O dia das fábricas de software

N+1 query (consulta repetida ao banco em laço). Uma N+1 query é como um garçom que anota a mesa inteira, mas vai à cozinha buscar um prato por vez, fazendo dez viagens quando uma bandeja resolveria.

1. Um programa guarda dados num banco de dados (database) e busca esses dados fazendo perguntas chamadas consultas (queries). Cada consulta é uma ida e volta que custa tempo.
2. O problema aparece quando o código faz 1 consulta para pegar uma lista e depois faz mais 1 consulta para cada item dessa lista. Com N itens, o total vira N+1 consultas.
3. Exemplo: mostrar 100 pedidos e buscar o cliente de cada pedido um por um gera 101 consultas, quando 2 bastariam.
4. Com poucos dados de teste o atraso passa despercebido. Em produção, com milhares de linhas, a página fica lenta e o banco fica sobrecarregado.
5. A correção junta as buscas num lote só, com um JOIN (junção de tabelas) ou com carregamento antecipado (eager loading) do ORM. O talk usou esse termo para medir padrões de erro por agente.

Ajuda saber antes: Banco de dados, Consulta SQL, Laço de repetição (loop), ORM

Compactação de contexto (resumir o histórico para caber na janela do modelo). Compactação de contexto é como a ata de uma reunião longa, que guarda as decisões e os pendentes para quem chega depois e joga fora a conversa inteira.

1. O modelo só consegue ler um volume limitado de texto de cada vez. Numa conversa ou tarefa longa, esse espaço enche.
2. Esse espaço se chama janela de contexto (context window) e é medido em tokens, os pedaços de texto que o modelo processa.
3. Quando a janela está quase cheia, o harness (software que conduz o modelo) pede ao próprio modelo um resumo do histórico até ali.
4. O resumo entra no lugar das mensagens antigas. Ele guarda objetivo, decisões, arquivos mexidos e próximos passos, e libera espaço para o trabalho seguir.
5. O risco é perder detalhes que ficaram fora do resumo. Por isso ferramentas como Claude Code e Codex compactam de forma automática ou por comando, e o Z Code segue a mesma ideia.

Ajuda saber antes: Janela de contexto, Token, Harness

Control plane (plano de controle). O control plane é como o gerente de uma cozinha de restaurante, que recebe os pedidos e decide qual cozinheiro prepara cada prato e em que fogão.

1. Numa fábrica de software, chegam muitos pedidos de trabalho ao mesmo tempo, como bugs, ideias e melhorias.
2. Alguém precisa decidir qual tarefa vai para qual agente e em que ordem, senão o trabalho trava ou se repete.
3. O control plane (plano de controle) é a camada que faz essa distribuição. Ele recebe as tarefas das entradas e as manda para o chão de fábrica.
4. Ele também acompanha o estado de cada tarefa, sabe quais ambientes estão livres e aciona o agente certo em cada sandbox (ambiente isolado na nuvem).
5. Lloyd separa essa camada do lugar onde o trabalho acontece e do plano de dados, que guarda a memória dos agentes.

Ajuda saber antes: Software factory, Sandbox, Agente de IA

Harness (estrutura que roda o agente). O harness é como o carro em volta do motor, com volante, freio e painel, que transforma a força do motor em uma viagem controlada.

1. Um modelo de IA sozinho só recebe texto e devolve texto. Ele não abre arquivos nem roda comandos.
2. O harness (estrutura que roda o agente) é o programa em volta do modelo que dá a ele ferramentas, instruções e um lugar para agir.
3. Ele monta o pedido para o modelo, executa as ações que o modelo escolhe, devolve o resultado e repete até a tarefa acabar.
4. Claude Code e o agente da Warp são exemplos de harness. O mesmo modelo pode render bem ou mal dependendo do harness em volta.
5. Na fábrica de Lloyd, cada tarefa exige duas escolhas dentro da sandbox, qual harness usar e qual modelo colocar dentro dele.

Ajuda saber antes: Modelo de linguagem, Agente de IA, Sandbox

Skill loop (loop de melhoria de habilidades). O skill loop é como um técnico de futebol que assiste ao jogo, anota os erros dos jogadores e ajusta o treino da semana seguinte.

1. Um agente repete a mesma tarefa muitas vezes, como revisar código, e às vezes erra do mesmo jeito.
2. Uma skill (habilidade) é o conjunto de instruções que ensina o agente a fazer essa tarefa.
3. No skill loop (loop de melhoria de habilidades), um segundo agente, o observador, acompanha como a skill foi usada e onde falhou.
4. Exemplo de Lloyd. Um engenheiro sênior corrige os comentários do agente de code review, e o observador usa essas correções para reescrever a skill.
5. Na rodada seguinte, o agente já trabalha com a skill melhorada, e a fábrica fica melhor a cada volta sem alguém reescrever tudo à mão.

Ajuda saber antes: Agente de IA, Skill, Code review

Memory layer (camada de memória de longo prazo). A camada de memória é como a pasta de boas-vindas que o RH entrega a cada funcionário novo e atualiza toda semana, dizendo quem faz o quê, em qual equipe e como a empresa trabalha.

1. Um modelo de IA esquece tudo quando a conversa acaba. Cada pedido novo começa do zero, como se ele nunca tivesse visto a empresa.
2. A camada de memória (memory layer) é um arquivo de longo prazo guardado fora do modelo. Ela registra fatos duráveis, como no que cada pessoa trabalha, em qual time está e por quais produtos responde.
3. Ela também guarda o nível da organização, ou seja, os termos da empresa e o jeito como o trabalho é feito ali.
4. Quando o agente recebe uma tarefa, o sistema busca nessa memória só o que importa e coloca no contexto (o texto que o modelo lê junto com o pedido).
5. A WorkOS quer essa memória sempre atualizada (evergreen) e separada da fábrica de software, para ligá-la também às outras ferramentas de IA da empresa.

Ajuda saber antes: Janela de contexto, Agente de IA, Software factory

Deferred context (contexto adiado (divulgação progressiva)). Contexto adiado é como o cardápio de um restaurante, que mostra só o nome e uma linha sobre cada prato, e a cozinha só separa a receita completa quando alguém faz o pedido.

1. Um agente de IA só enxerga o que cabe na sua memória de trabalho, chamada janela de contexto (context window), e esse espaço tem limite.
2. Empresas conectam centenas de ferramentas, como Slack, Gmail e Figma, e cada uma chega com descrição, parâmetros e formato de dados que ocupam esse espaço.
3. Com tudo carregado de uma vez, o agente gasta mais tokens, confunde ferramentas de nome parecido e precisa resumir o contexto, perdendo detalhes.
4. O contexto adiado (deferred context) mostra primeiro só uma lista curta com o nome e uma descrição breve de cada ferramenta, técnica chamada divulgação progressiva (progressive disclosure).
5. Quando o agente decide usar uma ferramenta, o sistema carrega a definição completa dela. Nada é apagado, só fica escondido, e a Factory relata economia de 50% ou mais de tokens quando há muitas ferramentas.

Ajuda saber antes: Janela de contexto, Tokens, Chamada de ferramentas (tool calling), Agente de IA

Sample ratio mismatch (desvio entre a divisão esperada e a real dos grupos de um experimento). Sample ratio mismatch é como uma pesquisa de sabor numa padaria em que metade dos clientes deveria provar o pão novo, mas no fim do dia a conta mostra muito mais gente num lado da fila do que no outro.

1. Num experimento A/B (teste com dois grupos), o sistema sorteia os usuários entre a versão antiga e a nova numa proporção combinada, por exemplo metade para cada lado.
2. No fim, alguém conta quantas pessoas caíram de fato em cada grupo. Uma pequena diferença é normal, porque o sorteio tem variação.
3. Sample ratio mismatch (desvio na proporção da amostra) acontece quando a diferença é grande demais para ser acaso. Um teste estatístico, como o qui-quadrado, mede essa chance.
4. Esse desvio indica defeito na divisão ou no registro dos dados, como um bug que expulsa parte dos usuários de um grupo. Por isso o resultado do experimento deixa de ser confiável.
5. No agente do palestrante, uma flag com esse desvio conta como sinal de risco. Ela sai da fila de limpeza automática e fica para um humano decidir.

Ajuda saber antes: Teste A/B, Feature flag, Rollout, Significância estatística

Pareto efficiency (eficiência de Pareto (melhor custo por qualidade)). Pareto efficiency é como escolher o restaurante do almoço da firma, onde você descarta todo lugar que tem outro mais barato e mais gostoso ao mesmo tempo, e fica só com os que valem o preço.

1. Toda escolha de modelo de IA mexe com duas coisas ao mesmo tempo, o custo de cada execução e a qualidade da resposta.
2. Uma opção é dominada quando existe outra que custa menos e entrega igual ou melhor. Opção dominada nunca vale a pena.
3. Pareto efficiency (eficiência de Pareto) descreve as opções que sobram. Nelas, para ganhar qualidade você precisa pagar mais, e para pagar menos você perde qualidade.
4. Essas opções formam a fronteira de Pareto (Pareto frontier), uma curva de melhor custo para cada nível de qualidade.
5. No Warp, os modelos auto são reavaliados a cada modelo novo e ficam só os que estão nessa fronteira. Tarefas simples, como triagem e CI, vão para modelos baratos da fronteira em vez do Opus.

Ajuda saber antes: Model routing, Custo por token, Avaliação de modelos (evals)

Sidecar (processo auxiliar que escuta eventos externos). Um sidecar é como o porteiro de um prédio, que passa o dia na portaria atento a entregas e visitas e avisa o morador assim que algo chega.

1. Um agente de IA costuma agir só quando alguém manda uma mensagem para ele.
2. O sidecar (processo auxiliar) é um programa que fica ligado o tempo todo ao lado do agente, apenas escutando.
3. Ele observa o mundo externo, como mensagens SMS, webhooks (avisos automáticos enviados por outros sistemas), horários agendados (cron) e pull requests no GitHub.
4. O próprio modelo configura gatilhos nesse sidecar, por exemplo pedir para revisar o código sempre que chegar um pull request novo.
5. No Antigravity, as tarefas agendadas já rodam sobre sidecars, e o Google promete publicar a especificação desse protocolo de plug-in para outros desenvolvedores.

Ajuda saber antes: Agente de IA, Webhook, Cron job, Gatilho de evento

Rollout (execução de um modelo sobre uma tarefa de avaliação). Um rollout é como uma rodada de prova em que o aluno resolve a lista inteira de exercícios e entrega a folha para correção.

1. Para saber se um modelo de IA melhorou, a equipe entrega a ele uma lista fixa de tarefas de teste.
2. Cada vez que o modelo tenta resolver essas tarefas do começo ao fim, temos um rollout (execução completa sobre a tarefa).
3. Os pesquisadores rodam vários rollouts da versão atual (controle) e da versão nova (experimento) e guardam os resultados em duas tabelas.
4. Na eval side-by-side (avaliação lado a lado), eles comparam as tabelas para achar a diferença de desempenho e o motivo dela.
5. No exemplo do talk, o agente calcula essa diferença, propõe 100 hipóteses e cria um subagente para investigar cada uma em paralelo.

Ajuda saber antes: Eval (avaliação de modelo), Grupo de controle, Subagente