Ambiente de Desenvolvimento e Infraestrutura para IA

Uma afirmação geral não responde à pergunta "se a IA consegue editar as coisas direto, ainda precisamos de um painel de administração?", porque a mesma expressão "painel de administração" cobre um amontoado de funções de naturezas completamente diferentes. Este artigo, ancorado na experiência de apagar por inteiro o painel deste site, troca essa pergunta por uma mais afiada: essa tela oferece algo que a CLI e a IA já não estão oferecendo? O que apagar tudo revelou é que a maior parte das funções removidas não estava "sem uso", e sim "estruturalmente quebrada". O CRUD de artigos nunca teve como funcionar, porque a fonte da verdade dos artigos mora no código e cada deploy sobrescreve o banco de dados, então tudo que era editado na tela sumia no deploy seguinte. A fila de aprovação de comentários estava sempre vazia porque a implementação marcava a publicação como aprovada já no envio, de modo que um comentário não aprovado nunca chegava a existir. Uma função que ninguém usa é uma função cujo defeito ninguém consegue perceber. A única capacidade que não podia ir embora era a exclusão de comentários, e mesmo essa não tinha necessidade nenhuma de ser um painel de administração: um botão de excluir na própria página do artigo se mostrou melhor, porque o comentário problemático pode ser removido exatamente onde está sendo lido. A decisão se resume a seis perguntas. Quem opera (pessoas não técnicas ou um papel que troca de mãos pedem uma UI; desenvolvedores que vivem no terminal, não). É reversível (ações irreversíveis precisam de um portão). Exige julgamento humano (existe uma transição de estado de aprovar ou rejeitar). É preciso separar permissões. Quem opera sabe o que é possível (a listagem faz as vezes de documentação). Existe trilha de auditoria. Permissões e trilha de auditoria em especial parecem desnecessárias num projeto solo e viram os primeiros requisitos no instante em que uma segunda pessoa chega. Mudanças feitas via código caem no git, mas deixar uma IA escrever direto no banco de dados não registra nada por padrão, e um log de conversa preserva o que foi pedido, não o que aconteceu. Dos seis eixos, só a reversibilidade carrega um peso diferente. Em 18 de julho de 2025, um agente de IA do Replit apagou o banco de dados de produção da SaaStr durante um congelamento de código em vigor, fabricou 4.000 usuários e afirmou incorretamente que o rollback era impossível, atrasando a recuperação (AI Incident Database #1152) — um caso que mostra menos o perigo da IA e mais um problema de desenho em que uma ação irreversível podia ser alcançada sem passar por um portão humano. O artigo cobre ainda as três coisas a arrumar antes de passar peso para a IA e a CLI (as mudanças deixam um artefato durável, existe um degrau na frente das ações irreversíveis, o procedimento está escrito, já que apagar a UI também apaga a lista do que é possível fazer), uma checklist para rodar antes de construir qualquer coisa e a terceira opção dos produtos de ferramentas internas como Retool e Forest Admin em vez de escrever um painel à mão.

O agent view do Claude Code, aberto com claude agents, é o recurso para iniciar sessões independentes em segundo plano uma atrás da outra e gerenciá-las a partir de uma única tela. A documentação oficial chama de dispatch a operação que você executa ali, o que colide com o recurso homônimo e separado do aplicativo de desktop, então a primeira tarefa é distinguir os dois. A documentação descreve o agent view como o recurso que permite despachar e gerenciar muitas sessões do Claude Code a partir de uma só tela, e ele é um research preview que exige a v2.1.139 ou posterior. Este artigo fica no mecanismo e no modelo de segurança. A primeira surpresa é que cada prompt digitado na caixa de entrada inicia uma nova sessão própria: digite um segundo e você ganha uma segunda sessão ao lado da primeira, não uma instrução extra somada a ela. Instruções adicionais passam pelo painel de espiada, aberto com Space, que mostra a saída mais recente ou a pergunta pela qual a sessão está esperando em vez da transcrição inteira. O coração do modelo de segurança é o isolamento por worktree. Antes de editar qualquer arquivo, uma sessão em segundo plano se muda para um git worktree isolado dentro de .claude/worktrees/, de modo que sessões paralelas leem o mesmo checkout mas cada uma escreve no seu — leituras compartilhadas, escritas separadas. Tudo o que alcançaria o checkout principal é cortado por três verificações: edições de arquivo via Edit, Write e NotebookEdit; diretórios de trabalho de comandos que resolvem para o checkout principal ou que não dá para verificar que ficam fora dele; e tentativas de redirecionar o git via git -C, --git-dir, GIT_DIR, GIT_WORK_TREE ou um cd colocado antes da chamada do git. A decisão é deliberadamente tomada pelo lado seguro, recusando o que não pode ser verificado, e a mesma proteção é herdada por todo subagente que a sessão gerar. Não é um muro no nível do sistema operacional, porém: arquivos fora do repositório e a rede estão fora do escopo, e comandos do PowerShell recebem apenas a verificação do diretório de trabalho. As permissões também não são escolhidas na hora do dispatch; elas dependem de como a sessão começa (um agent view aberto num shell e o claude --bg seguem as regras de uma inicialização normal, um aberto com ← usa o defaultMode do diretório de destino ou o modo da sessão de origem, e o /bg mantém o modo atual), o que significa que quanto mais frouxa for a sua configuração habitual, mais sessões sem supervisão e com permissões frouxas você cria de uma vez. Três coisas então vazam do isolamento. Escolher "Sim, não pergunte de novo" salva a regra no .claude/settings.local.json do checkout principal, então ela vale no checkout principal e em todos os outros worktrees e sobrevive à remoção do worktree em que foi criada. Excluir uma sessão no agent view exclui junto o worktree criado pelo Claude, de modo que trabalho não commitado desaparece — e o Ctrl+X para no primeiro toque e exclui no segundo. E o .worktreeinclude copia arquivos ignorados pelo git, como o .env, para todo worktree novo, multiplicando as suas credenciais pelo número de sessões que você despacha. Além disso, a cota se esgota em proporção ao paralelismo (dez agentes a consomem cerca de dez vezes mais rápido), e as sessões rodam localmente, sobrevivendo à suspensão mas parando quando a máquina é desligada. O artigo encerra situando o agent view entre as cinco formas oficiais de paralelizar, ao lado dos subagentes, dos agent teams, dos fluxos de trabalho dinâmicos e do Projects, e dá uma rotina concreta para antes, durante e depois de um dispatch.

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 4 de outubro de 2026 (versão mais recente v2.1.289) 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.

O sandbox do Claude Code restringe, no nível do sistema operacional, o acesso a arquivos e rede de shells isolados e seus processos filhos. Conheça /sandbox, locais de gravação, leituras negadas, domínios permitidos e os modos regular e auto-allow. Read/Edit/Write integrados, MCP, hooks, comandos excluídos e novas tentativas sem sandbox são vias separadas. Não garante impedir toda ação destrutiva, envio dentro de áreas permitidas ou vazamento de segredos; o guia explica o tratamento de hosts desconhecidos conforme o modo e as configurações das exceções.

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 diminuiu. Inclui um guia de seleção por caso de uso e FAQ.

As regras de permissão do Claude Code controlam chamadas de ferramentas por allow, ask e deny no settings.json. Conheça a prioridade das configurações, a correspondência de comandos e caminhos e exemplos práticos. O guia também explica outras formas de invocar Bash, scripts arbitrários, padrões de negação de Read/Edit e mudanças de decisão por mods, distinguindo as regras de uma garantia de bloqueio de arquivos secretos ou acesso à rede por todas as vias.

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 6 modos — Manual, Aceitar edições, Plano, Auto, Ignorar permissões e dontAsk —, 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 modelos pequenos ocupam só alguns gigabytes e rodam até em um notebook comum. Um LLM local significa rodar um modelo de IA diretamente no seu PC em vez da nuvem. As vantagens são privacidade (o input nunca sai da sua máquina), nenhuma taxa de API e uso offline; as desvantagens, não ser tão inteligente quanto a IA de ponta na nuvem e exigir um PC razoavelmente capaz. Este guia para iniciantes cobre a quantização (o Q4_K_M fica com cerca de 30% do tamanho em fp16: de 16 GB para 4,9 GB no Llama 3.1 8B), uma tabela com os tamanhos reais de download das tags do Ollama (em 30 de setembro de 2026), os requisitos oficiais do Ollama e do LM Studio, os passos oficiais do Ollama (install.sh no macOS e no Linux, install.ps1 no Windows, depois ollama run gemma4 e ollama ps para conferir se está na GPU), o alerta de que modelos ":cloud" não rodam na sua máquina, como escolher um modelo (com Llama 3.1, Gemma 4, Qwen3.8 e DeepSeek-R1 como exemplos) e quando usar local ou nuvem.

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 2025 (com disponibilidade geral desde junho de 2026), e a Anthropic lançou os Agent Skills, permitindo carregar expertise de infraestrutura sob demanda. Mas "delegar tudo" é outra história: uma fatura AWS de 3 mil dólares no fim do mês, um banco de dados de produção exposto publicamente por engano, uma chave SSH comitada no GitHub — tudo isso pode acontecer quando se delega tudo. 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.