Neste vídeo compartilho uma história real de aprendizado: como saí de um conhecimento puramente empírico para uma formação mais estruturada usando apenas 20 minutos por dia. Concluí 5 cursos, passei nas avaliações e ainda coloquei um projeto prático no ar -- tudo encaixado em uma rotina cheia, sem fins de semana inteiros de estudo. Tópicos abordados no vídeo: -- Por que muita gente trava nos estudos esperando ter "tempo suficiente" -- O papel de um plano de aprendizagem para aproveitar janelas curtas -- Consistência versus volume: como calibrar o ritmo sem quebrar no caminho Se você tem um plano de aprendizagem e um mínimo de consistência, você pode aprender o que quiser. A única diferença é a duração da jornada -- e andar todo dia é o que faz você chegar ao destino. # Sobre o Dev + Eficiente Criamos cursos focados em práticas fundamentais de desenvolvimento: Design de Código, arquitetura de software, qualidade de código, testes e outras habilidades essenciais para programadores que querem evoluir profissionalmente. Além disso, oferecemos uma especialização em Engenharia de IA, focada em práticas para aplicação de IA em projetos reais. Sempre com referências e opiniões fundamentadas. Para conhecer mais acesse https://deveficiente.com # Links extras * Sobre o blog mencionado - https://www.oporquedojogo.com.br

Código escrito inteiramente por uma pessoa é melhor do que código escrito inteiramente por um LLM? Neste vídeo, Alberto Souza revisa o artigo "Human-Written vs. AI-Generated Code: A Large-Scale Study of Defects, Vulnerabilities and Complexity", um estudo em larga escala que comparou centenas de milhares de funções em Python e Java escritas por humanos com versões geradas por modelos como GPT-3.5, Qwen e DeepSeek -- e os resultados desafiam algumas intuições comuns. Tópicos abordados no vídeo: -- Como o estudo foi montado: dataset com centenas de milhares de funções em Python e Java, mineradas de milhares de repositórios do GitHub -- O que o artigo considera defeito: classificação ODC (Orthogonal Defect Classification) com regras de análise estática para assignment, algoritmo, interface, checking, timing e estrutura -- Resultados: quem gerou código com menos defeitos, vulnerabilidades e mais simples? - Na relação Humano e Agente, quem é assistente de quem? # Sobre o Dev + Eficiente Criamos cursos focados em práticas fundamentais de desenvolvimento: Design de Código, arquitetura de software, qualidade de código, testes e outras habilidades essenciais para programadores que querem evoluir profissionalmente. Além disso, oferecemos uma especialização em Engenharia de IA, focada em práticas para aplicação de IA em projetos reais. Sempre com referências e opiniões fundamentadas. Para conhecer mais acesse https://deveficiente.com

Os mesmos transformers que aprenderam a prever o próximo token agora estão aprendendo a prever o próximo movimento de um robô. Nesta live vamos sair do mundo do texto e dar um corpo à IA. A ideia de Physical AI (ou embodied AI) é simples de enunciar e difícil de executar: um modelo que percebe o ambiente por câmeras e sensores e age nele através de motores — sujeito a gravidade, atrito e imprecisão, sem a chance de "tentar de novo" que um LLM tem quando erra uma resposta. O ponto de partida vai ser o imitation learning: em vez de programar o robô passo a passo ou deixar ele tentar até acertar, você simplesmente demonstra a tarefa e ele aprende imitando. É supervised learning aplicado a movimento.. Em vez de um dataset de texto, demonstrações humanas mostrando ao robô como executar uma tarefa. A partir daí, conhecemos o ACT (Action Chunking Transformer), um modelo leve treinado do zero que, em vez de prever um passo por vez, prevê blocos inteiros de movimento — o que torna a operação em tempo real viável. E vai ter demo ao vivo. Usando o braço SO-ARM101 e a biblioteca LeRobot da Hugging Face, vamos coletar episódios na hora e rodar a inferência. *Para quem é:* para quem já entende sobre Engenharia de IA e quer ver como essas ideias se traduzem para o mundo físico. Não precisa ter experiência prévia com robótica. *O que vamos cobrir:* •⁠ ⁠O que é Physical AI e por que erro em robô é diferente de erro em LLM •⁠ ⁠Imitation learning, propriocepção e setup de câmeras •⁠ ⁠ACT e a lógica do action chunking •⁠ ⁠Demo ao vivo: coleta de dados e inferência •⁠ ⁠Custo do setup, se roda sem GPU NVIDIA, e os próximos passos (GR00T, π0, smolvla) Traga suas perguntas — vai ter espaço para discussão ao final.

Muitas pessoas acha que entendeu uma explicação e só descobre que não entendeu quando faz errado -- quando o custo do erro já subiu. Neste vídeo, Alberto Souza mostra uma checagem simples para verificar seu próprio aprendizado, partindo de uma história com o filho de 10 anos aprendendo equivalência de fração, e conecta isso a entrevistas técnicas, sessões de system design e ao trabalho com agentes de código. Tópicos abordados no vídeo: -- A diferença entre achar que entendeu e ter entendido de verdade -- O conceito de aprendizado negativo e por que ele é pior do que não entender -- A força social que nos impede de perguntar (na escola, na reunião, na entrevista) -- Verificação de entendimento como aplicação de shift left # Sobre o Dev + Eficiente Criamos cursos focados em práticas fundamentais de desenvolvimento: Design de Código, arquitetura de software, qualidade de código, testes e outras habilidades essenciais para programadores que querem evoluir profissionalmente. Além disso, oferecemos uma especialização em Engenharia de IA, focada em práticas para aplicação de IA em projetos reais. Sempre com referências e opiniões fundamentadas. Para conhecer mais acesse https://deveficiente.com

Testei o mesmo backlog de 10 tarefas com 4 configurações diferentes de agentes: sem guideline, com Claude.md, com skill revisora e com múltiplos revisores. Será que deu muita diferença? Tópicos abordados no vídeo: -- O experimento: mesmo backlog, 4 configurações de agente -- Como avaliei a qualidade sem viés pessoal -- Resultado da análise de design de código entre as versões -- Qualidade dos testes gerados por cada configuração -- Mais configurações ajudou na qualidade? Links mencionados / referências: -- Blog Anthropic: https://www.anthropic.com/engineering/harness-design-long-running-apps -- Blog OpenAI: https://openai.com/index/harness-engineering/ -- CodeScene: https://codescene.com # Sobre o Dev + Eficiente Criamos cursos focados em práticas fundamentais de desenvolvimento: Design de Código, arquitetura de software, qualidade de código, testes e outras habilidades essenciais para programadores que querem evoluir profissionalmente. Além disso, oferecemos uma especialização em Engenharia de IA, focada em práticas para aplicação de IA em projetos reais. Sempre com referências e opiniões fundamentadas. Para conhecer mais acesse https://deveficiente.com

Nesse vídeo eu mostro uma decisão de design que tomei na nova plataforma de aulas do Dev + Eficiente. A ideia partiu de uma inspiração antiga em CMS como Drupal e WordPress, onde as entidades principais são fininhas e os comportamentos são plugados por fora. Em vez de continuar entupindo classes com atributos que não são inerentes a elas, extraí estados como ordenação, comentários, periodicidade e categorização para peças reutilizáveis que se encaixam como um lego. Tópicos abordados: -- Por que entidades crescem ao longo do tempo e viram God Classes -- Como Drupal e WordPress lidam com dinamicidade em entidades base -- Paralelo com tabelas de relacionamento que ganham semântica no domínio -- Paralelo com programação orientada a aspectos (estado como ortogonal em vez de comportamento) -- Modelagem da Trilha, Curso e Aula na nova plataforma -- Contexto de Ordenação como entidade separada -- Itens ordenáveis plugados em qualquer contexto -- Comentários como peça reutilizável em aula, curso, trilha ou dashboard -- Periodicidade aplicada a vagas do job board sem mexer na entidade Vaga -- Trade-offs assumidos: perda de integridade referencial, mais queries e custo de desempenho -- Ganhos: entidades coesas, flexibilidade de composição, evolução mais saudável Referência mencionada: * Drupal Entity API - https://drupalize.me/tutorial/entity-api-overview * Aspect-Oriented Programming - https://www.cs.ubc.ca/~gregor/papers/kiczales-ECOOP1997-AOP.pdf # Sobre o Dev + Eficiente Criamos cursos focados em práticas fundamentais de desenvolvimento: Design de Código, arquitetura de software, qualidade de código, testes e outras habilidades essenciais para programadores que querem evoluir profissionalmente. Além disso, oferecemos uma especialização em Engenharia de IA, focada em práticas para aplicação de IA em projetos reais. Sempre com referências e opiniões fundamentadas. Para conhecer mais acesse https://deveficiente.com

Aprender engenharia de software com LLM te deixa uma pessoa superficial? E o mercado, ainda vai contratar pessoa júnior? Neste vídeo eu discuto essas duas perguntas a partir de um artigo aceito no ICSE 2026, uma das principais conferências de engenharia de software do mundo. O artigo descreve um curso de uma faculdade na Alemanha que abraçou o uso de LLMs durante todo o ciclo de desenvolvimento: levantamento de requisitos, design, código, testes, integração contínua e entrega. Em vez de proibir, os professores integraram as ferramentas e, mais importante, construíram rubricas de avaliação que exigem reflexão explícita sobre como o LLM foi usado em cada etapa. A discussão no vídeo passa por: -- A pergunta recorrente: devo aprender usando LLM ou sem LLM? -- Como o curso da faculdade alemã estrutura as primeiras semanas e o projeto final -- As duas rubricas de avaliação: qualidade da engenharia de software entregue e qualidade do relatório sobre o uso do LLM -- Por que reflexão continua sendo o motor do aprendizado real, com ou sem LLM -- Por que ser dependente de uma ferramenta poderosa não é necessariamente um problema Referência mencionada: * AI-Driven Software Development: A New Course Concept and Assessment Model for the Era of Large Language Models (ICSE 2026) - https://staff.fim.uni-passau.de/~fein/publications/2026_icse-seet_ai-driven-software-development.pdf # Sobre o Dev + Eficiente Criamos cursos focados em práticas fundamentais de desenvolvimento: Design de Código, arquitetura de software, qualidade de código, testes e outras habilidades essenciais para programadores que querem evoluir profissionalmente. Além disso, oferecemos uma especialização em Engenharia de IA, focada em práticas para aplicação de IA em projetos reais. Sempre com referências e opiniões fundamentadas. Para conhecer mais acesse https://deveficiente.com

Um marketplace recebe milhares de novos anúncios por dia. A moderação humana cobre apenas 5% desse volume. O objetivo: construir um sistema que valide 100% dos anúncios automaticamente antes de publicar -- identificando produtos proibidos, claims falsos e imagens irregulares. Casos que o sistema não resolver com confiança vão para revisão humana. Nesta live, Daniel Romero recebe esse desafio de system design e precisa resolver ao vivo, com Alberto Souza como host trazendo dúvidas e perguntas do chat. O que vamos discutir: - Pipeline de regras determinísticas vs modelos: onde cada um entra - Validação de título e descrição contra lista de 2.000 produtos proibidos - Detecção de claims falsos ("cura câncer", "aprovado pela Anvisa" sem registro) - Validação de imagens (marca d'água de concorrente, conteúdo adulto) - Calibração de thresholds: falso positivo (churn) vs falso negativo (risco legal) - Fluxo síncrono vs assíncrono para validação de imagens Trade-offs que vamos resolver ao vivo: - Pipeline de regras determinísticas primeiro + modelos só para os ambíguos? - Como balancear falso positivo vs falso negativo quando os custos são assimétricos? - Validação de imagem síncrona (bloqueia publicação) vs assíncrona (publica e revisa depois)? - Será que precisa de algum componente baseado em LLM nessa arquitetura? - Como lidar com vendedores que tentam ativamente burlar os filtros? Essa é a segunda live da série "System Design de Sistemas com IA Aplicada", onde todo mês trazemos um desafio real de arquitetura envolvendo LLMs, guardrails, validação, busca vetorial etc. Detalhe: sempre pensando em escala. --- Conheça a Especialização em Engenharia de IA da Dev + Eficiente: https://deveficiente.com/especializacao-engenharia-ia

Produtos como Resend e Basecamp lançaram CLIs para suas APIs e, junto com elas, skills prontas para agentes de código. Nesse vídeo, mostro como esse approach funciona, por que tenho preferido CLI + skill em vez de servidores MCP, e o que isso significa para quem já integra APIs no fluxo de trabalho com agentes. Tópicos abordados no vídeo: -- Como a Resend expôs sua API via CLI e criou uma skill para agentes -- Basecamp seguindo o mesmo caminho: CLI em Go + skill pública -- A comparação prática entre CLI + skill e servidores MCP -- Segurança de chaves de API dentro de agentes de código -- Por que HTTP continua sendo o entry point natural dos sistemas -- O futuro dos agentes: menos fine-tuning manual, mais inteligência embutida Links mencionados / referências: -- Resend CLI: https://github.com/resend/resend-cli -- Basecamp CLI: https://github.com/basecamp/basecamp-cli -- Basecamp Skills: https://github.com/basecamp/skills # Sobre o Dev + Eficiente Criamos cursos focados em práticas fundamentais de desenvolvimento: Design de Código, arquitetura de software, qualidade de código, testes e outras habilidades essenciais para programadores que querem evoluir profissionalmente. Além disso, oferecemos uma especialização em Engenharia de IA, focada em práticas para aplicação de IA em projetos reais. Sempre com referências e opiniões fundamentadas. Para conhecer mais acesse https://deveficiente.com

Nesse vídeo eu analiso o estudo SkillBench, que testou com rigor se skills, (como as do Claude Code) e rules (como as do Cursor) realmente melhoram a capacidade dos agentes de código em resolver tarefas. Os resultados trazem nuances importantes para quem usa essas ferramentas no dia a dia. Tópicos abordados no vídeo: -- Skills escritas com participação humana vs skills auto-geradas pelo agente -- Nenhum modelo passou de 50% de resolução, mesmo com skills -- Taxa de falha dos modelos: de 57% (Opus 4.6) até mais de 80% em outros -- Por que o conhecimento humano faz mais diferença em domínios menos treinados -- O risco de investir em engenharia de contexto elaborada para ganho marginal -- Quando faz sentido direcionar o agente e quando é melhor confiar no default do modelo -- A analogia com JVMs: otimização prematura pode atrapalhar mais do que ajudar Links mencionados / referências: -- Estudo SkillBench (paper): https://arxiv.org/pdf/2602.12670 -- Repositório com as 84 tarefas: https://github.com/benchflow-ai/skillsbench # Sobre o Dev + Eficiente Criamos cursos focados em práticas fundamentais de desenvolvimento: Design de Código, arquitetura de software, qualidade de código, testes e outras habilidades essenciais para programadores que querem evoluir profissionalmente. Além disso, oferecemos uma especialização em Engenharia de IA, focada em práticas para aplicação de IA em projetos reais. Sempre com referências e opiniões fundamentadas. Para conhecer mais acesse https://deveficiente.com

Uma empresa com milhares de funcionários migrou toda a documentação para o Notion: 50 mil páginas entre políticas, processos e manuais técnicos. O time de People recebe 200 perguntas repetidas por dia -- "como peço férias?", "qual o plano de saúde?". A solução: um bot que responde com base nos documentos reais, com citação da fonte e link direto. Nesta live, Daniel Romero recebe esse desafio de system design e precisa resolver ao vivo, com Alberto Souza como host trazendo dúvidas e perguntas do chat. O que vamos discutir: - Como montar o pipeline de RAG (ingestão, chunking, embeddings, vector store, geração) - Busca por linguagem natural sobre todas as páginas do Notion - Como respeitar permissões (marketing não vê docs de financeiro) - Manter o índice atualizado quando docs são editados 500 vezes por dia - Resposta em menos de 3 segundos com limite de custo por resposta gerada Essa é a primeira live da série "System Design de Sistemas com IA Aplicada", onde todo mês trazemos um desafio real de arquitetura envolvendo LLMs, RAG, agentes, busca vetorial etc. Detalhe: sempre pensando em escala. --- Conheça a Especialização em Engenharia de IA da Dev + Eficiente: https://deveficiente.com/especializacao-engenharia-ia

A Anthropic publicou um estudo chamado "How AI Impacts Skill Formation" que gerou bastante discussão. O experimento colocou pessoas para implementar funcionalidades usando uma biblioteca Python, com e sem assistentes de IA. Quem não usou IA tirou notas melhores no teste de conhecimento. Mas o que isso realmente significa para o dia a dia de quem desenvolve software? Neste vídeo, analiso o estudo com um olhar pragmático. Tópicos abordados no vídeo: -- O que o estudo da Anthropic testou e quais foram os resultados -- Por que o ganho de produtividade com IA não foi tão significativo nessa tarefa -- A diferença entre sensação de produtividade e produtividade real -- Os 6 padrões de uso de IA identificados no estudo (delegar, gerar e entender, perguntar e executar, etc.) -- Quando não saber os detalhes de uma biblioteca é um trade-off aceitável -- Por que delegar debug inteiramente para IA pode ser a pior combinação -- Como usar IA para estudar e codar sem abrir mão da reflexão -- A responsabilidade de quem abre o PR continua sendo sua # Sobre o Dev + Eficiente Criamos cursos e especializações focados em práticas fundamentais de desenvolvimento: Design de Código, arquitetura de software, qualidade de código, testes e outras habilidades essenciais para programadores que querem evoluir profissionalmente. Além disso, oferecemos uma especialização em Engenharia de IA, focada em práticas para aplicação de IA em projetos reais. Sempre com referências e opiniões fundamentadas. Para conhecer mais acesse https://deveficiente.com ## Referencias * Artigo - https://arxiv.org/pdf/2601.20245

Como o Claude Code REALMENTE funciona por baixo dos panos? Neste vídeo, eu decomponho o funcionamento interno de um dos agentes de código mais poderosos do mundo. Vamos explorar em detalhes o fluxo de BUSCA DE TEXTOS DENTRO DE ARQUIVOS: como o agente interpreta seu comando, chama a tool e interpreta o resultado. Se você quer criar seus próprios agentes de IA, entender como os melhores funcionam é o primeiro passo. O que você vai aprender: - Como funciona o loop principal de um agente - Quando delegar o processamento para uma função determinística - Como o LLM processa, executa e formata a resposta final Este é o SEGUNDO vídeo de uma série onde vou explorar diferentes fluxos do Claude Code (execução de comandos, busca em código, commits, multi-agentes e mais). # Sobre o Dev + Eficiente Criamos cursos e especializações focados em práticas fundamentais de desenvolvimento: Design de Código, arquitetura de software, qualidade de código, testes e outras habilidades essenciais para programadores que querem evoluir profissionalmente. Além disso, oferecemos uma especialização em Engenharia de IA, focada em práticas para aplicação de IA em projetos reais. Sempre com referências e opiniões fundamentadas. Para conhecer mais acesse https://deveficiente.com ## Referencias * Post que inspirou a análise - https://ghuntley.com/tradecraft/ * Primeiro episódio da série - https://youtu.be/rzk1TOI2zyA

Cansado de tutoriais superficiais e promessas vazias? Descubra, na prática, a diferença entre o hype e a realidade da Engenharia de IA. Veja demos reais ao vivo: RAG básico (gerando baixa relevância) evoluindo para sistemas de produção (alta relevância). Sem evangelismo, sem enrolação. Apenas o que empresas sérias estão fazendo.

Como o Claude Code REALMENTE funciona por baixo dos panos? Neste vídeo, eu decomponho o funcionamento interno de um dos agentes de código mais poderosos do mundo. Vamos explorar em detalhes o fluxo de LEITURA DE ARQUIVOS: como o agente interpreta seu comando, chama as tools, faz as checagens de segurança e devolve a resposta. Se você quer criar seus próprios agentes de IA, entender como os melhores funcionam é o primeiro passo. O que você vai aprender: - Como funciona o loop principal de um agente - O papel das tools (funções) dentro do Claude Code - Checagens de segurança - Como o LLM processa, executa e formata a resposta final Este é o PRIMEIRO vídeo de uma série onde vou explorar diferentes fluxos do Claude Code (execução de comandos, busca em código, commits, multi-agentes e mais). # Sobre o Dev + Eficiente Criamos cursos e especializações focados em práticas fundamentais de desenvolvimento: Design de Código, arquitetura de software, qualidade de código, testes e outras habilidades essenciais para programadores que querem evoluir profissionalmente. Além disso, oferecemos uma especialização em Engenharia de IA, focada em práticas para aplicação de IA em projetos reais. Sempre com referências e opiniões fundamentadas. Para conhecer mais acesse https://deveficiente.com ## Referencias * Post que inspirou a análise - https://ghuntley.com/tradecraft/