Mantenha a intenção próxima do código.
Registros de decisão são a camada de memória ausente no desenvolvimento de software assistido por IA. Eles capturam não apenas o que foi construído, mas o porquê — e essa distinção se torna crítica quando ferramentas de IA estão escrevendo seu código.
Trate erros no limite correto.
A manipulação de erros no Go é fácil de criticar. Todo desenvolvedor Go já escreveu esse código centenas de vezes:
Pare de usar sleeps em testes concorrentes do Go.
Testar código Go concorrente sempre exigiu um pouco de disciplina. Goroutines são baratas, canais são simples e o cancelamento de contexto é idiomático — workers em background e temporizadores estão em todos os lugares em serviços Go reais.
A2A não está morto. Apenas não é universal.
O protocolo Agent2Agent da Google, geralmente abreviado para A2A, teve um primeiro ano estranho.
Padrões confiáveis de polling para agentes de IA.
Os agentes de polling (verificação periódica) são uma das partes menos glamourosas da arquitetura de assistentes de IA, mas também são uma das mais úteis.
O A2A transforma agentes em pares de rede.
O Protocolo A2A, sigla para Agent2Agent Protocol (Protocolo Agente para Agente), é um padrão aberto para comunicação entre sistemas independentes de agentes de IA.
MCP fornece ferramentas para agentes. A2A fornece pares para agentes.
A arquitetura de agentes de IA está começando a se dividir em duas camadas.
Construa CQRS em Go sem cerimonial desnecessário
O CQRS é um daqueles padrões que é frequentemente superdimensionado, complicador e, ocasionalmente, diagnosticado erroneamente como uma cura para o tédio do bom e velho CRUD.
Diagramas como código, sem o drama.
Mermaid é uma ferramenta de diagramação baseada em texto para pessoas que preferem escrever diagramas em vez de arrastar caixas em um canvas. Ele usa uma sintaxe similar ao Markdown para descrever fluxogramas, diagramas de sequência, diagramas de classes, máquinas de estados, linhas do tempo, diagramas de Gantt, diagramas de relacionamento de entidades e muito mais.
Anotações que melhoram em vez de se deteriorarem.
A maioria das anotações de engenharia é escrita uma vez e esquecida. Você captura algo durante uma sessão de depuração, cola em algum lugar e encontra dois anos depois, sem contexto sobre por que aquilo importava.
Organize as notas por ação, não por tópico.
Organizar notas por tópico parece lógico até você ter notas sobre PostgreSQL em cinco pastas diferentes e não conseguir encontrar a que importa para o problema de hoje.
Publique conhecimento que cresce, não apenas posts.
O modelo dominante para publicação de conhecimento online não mudou muito desde o início dos anos 2000: escreva algo, refine-o, publique-o e siga em frente.
Gaste tokens onde eles realmente importam.
Os custos de LLMs aumentam linearmente com o uso. Um sistema que processa 10.000 requisições por dia a $0,01 por requisição custa $100 por dia — $365 por ano. Em escala empresarial, isso ultrapassa $10.000.
Controle o risco, não apenas o modelo.
Os LLMs são imprevisíveis. Eles alucinam, vazam dados, geram conteúdo prejudicial ou recusam solicitações legítimas. As barreiras de segurança (guardrails) restringem o comportamento do modelo sem sacrificar a capacidade.
O modelo certo para a tarefa certa.
Executar um modelo com 70 bilhões de parâmetros para resumir um e-mail de 200 palavras é um desperdício. Executar um modelo de 3 bilhões de parâmetros para revisar código em produção é imprudente. A maioria dos sistemas está em algum lugar no meio — e é aí que o roteamento de modelos entra.
Escolha o padrão mais simples que funcione.
Sistemas de modelo único são simples. Sistemas de múltiplos modelos são poderosos. O desafio não é escolher os modelos, mas sim projetar a arquitetura que os orquestra.
Receba novos artigos sobre sistemas, infraestrutura e engenharia de IA.
