Codex Technomanticus

Fabio Akita: Minha Experiência com Agile Vibe Coding

Leitura de 6 min

Fabio Akita: Minha Experiência com Agile Vibe Coding — Tropical on Rails

Vídeo

· 58:50 · Tropical on Rails

TL;DR

Akita relata sua maratona de dois meses com Claude Code — 500 horas, 15+ projetos, ~300 mil linhas geradas — e propõe o “agile vibe coding” como síntese entre fundamentos técnicos sólidos e a nova era de agentes. O argumento central: a IA funciona como um acelerador multiplicador da sua competência atual, para o bem ou para o mal, então quem não domina os fundamentos continua sem resultado — apenas dez vezes mais rápido.

Pontos-chave

  • A IA reflete quem você é: profissionais sólidos são acelerados 5–10x; profissionais medíocres acumulam débito técnico na mesma proporção — o acelerador não tem juízo de valor.
  • LLMs são loot boxes: geradores de texto estocásticos treinados para concordar com o usuário, não para ter razão; o modelo nunca é feito para dar a resposta certa, mas para te bajular — compreender isso é pré-requisito para usá-los bem.
  • A virada aconteceu em novembro de 2025: a chegada do GPT-5.1 e do Opus 4.5 marcou o corte entre “promissor” e “viável em produção” para agentes de codificação.
  • Trate o Claude Code como programador júnior: você é tech lead, gerente de produto e QA — não editor de arquivos; o método PILOTA (Planejar, Investigar, Lapidar, Operar, Testar, Ajustar) exige interação contínua, não um prompt único.
  • O CLAUDE.md é memória instrucional evolutiva: adicione regras aos poucos à medida que você identifica padrões de erro; não comece com um arquivão de instruções que gasta contexto à toa.
  • Benchmark de 30 modelos: apenas Claude Opus, GPT-X High e talvez Qwen 3.5-35B são práticos para trabalho real; DeepSeek tem falhas estruturais em prompt caching e tool calling — não use.
  • Senior que não sabe ensinar não é senior: se você não consegue fazer uma IA fazer o que quer, provavelmente não conseguiria gerenciar um colega júnior; a IA explicita suas limitações de comunicação.

Momentos-chave

  • [00:00] — Introdução: contexto pós-YouTube, Akita no Tropical on Rails
  • [01:36] — O pânico coletivo sobre IA substituir empregos (continuação da bolha de 2022)
  • [05:27] — Caso Asami Arts: artista que vendia arte gerada por IA como sua própria
  • [10:45] — LLMs explicados como “loot boxes” estocásticos
  • [12:03] — Princípio central: “a IA reflete quem você é”
  • [15:00] — Linha do tempo: 2025 como ano dos agentes; novembro como ponto de virada
  • [16:06] — A maratona: 15–16 projetos, 500 horas, ~300 mil linhas de código
  • [20:11] — O que 300 mil linhas significa em termos de projeto (pequeno a médio, ~2,5 anos solo)
  • [24:24] — Mudança de mindset: “Let it go” do editor de texto, trate o LLM como júnior
  • [25:54] — Método PILOTA apresentado
  • [26:37] — Uso evolutivo do CLAUDE.md como memória de instruções do projeto
  • [28:48] — Benchmark de 30 modelos open source e comerciais
  • [35:15] — Por que DeepSeek não presta: sem prompt caching, tool calling fraco, deep thinking ruim
  • [39:22] — Pricing: pare de economizar token; assinatura >> pay-per-token
  • [46:21] — Senior que não sabe ensinar não é senior
  • [48:27] — Só vai sobreviver quem souber fazer engenharia de verdade
  • [51:27] — Demo ElevenLabs: 146 vídeos dublados em inglês em 3 dias por ~$2.000
  • [58:27] — Conclusão: faça uma imersão de uma semana, “faça bullying com a IA”

Citações

“a IA reflete quem você é. Ela vai acelerar você. Então, se você for um excelente programador, um excelente artista, um excelente profissional, seja lá o que for, ele vai te acelerar dez vezes. Agora, se você for um péssimo profissional, um péssimo programador, um péssimo desenhista, ele vai acelerar o seu código ruim dez vezes.” — [12:03]

“na prática, uma LLM é um loot box. É um gerador de texto com parâmetros aleatórios, aonde a cada novo token que ele calcula, vem de um pool de tokens com probabilidades, aonde ele sorteia um, baseado em parâmetros como top K, top P, temperatura, etc.” — [10:45]

“Senior que não sabe ensinar não é senior. Sabe por quê? Porque se for só pra fazer código, o GPT faz. E vai me custar vinte dólares. E eu não preciso olhar pra sua cara feia.” — [46:21]

“Se você não tá conseguindo ter resultados com IA, é porque você não sabe gerenciar ninguém. Se você não consegue nem fazer uma IA fazer o que você quer, como que você vai gerenciar uma pessoa na sua equipe?” — [30:51]

“para de tentar economizar token. É uma perda de tempo. Gaste todos os tokens aproveitando agora que ele tá hiper subsidiado e tá hiper barato.” — [39:22]

Meu comentário

Qual a diferença entre mecanica de gacha e loot boxes nos games?

Gacha e loot boxes são mecanismos de monetização por aleatoriedade, mas com diferenças importantes:

Loot Box

  • Você compra uma caixa e recebe itens aleatórios
  • Cada abertura é independente — sem memória do histórico
  • Geralmente sem garantia de progressão para um item específico
  • Exemplo: caixas de CS:GO, pacotes de FIFA Ultimate Team

Gacha

  • Derivado das máquinas “gachapon” japonesas
  • Tem sistemas de progressão embutidos:
  • Pity system: após N pulls sem o item raro, a probabilidade aumenta (ou o item é garantido)
  • Soft pity / hard pity: dois limiares de progressão
  • Frequentemente vem com banners temáticos (personagens/itens por tempo limitado)
  • Exemplo: Genshin Impact, Honkai Star Rail, FGO

Diferença central

Loot BoxGacha
Progressão garantidaRaramenteSim (pity)
Contexto culturalOcidenteJapão/Ásia
Itens limitadosÀs vezesQuase sempre
Pull individualSimSim + multi-pull (x10)

Na prática, gacha é um subconjunto mais sofisticado do conceito de loot box — com mais camadas de design para manter o jogador engajado (e gastando) por mais tempo, por meio da ilusão de controle que o pity system oferece.

❯ Então LLM é mais parecido com gacha do que com loot boxes, certo?

Boa analogia, mas é mais sutil do que parece.

No nível bruto (token sampling), é mais loot box:

  • Cada token é sorteado de uma distribuição de probabilidade independentemente
  • Sem “memória de falhas” — o modelo não sabe que já errou antes
  • temperature=0 seria uma loot box com 100% de drop rate no item mais provável

Mas o prompting cria um efeito gacha:

  • Few-shot examples = você está manipulando o pool de drops antes de abrir a caixa
  • Chain-of-thought = construir progressivamente em direção ao output desejado, como acumular pity
  • System prompt = definir o banner (restringir o espaço de possibilidades)
  • RAG = injetar o item raro diretamente no contexto antes do sorteio

A diferença filosófica real:

No gacha, o sistema tem estado interno que evolui com suas ações (pity counter). No LLM, você é quem carrega o estado — no contexto. O “pity” não está no modelo, está na sua engenharia de prompt.

Então talvez a melhor analogia seja: LLM é uma loot box onde você pode hackear a tabela de drops em tempo real escrevendo o prompt certo. Gacha seria se o modelo aprendesse com suas interações anteriores e ficasse “mais próximo” do que você quer ao longo do tempo — que é o que o fine-tuning faz.

Ver também

Visão de gráfico