Quando o criador do agente de codificação mais avançado do mundo fala, o Vale do Silício não apenas escuta – ele faz anotações.
Na semana passada, a comunidade de engenharia vem dissecando um tópico em X de Boris Chernyo criador e chefe de Código Claude no Antrópico. O que começou como um compartilhamento informal de sua configuração de terminal pessoal se transformou em um manifesto viral sobre o futuro do desenvolvimento de software program, com especialistas do setor chamando-o de um divisor de águas para a startup.
“Se você não está lendo as melhores práticas do Código Claude diretamente de seu criador, você está atrasado como programador”, escreveu Jeff Tanguma voz proeminente na comunidade de desenvolvedores. Kyle McNeaseoutro observador da indústria, foi além, declarando que com as “atualizações revolucionárias” de Cherny, a Anthropic está “pegando fogo”, potencialmente enfrentando “seu momento ChatGPT”.
A empolgação decorre de um paradoxo: o fluxo de trabalho de Cherny é surpreendentemente simples, mas permite que um único ser humano opere com a capacidade de produção de um pequeno departamento de engenharia. Como observou um usuário no X após implementar a configuração de Cherny, a experiência “parece mais com Starcraft” do que a codificação tradicional – uma mudança da sintaxe de digitação para o comando de unidades autônomas.
Aqui está uma análise do fluxo de trabalho que está remodelando a forma como o software program é construído, diretamente do próprio arquiteto.
Como executar cinco agentes de IA ao mesmo tempo transforma a codificação em um jogo de estratégia em tempo actual
A revelação mais surpreendente da divulgação de Cherny é que ele não codifica de forma linear. No tradicional “laço interno“de desenvolvimento, um programador escreve uma função, testa-a e passa para a próxima. Cherny, no entanto, atua como comandante de frota.
“Eu executo 5 Claudes em paralelo no meu terminal”, escreveu Cherny. “Eu numero minhas guias de 1 a 5 e uso as notificações do sistema para saber quando um Claude precisa de informações.”
Ao utilizar notificações do sistema iTerm2, Cherny gerencia com eficácia cinco fluxos de trabalho simultâneos. Enquanto um agente executa um conjunto de testes, outro refatora um módulo legado e um terceiro elabora a documentação. Ele também dirige “5-10 Claudes em claude.ai” em seu navegador, usando um comando “teletransporte” para transferir sessões entre an online e sua máquina native.
Isso valida o “faça mais com menos” estratégia articulada pela presidente da Anthropic, Daniela Amodei, no início desta semana. Enquanto concorrentes como a OpenAI buscam construções de infraestrutura de trilhões de dólares, a Anthropic está provando que a orquestração superior dos modelos existentes pode gerar ganhos exponenciais de produtividade.
O caso contraintuitivo para escolher o modelo mais lento e inteligente
Em um movimento surpreendente para uma indústria obcecada por latência, Cherny revelou que usa exclusivamente o modelo mais pesado e lento da Anthropic: Opus 4.5.
“Eu uso o Opus 4.5 pensando em tudo”, Cherny explicado. “É o melhor modelo de codificação que já usei e, embora seja maior e mais lento que o Sonnet, já que você precisa dirigi-lo menos e é melhor no uso de ferramentas, é quase sempre mais rápido do que usar um modelo menor no remaining.”
Para os líderes de tecnologia empresarial, esta é uma visão crítica. O gargalo no desenvolvimento moderno da IA não é a velocidade de geração do token; é o tempo humano gasto corrigindo os erros da IA. O fluxo de trabalho de Cherny sugere que pagar antecipadamente o “imposto de cálculo” por um modelo mais inteligente elimina o “imposto de correção” posteriormente.
Um arquivo compartilhado transforma cada erro de IA em uma lição permanente
Cherny também detalhou como sua equipe resolve o problema da amnésia da IA. Os modelos padrão de linguagem grande não “lembram” do estilo de codificação específico ou das decisões arquitetônicas de uma empresa de uma sessão para outra.
Para resolver isso, a equipe de Cherny mantém um único arquivo chamado CLAUDE.md em seu repositório git. “Sempre que vemos Claude fazer algo errado, nós adicionamos isso ao CLAUDE.md, para que Claude saiba que não deve fazer isso na próxima vez”, escreveu ele.
Essa prática transforma a base de código em um organismo autocorretivo. Quando um desenvolvedor humano analisa uma solicitação pull e detecta um erro, ele não apenas corrige o código; eles marcam a IA para atualizar suas próprias instruções. “Cada erro se torna uma regra,” observado Aakash Guptaum líder de produto analisando o segmento. Quanto mais tempo a equipe trabalha junta, mais inteligente o agente se torna.
Comandos Slash e subagentes automatizam as partes mais tediosas do desenvolvimento
O fluxo de trabalho “baunilha” que um observador elogiou é alimentado por uma automação rigorosa de tarefas repetitivas. Cherny usa comandos de barra – atalhos personalizados verificados no repositório do projeto – para lidar com operações complexas com um único toque de tecla.
Ele destacou um comando chamado /commit-push-prque ele invoca dezenas de vezes diariamente. Em vez de digitar manualmente comandos git, escrever uma mensagem de commit e abrir uma solicitação pull, o agente lida com a burocracia do controle de versão de forma autônoma.
Cherny também implanta subagentes – personas especializadas em IA – para lidar com fases específicas do ciclo de vida de desenvolvimento. Ele usa um simplificador de código para limpar a arquitetura após a conclusão do trabalho principal e um agente de verificação de aplicativo para executar testes de ponta a ponta antes que qualquer coisa seja enviada.
Por que os loops de verificação são o verdadeiro desbloqueio do código gerado por IA
Se há uma única razão pela qual Claude Code teria atingido US$ 1 bilhão em receita recorrente anual tão rapidamente, é provável que seja o ciclo de verificação. A IA não é apenas um gerador de texto; é um testador.
“Claude testa cada alteração que faço em claude.ai/code usando a extensão Claude Chrome”, escreveu Cherny. “Ele abre um navegador, testa a IU e itera até que o código funcione e a UX pareça boa.”
Ele argumenta que dar à IA uma maneira de verificar seu próprio trabalho – seja por meio da automação do navegador, da execução de comandos bash ou da execução de conjuntos de testes – melhora a qualidade do resultado remaining em “2-3x”. O agente não apenas escreve código; isso prova que o código funciona.
O que o fluxo de trabalho de Cherny sinaliza sobre o futuro da engenharia de software program
A reação ao tópico de Cherny sugere uma mudança basic na forma como os desenvolvedores pensam sobre seu trabalho. Durante anos, “codificação de IA” significou uma função de preenchimento automático em um editor de texto – uma maneira mais rápida de digitar. Cherny demonstrou que agora pode funcionar como um sistema operacional para o próprio trabalho.
“Leia isto se você já é engenheiro… e quer mais potência,” Jeff Tang resumido em X.
As ferramentas para multiplicar a produção humana por um issue de cinco já estão aqui. Eles exigem apenas a disposição de parar de pensar na IA como uma assistente e começar a tratá-la como uma força de trabalho. Os programadores que derem primeiro esse salto psychological não serão apenas mais produtivos. Eles estarão jogando um jogo totalmente diferente – e todos os outros ainda estarão digitando.
