Um sistema que gera as suas próprias instruções e continua a trabalhar até terminar
Numa era em que a relação entre o programador e a máquina se transforma profundamente, surge o loop engineering — uma abordagem que substitui a intervenção humana contínua por sistemas autónomos capazes de gerar as suas próprias instruções e completar tarefas sem orientação constante. O foco desloca-se do prompt perfeito para a arquitetura do fluxo que os produz, com múltiplos agentes especializados a colaborar e a validar-se mutuamente. A promessa é de uma nova forma de trabalhar com IA; o desafio, de a tornar sustentável.
- Programadores cansados de escrever prompts sucessivos encontram no loop engineering uma saída: sistemas que se orientam a si próprios, repetindo ciclos de trabalho até a tarefa estar concluída.
- Ferramentas como Claude Code e Codex já encarnam esta filosofia, permitindo que agentes avancem por múltiplas etapas sem esperar por nova instrução humana a cada passo.
- A divisão de responsabilidades entre agentes especializados — um que escreve, outro que valida — reduz o risco de erros silenciosos que surgem quando um modelo avalia o seu próprio trabalho.
- O crescimento destes sistemas traz uma tensão real: quanto mais agentes e subagentes em paralelo, maior o consumo de tokens e de capacidade computacional, elevando os custos de forma significativa.
- Especialistas como Peter Steinberger e Addy Osmani recomendam disciplina na escala — aumentar intervalos de execução e usar subagentes apenas quando a vantagem é clara — para que a automação não se torne economicamente inviável.
Os programadores estão a mudar a forma como interagem com a inteligência artificial. Em vez de escreverem prompt após prompt para guiar um modelo a cada passo, constroem agora sistemas que funcionam de forma autónoma — gerando as suas próprias instruções e repetindo ciclos de trabalho até a tarefa estar concluída. A esta abordagem dá-se o nome de loop engineering.
O princípio é direto: define-se um objetivo inicial e o sistema executa ações sucessivas sem necessitar de intervenção constante. Boris Cherny, criador do Claude Code, descreve como passou a usar um agente intermédio que gera automaticamente as instruções e coordena toda a interação com o modelo principal. Peter Steinberger, da OpenAI, vai mais longe: na sua visão, o verdadeiro desafio já não é aperfeiçoar prompts individuais, mas construir os loops que os produzem continuamente.
Muitos destes sistemas assentam na colaboração entre agentes especializados. Addy Osmani, da Google Cloud, descreve arquiteturas que integram automações, plugins, conectores e múltiplos subagentes, cada um com uma função distinta. Uma divisão comum é ter um agente a escrever código e outro a validá-lo — evitando que o mesmo modelo avalie o seu próprio trabalho e deixe erros passar despercebidos.
Há, porém, um custo crescente. Sistemas com vários agentes em paralelo consomem mais tokens e mais capacidade de processamento. Steinberger admite que um dos seus sistemas acorda em intervalos regulares, distribui trabalho por tarefas paralelas e coordena tudo — mas reconhece que aumentar o intervalo entre execuções para uma hora ou um dia pode reduzir significativamente os gastos. Osmani faz eco desta prudência: os subagentes devem ser usados apenas quando há uma vantagem clara, pois cada um representa um custo adicional. O desafio central já não é saber se é possível automatizar o trabalho dos agentes, mas como fazê-lo sem que os custos se tornem proibitivos.
Os programadores estão a reinventar a forma como trabalham com inteligência artificial. Em vez de escreverem manualmente um prompt após outro, instruindo o modelo a cada passo, muitos começam agora a construir sistemas que funcionam sozinhos — máquinas que geram as suas próprias instruções e continuam a trabalhar até a tarefa estar completa. Esta abordagem chama-se loop engineering, e está a mudar o dia a dia de quem escreve código.
O conceito é simples na sua essência: em vez de o utilizador estar constantemente a intervir, cria-se um fluxo de trabalho permanente que se repete automaticamente, gerando novas orientações sempre que necessário. Um loop é, portanto, um processo contínuo e automatizado. Depois de definido o objetivo inicial, o sistema executa ações sucessivas até considerar que o trabalho está terminado. Ferramentas como Claude Code e Codex já incorporam esta filosofia — não terminam após uma única resposta, mas permitem que o agente continue a resolver o problema através de várias etapas consecutivas. Boris Cherny, criador do Claude Code, descreve como esta mudança transformou completamente a sua forma de trabalhar: em vez de escrever manualmente a maioria dos prompts, utiliza agora um agente intermédio que gera essas instruções automaticamente e coordena toda a interação com o modelo principal.
Peter Steinberger, engenheiro da OpenAI responsável pelo projeto OpenClaw, tem sido um dos principais defensores desta abordagem. Na sua perspetiva, o verdadeiro desafio já não passa por aperfeiçoar prompts individuais, mas sim por construir loops capazes de orientar os agentes de IA ao longo de todo o processo. O que mudou é fundamental: o foco deixou de ser a qualidade de uma instrução isolada e passou a ser a qualidade do sistema que as gera continuamente.
Muitos destes sistemas funcionam através da colaboração entre diferentes agentes especializados, cada um desempenhando uma tarefa específica dentro do fluxo de trabalho. Addy Osmani, diretor da Google Cloud, destaca que um sistema deste tipo pode integrar automatizações, worktrees, competências específicas, plugins, conectores e diversos subagentes. A automação é a peça central, pois é ela que permite ao loop repetir-se continuamente. É também frequente dividir responsabilidades: um agente pode escrever o código enquanto outro fica encarregado de o analisar e validar. Desta forma evita-se que o mesmo modelo avalie o próprio trabalho, o que reduz significativamente o risco de erros passarem despercebidos.
Mas há um preço a pagar. O crescimento dos agentes de IA está a aumentar os custos associados à sua utilização. Sistemas mais avançados recorrem frequentemente a vários modelos e subagentes em simultâneo, o que resulta num consumo elevado de tokens e de capacidade de processamento. Peter Steinberger explica que um dos seus sistemas desperta automaticamente em intervalos regulares, distribui trabalho por várias tarefas paralelas e coordena toda a execução. Esta abordagem permite tratar vários problemas em simultâneo, mas exige um maior consumo de recursos computacionais. Ainda assim, o engenheiro considera que existem formas de reduzir os custos, como aumentar o intervalo entre execuções para uma hora ou até um dia.
Addy Osmani faz uma recomendação semelhante: os subagentes só devem ser utilizados quando existe uma vantagem clara em obter uma segunda análise ou uma validação independente, já que cada um representa um custo adicional. O desafio que os programadores enfrentam agora não é apenas construir sistemas que funcionem sozinhos, mas fazê-lo de forma economicamente viável. À medida que a técnica se generaliza, a questão central deixa de ser se é possível automatizar o trabalho dos agentes e passa a ser como fazê-lo sem que os custos se tornem proibitivos.
Notable Quotes
O verdadeiro desafio já não passa por aperfeiçoar prompts, mas sim por construir loops capazes de orientar os agentes de IA ao longo de todo o processo— Peter Steinberger, engenheiro da OpenAI
Os subagentes só devem ser utilizados quando existe uma vantagem clara em obter uma segunda análise ou uma validação independente— Addy Osmani, diretor da Google Cloud
The Hearth Conversation Another angle on the story
Porque é que os programadores sentem necessidade de mudar a forma como trabalham com IA? Não funcionava bem o sistema anterior?
Funcionava, mas havia um problema crescente. Cada tarefa exigia que o utilizador escrevesse um novo prompt, depois esperasse pela resposta, depois escrevesse outro prompt. Era um processo manual e repetitivo. Quando começaram a usar múltiplos agentes em simultâneo, os custos dispararam e a ineficiência tornou-se insustentável.
E o loop engineering resolve isso como?
Cria um sistema que se auto-alimenta. Depois de definir o objetivo, o sistema gera as suas próprias instruções e continua a trabalhar até terminar. É como ter um assistente que não precisa de ser constantemente orientado.
Mas se o sistema gera as suas próprias instruções, como é que sabemos que não vai cometer erros?
É por isso que muitos usam múltiplos agentes. Um escreve o código, outro valida. Nenhum avalia o seu próprio trabalho. Reduz drasticamente o risco de erros passarem despercebidos.
Parece perfeito. Qual é o problema?
O custo. Cada agente adicional, cada validação, cada execução do loop consome recursos. Escalar estes sistemas é caro. Por isso os especialistas dizem: use subagentes apenas quando realmente precisar.