso offline (funciona sem internet). As desvantagens: não é tão inteligente quanto a IA na nuvem de ponta, precisa de um PC razoavelmente capaz, exige alguma configuração e não tem conhecimento atualizado. Este guia para iniciantes cobre o que é um LLM local (uma analogia de streaming x download), as vantagens e desvantagens, as configurações que você precisa e a quantização (o formato GGUF, com o Q4_K_M de referência que mantém a qualidade enquanto corta a memória para cerca de um quarto; cerca de 0,5 GB de memória por 1B de parâmetros a 4 bits), como começar (a interface gráfica do LM Studio para iniciantes, a linha de comando do Ollama para desenvolvedores — 52 milhões de downloads mensais no 1º trimestre de 2026), modelos recomendados para 2026 (Llama 3.2 7B, Google Gemma 4, Alibaba Qwen3.5, além de DeepSeek e Mistral — todos abertos) e quando usar local x nuvem (local para trabalho confidencial, de alto volume e offline; nuvem para problemas difíceis). O primeiro passo mais rápido: rodar um modelo pequeno 3B–7B no LM Studio.

A configuração de ambiente é onde todo programador iniciante trava. Em 2026, a IA generativa (Claude Code, Codex, Cursor) é genuinamente utilizável para trabalho rotineiro de infraestrutura — configuração de ambiente local, geração de Dockerfile, rascunhos de Terraform, pipelines CI/CD. A HashiCorp lançou seu Terraform MCP Server oficial em 2026, e a Anthropic lançou os Agent Skills, permitindo carregar expertise de infraestrutura sob demanda. Mas "delegar tudo" é outra história: um security group aberto em 0.0.0.0/0, uma chave SSH comitada no GitHub, uma fatura AWS de 3 mil dólares no fim do mês — todos incidentes reais de 2026. Este artigo separa cinco áreas seguras para delegar, três zonas de risco para "verificar e então confiar", quatro áreas apenas humanas, um fluxo seguro de quatro passos para iniciantes e o ferramental mais recente de 2026 (Claude Code, MCP, Agent Skills) — focado em avaliação de capacidade, não em impacto na carreira.

Pergunte ao Claude Code ou ao ChatGPT sobre construir um app web e você quase certamente ouvirá "use Next.js." Mas essa sugestão vem da frequência nos dados de treinamento, não de um juízo sobre o seu projeto. Este artigo destrincha as três razões legítimas da IA (dominância nos dados de treinamento / tudo incluído / facilidade de deploy na Vercel), explica a relação entre JavaScript / React / Next.js, percorre um fluxo de decisão de 5 minutos (o que construir, SEO, DB, orçamento de tempo, host alvo), mapeia quatro alternativas realistas (Astro, Vite + React, SvelteKit, HTML + Vanilla) por caso de uso, expõe os cinco fundamentos obrigatórios para usar Next.js (App Router, Server vs Client Components, roteamento baseado em arquivos, variáveis de ambiente, destinos de deploy) e as três armadilhas que pegam os iniciantes (use-client em todo lugar, lock-in da Vercel, IA devolvendo código antigo de Pages Router) — tudo calibrado para maio de 2026. Segunda entrada da série "A IA recomenda..." após o artigo de Docker.

Em fevereiro de 2026, a Anysphere — empresa por trás do Cursor — ultrapassou US$ 2 bi em ARR, traçando uma curva de receita SaaS na liga de OpenAI e Anthropic em apenas três anos. Este artigo cobre como o Cursor difere do VS Code ao embarcar a IA diretamente na camada de renderização (autocompletar com Tab abaixo de 100 ms, índice da base de código com 272 mil tokens, as seis funções centrais: Tab / Inline Edit / Composer / Agent / Background Agents / Bugbot), as cinco diferenças concretas frente ao VS Code, comparação lado a lado com quatro rivais (Windsurf / Zed / Claude Code / GitHub Copilot), a estrutura de planos Hobby grátis / Pro US$ 20 / Business US$ 40 e um guia de decisão sobre "quem deve realmente migrar" — fundamentado em fatos de maio de 2026.