Um ano de experiência prática no desenvolvimento de agentes de IA de nível de produção - compartilhado pela equipe do @posthog Vamos analisar isso sob quatro dimensões: filosofia arquitetônica, implementação tática, dificuldades de desenvolvimento e experiência do produto. I. Filosofia Central da Arquitetura: Simplicidade é melhor que complexidade. Arranjos complexos muitas vezes não são apenas inúteis, mas também prejudiciais. 1. Agente é superior a fluxo de trabalho. Conceito errôneo: No início, a indústria popularizou o uso de grafos ou fluxos de trabalho predefinidos para controlar a IA, acreditando que isso a tornaria mais controlável. • Na realidade: essa abordagem é extremamente frágil ao lidar com tarefas de final aberto. Uma vez que a IA se desvia do caminho predefinido, ela não apenas falha em se corrigir, como também perde o contexto. Conclusão: A arquitetura atual retorna a um loop único e simples. O LLM executa, verifica e se autocorrige continuamente dentro desse loop até que a tarefa seja concluída. 2. O loop de entidade única é superior ao subagente. Equívoco: Muitas pessoas gostam de projetar arquiteturas complexas de "subagentes". Na realidade: cada camada adicional de abstração e especialização leva a uma perda significativa de contexto. O modelo precisa de informações globais completas para tomar decisões ótimas. Conclusão: Um único ciclo LLM com um conjunto de ferramentas simples geralmente apresenta um desempenho mais inteligente e eficaz do que um grupo de subagentes, cada um com sua própria função. II. Implementação Tática Essencial: Permitir que o Modelo "Foque" e "Compreenda" Duas técnicas de "microgestão" extremamente práticas: 1. A lista de tarefas é um superpoder. Para evitar que o agente se "perca" em tarefas longas, eles introduziram uma ferramenta aparentemente redundante chamada todo_write. Trata-se, na verdade, de uma "cadeia mental" reforçada. O agente atualiza essa lista após cada etapa, o que o força a reforçar continuamente o próximo objetivo, melhorando significativamente a taxa de conclusão da tarefa. 2. O contexto é fundamental. As perguntas dos usuários costumam ser ambíguas (por exemplo, erros de ortografia ou terminologia interna). Sem conhecimento contextual, a IA não consegue compreendê-las corretamente. Eles se inspiraram na abordagem de Claude Code e introduziram o comando `/init`. Por meio de buscas e análises na web, construíram uma memória em nível de projeto para o agente, permitindo que a IA realmente "entendesse" o negócio do usuário. III. Armadilhas do Desenvolvimento: Cuidado com Dois Avisos Muito Importantes: Estruturas e Avaliação Baseadas Apenas em Teoria 1. Rejeitar a dependência excessiva de frameworks. Eles afirmaram explicitamente que se arrependeram de usar LangChain e LangGraph. Os modelos de IA iteram extremamente rápido, e frameworks complexos muitas vezes não conseguem acompanhar as mudanças, tornando-se um fardo. Eles sugerem manter o código em um "nível baixo", já que chamar APIs diretamente costuma ser a abordagem mais flexível e sustentável. 2. As avaliações não são a solução para todos os problemas. Embora os conjuntos de teste sejam importantes, as complexidades do mundo real (dados inconsistentes, caminhos de usuário incomuns) superam em muito a abrangência dos conjuntos de teste. Eles enfatizaram a importância da "Hora dos Rastreamentos" (revisão humana regular de registros do mundo real). Entender como os usuários reais interagem com a IA é mais valioso do que executar um conjunto de testes perfeito. IV. Experiência do Produto e Estratégia de Modelo 1. Mostre todo o processo. Não tente apresentar a IA como uma caixa preta perfeita. Os usuários confiam mais na IA "transparente". O PostHog AI opta por mostrar todas as chamadas de ferramentas, processos de raciocínio e até mesmo tentativas falhas. Essa experiência de "caixa branca" aumenta a confiança do usuário e facilita a identificação de problemas. 2. Aproveitando o crescimento do modelo: A versão atual recomendada é: Claude Sonnet 4.5 para o loop principal e OpenAI o4-mini para inferência e geração de consultas complexas. No entanto, os desenvolvedores devem estar sempre preparados para o próximo modelo, mais poderoso. Resumir A experiência da PostHog ao longo do último ano pode ser resumida da seguinte forma: separar o joio do trigo. Eles abandonaram a aparentemente sofisticada, mas na verdade complexa, "colaboração multiagente", a "orquestração de grafos complexos" e as "estruturas de desenvolvimento pesadas" do início do desenvolvimento de IA, retornando à arquitetura de ciclo único mais simples. Ao fornecer ao modelo memórias mais claras (tarefas), um contexto mais rico e interações mais transparentes, eles criaram um assistente de IA verdadeiramente capaz. Endereço do blog
Carregando detalhes do thread
Buscando os tweets originais no X para montar uma leitura limpa.
Isso normalmente leva apenas alguns segundos.
