Como Ensinar Hábitos à IA — E Parar de Se Repetir
Deixe-me contar sobre a pior parte do meu dia de trabalho.
Não são os problemas difíceis. Problemas difíceis são na verdade bem divertidos — são puzzles, e puzzles têm soluções. Não, a pior parte é algo muito mais banal.
É terça-feira à tarde. Tenho 30 abas abertas. Três documentos diferentes todos intitulados “final”. Uma dúzia de notas espalhadas por vários aplicativos. E em algum lugar nessa bagunça — sei disso com certeza — está a frase que desbloquearia tudo. O insight que tive ontem. A decisão que já tomei.
Mas não consigo encontrá-la.
Então começo de novo. Re-explico o contexto. Re-derivo a conclusão. Perco uma hora voltando para onde eu já estava.
Soa familiar?
O Dia em que Tudo Mudou
Aqui está o que finalmente descobri: meu gargalo nunca foram as ideias. Nunca foi a inteligência, nem a velocidade, nem mesmo o tempo. Era o estado. Eu podia ver um sistema complexo rapidamente — e então perder completamente o fio no momento em que mudava de tarefa.
E nenhuma quantidade de força de vontade iria consertar isso. Eu tinha tentado cadernos mais rigorosos. Melhores aplicativos. Mais disciplina. Nada funcionou.
O que finalmente funcionou foi construir algo que nunca pensei em construir: uma memória externa na qual eu pudesse realmente confiar. Não apenas notas — mas artefatos duráveis. Arquivos. Listas de verificação. Workflows. Coisas que uma IA poderia me ajudar a criar, refinar e recuperar sob demanda.
Este post é sobre como isso funciona. Não as ferramentas — ferramentas vêm e vão. Mas os princípios. As sete ideias que aparecem repetidamente quando você observa pessoas que descobriram isso.
Mas primeiro, vamos falar sobre por que a maioria das pessoas nunca chega lá.
Por Que a IA de Chat Atinge um Teto
Aqui está a coisa sobre ChatGPT, Claude, Gemini, ou qualquer assistente de IA que você possa usar: eles são incríveis. Genuinamente. O salto de “sem IA” para “alguma IA” muda a vida.
Mas em algum momento, você bate em uma parede.
Você faz uma pergunta. Recebe uma resposta. Talvez faça um acompanhamento, recebe outra resposta. E então segue em frente. A conversa desaparece. Os insights evaporam. Na próxima semana, quando enfrentar o mesmo problema, começa completamente do zero.
Isso é IA de chat. É reativa. É sem estado por padrão. Não lembra, e não aprende — pelo menos, não entre sessões.
IA Agente é diferente.
Não porque o modelo é mais inteligente, mas porque o sistema ao redor dele é diferente. Há um loop. Planejar algo. Usar ferramentas para executá-lo. Verificar os resultados. Salvar o que você aprendeu para que da próxima vez seja mais fácil.
Se a IA de chat é um estranho brilhante que você conhece em uma festa — útil para a noite, depois desaparecido para sempre — a IA agente é um colaborador que faz anotações, lembra suas preferências e aparece amanhã com um plano.
A diferença não é mágica. É arquitetura. E você pode construí-la você mesmo.
Sete Princípios Que Realmente Funcionam
Passei meses lendo tudo que pude encontrar de pessoas que usam IA seriamente. Não apenas para demos — para trabalho real. Entregando código. Escrevendo relatórios. Gerenciando projetos.
E algo estranho aconteceu: as mesmas ideias continuavam aparecendo. Palavras diferentes, contextos diferentes, mas os mesmos princípios fundamentais. Eles se agrupam em torno de três coisas que todos tentamos proteger: nosso tempo, nossa energia e nosso senso de propósito.
Deixe-me guiá-lo através deles.
Os Princípios do Tempo
Comece com um plano.
Esta é a maior lição, e também a menos emocionante de ouvir: antes de pedir à IA para construir qualquer coisa, escreva o que você quer. Uma especificação. Um brief. Uma descrição de um parágrafo de “pronto”.
Eu sei. Parece trabalho extra. Parece burocracia.
Mas aqui está o que acontece sem isso: você pede algo vagamente, a IA te dá algo vagamente certo, e você passa a próxima hora consertando casos extremos que nunca mencionou. A abordagem “rápida” se torna lenta. Os buracos de coelho se multiplicam.
Com uma especificação clara, algo diferente acontece. A IA tem restrições. Não pode divagar. O espaço de busca colapsa para algo gerenciável. E de repente, os primeiros rascunhos são realmente bons.
Há uma frase que ficou comigo: “Trabalhe mais devagar no início para se mover mais rápido no geral.” Parece paradoxal, mas qualquer um que viveu a alternativa sabe que é verdade.
Verifique antes de confiar.
A IA é confiante. Sempre. Ela vai te dizer que o código funciona. Vai te assegurar que a lógica é sólida. E às vezes — frequentemente, até — está certa.
Mas às vezes não.
Isso não é uma crítica. É física. Modelos de linguagem geram texto plausível. É isso que eles fazem. E texto plausível pode estar errado de maneiras difíceis de detectar.
Então a regra se torna: não aceite “está pronto”. Exija provas. Testes que passam. Diffs que você pode ler. Logs que mostram a execução. Trate a saída da IA como trataria a primeira tentativa de um desenvolvedor júnior — otimista, mas exigindo revisão.
Os operadores que se movem mais rápido não são os que confiam cegamente. São os que construíram verificação no loop.
Use git como se sua vida dependesse disso.
Quando você pode desfazer qualquer erro instantaneamente, pode correr riscos. Quando erros são reversíveis, velocidade se torna segura.
Por isso os melhores operadores de IA fazem commit constantemente. Não no final de uma feature — no final de cada pequeno passo. Cada mudança atômica. Cada checkpoint.
Porque aqui está a verdade: quando a IA desvia (e vai), você não quer debugar três horas de mudanças emaranhadas. Você quer resetar para cinco minutos atrás e tentar de novo.
git reset é mais rápido que consertar. Sempre.
Os Princípios da Energia
Quebre tudo em átomos.
Tarefas grandes quebram a IA. Não quero dizer “a tornam mais lenta” — quero dizer a tornam errada. Quanto mais longa e complexa a solicitação, mais provável é que o modelo divague, perca o fio, acumule pequenos erros em grandes.
A solução é decomposição. Pegue essa grande tarefa e fragmente-a em pedaços pequenos o suficiente para que você pudesse fazê-los em 15 ou 20 minutos. Passos tão claros que “pronto” é óbvio.
Aqui está um teste: se você não pode dizer se um passo está completo, é muito grande. Decomponha mais.
Isso parece tedioso no início. Mas a recompensa é enorme. Cada pequeno passo tem sucesso. Cada pequeno sucesso constrói sobre o anterior. E de repente, o projeto impossível se torna uma série de problemas tratáveis.
Externalize seu contexto.
Aqui está o que ninguém te conta sobre sessões longas de IA: elas degradam.
No início, a IA lembra de tudo. O objetivo. As restrições. As decisões que você tomou ao longo do caminho. Mas conforme a conversa cresce, a janela de contexto enche. Informações antigas são empurradas para fora. A IA começa a esquecer.
E você não percebe — não no início. As respostas ainda soam confiantes. Mas estão derivando. Lentamente, sutilmente, a IA perde o plot. E você gasta mais e mais energia re-explicando coisas que já cobriu.
A solução é contraintuitiva: pare de depender da conversa para lembrar das coisas. Em vez disso, externalize seu contexto. Mantenha um arquivo que capture o objetivo atual, as decisões-chave, as questões abertas. Alimente-o à IA no início de cada sessão.
Na minha experiência, essa única prática — manter um arquivo de estado vivo — pode reduzir dramaticamente a deriva do agente. A IA não esquece, porque você não está pedindo para ela lembrar.
O Princípio do Propósito
Separe os papéis.
Há uma barganha no coração do trabalho com IA: você pensa, ela executa. Você toma as decisões estratégicas — o que construir, por que importa, como é o bom resultado. A IA lida com o trabalho tático — sintaxe, boilerplate, os bits tediosos que drenam sua atenção.
Quando isso funciona, é lindo. Você fica na zona criativa e estratégica. O trabalho frustrante e repetitivo desaparece. Flow se torna possível novamente.
Quando quebra — quando você começa a fazer o trabalho da IA por ela, ou para de entender o que ela está produzindo — algo se perde. Não apenas eficiência, mas capacidade. Há um risco real de “atrofia cognitiva” — esquecer como fazer as coisas que você terceirizou.
A solução é clareza. Saiba o que é seu. Saiba o que é da IA. Proteja seu papel como arquiteto, e deixe a IA ser o construtor.
A Memória Que Faz Persistir
Você deve ter notado um padrão nesses princípios: todos dependem de persistência. Planos que sobrevivem a sessões. Contexto que não degrada. Decisões que permanecem tomadas.
Mas IA é sem estado. Cada vez que você inicia uma nova conversa, ela esquece tudo.
Então de onde vem a persistência?
De você. Dos arquivos que você mantém, dos workflows que constrói, da documentação que cria. Isso é o que quero dizer com uma “memória externa” — um sistema de artefatos que vive fora da IA, que a IA pode ler e escrever, mas que persiste independentemente.
Pense nisso como um hipocampo para seus projetos. A memória de longo prazo que a IA não tem.
Há um protocolo para isso agora — um padrão aberto chamado MCP, o Model Context Protocol. Ele permite que sistemas de IA se conectem a ferramentas externas e fontes de dados. Consultas de banco de dados. Buscas na web. Operações de arquivos. Todas as coisas que uma IA não pode fazer em uma janela de chat, mas de repente pode quando está conectada aos servidores certos.
E é aqui que as coisas ficam interessantes.
Uma Ferramenta Que Construí Para Resolver Isso
Eu encontrava os mesmos problemas repetidamente.
Contexto desaparecendo entre sessões. Decisões importantes se perdendo no histórico de chat. Pesquisa que queimava tokens apenas para parsear HTML. Arquivos JSON que mudavam de formas que não conseguia rastrear.
Então construí algo para consertar isso.
Chama-se Pomera, e é um servidor MCP que funciona com qualquer IDE que suporta o protocolo — Cursor, VS Code com Cline, Claude Desktop, Antigravity, e outros. Pense nele como um toolkit para as coisas com as quais a IA tem dificuldade.
Precisa salvar um arquivo antes de uma refatoração arriscada? Um comando cria um backup. Quer buscar em todas as suas notas de cada sessão? Há uma busca de texto completo para isso. Comparando duas respostas de API? Ele faz diffs semânticos — mostrando o que realmente mudou nos dados, não apenas quais linhas se moveram.
Tem busca web embutida. Leitura de URL que remove o lixo. Duas dúzias de operações de texto que de outra forma queimariam tokens — extraindo URLs de uma página, limpando espaços em branco, normalizando formatos.
Ele até auto-detecta informações sensíveis — chaves de API, senhas, tokens — e os criptografa em repouso sem você pedir.
Não vou fingir que esta é a única solução. Mas é a que uso todos os dias, e resolve problemas para os quais não consegui encontrar boas respostas em outro lugar. Se algo disso ressoa, o código é open source no GitHub.
A Camada Meta
Até agora, falamos sobre otimizar seu workflow — os princípios e ferramentas que tornam cada sessão melhor.
Mas há uma camada acima disso. Um hábito que separa bons operadores dos ótimos.
É isso: revise a si mesmo.
Não apenas a saída da IA — seu próprio processo. No final de uma sessão, pergunte: o que funcionou? O que não funcionou? Onde dei instruções confusas? Onde a IA desperdiçou esforço porque eu não fui claro?
Isso é meta-cognição. Pensar sobre o pensamento. E é a forma mais rápida de melhorar, porque cada sessão se torna dados.
Tente isso: após sua próxima sessão de trabalho significativa, peça à IA para analisar seus prompts. Que padrões ela vê? O que ela mudaria? Você vai aprender algo. Toda vez.
Há outra versão disso, também. Quando a IA comete um erro — usa um método depreciado, alucina uma função de biblioteca, ignora uma restrição — não apenas conserte o código. Atualize sua documentação. Adicione o método correto ao seu arquivo de padrões. Adicione a restrição às suas regras.
O erro se torna impossível de repetir. Não porque a IA aprendeu, mas porque seu sistema aprendeu.
Para Onde Ir Daqui
Se você está curioso para explorar mais fundo, há alguns recursos excelentes por aí.
O guia oficial Getting Started with Antigravity te guia através do básico. A LogRocket publicou um guia abrangente para desenvolvedores que vai mais fundo nas capacidades agentes. E o YouTube tem dezenas de tutoriais — incluindo esta demo prática que mostra o workflow em ação.
Não vou te dar instruções passo a passo aqui. Parcialmente porque esses recursos já existem, e são bons. Mas principalmente porque explorar é mais valioso que seguir. Abra o painel MCP. Explore as configurações. Veja o que é possível.
É assim que você aprende o que funciona para você.
Por Que Isso Importa Além da Tecnologia
Mas há algo mais que quero deixar com você. Algo que levei um tempo para ver.
Esses princípios não são realmente sobre IA. São sobre ser humano.
Há alguns anos, li 12 Regras para a Vida de Jordan Peterson. É um livro estranho — parte psicologia, parte filosofia, parte mitologia — e ficou comigo de formas que não esperava. Quando comecei a notar padrões em como operadores de IA eficazes trabalham, percebi algo perturbador: os princípios são os mesmos. Vocabulário diferente, mesmas verdades.
Deixe-me mostrar o que quero dizer.
A sexta regra de Peterson é “Ponha sua casa em ordem perfeita antes de criticar o mundo.” A ideia é simples mas profunda: antes de tentar consertar o caos lá fora, conserte o caos dentro. Limpe seu quarto. Organize sua vida. Coloque seus próprios assuntos em ordem. Só então você tem a posição — e a clareza — para abordar problemas maiores.
Agora pense no primeiro princípio que discutimos: comece com um plano. Antes de pedir à IA para construir algo, organize seu próprio pensamento. Escreva o que você quer. Coloque seu contexto em ordem. O paralelo é exato. A IA não pode consertar um problema que você não definiu. E você não pode definir um problema enquanto seu próprio pensamento está espalhado por 30 abas.
A décima regra de Peterson é “Seja preciso em sua fala.” Ele argumenta que linguagem vaga cria resultados vagos — que pensamento nebuloso se propaga através de nossas palavras e corrompe nossas ações. Precisão não é pedantismo. É a diferença entre problemas que são resolvidos e problemas que apodrecem.
É exatamente por isso que decomposição funciona. Quebre tarefas em átomos. Torne-as tão claras que “pronto” é óbvio. A precisão da sua linguagem — seus prompts, suas specs, suas definições — determina se a IA entrega algo útil ou se perde no mato.
Depois há a regra oito: “Diga a verdade — ou, pelo menos, não minta.” Peterson enquadra isso como um imperativo ético, mas também é prático. Mentiras se acumulam. Requerem mais mentiras para se sustentar. Eventualmente, a estrutura colapsa.
Alucinações de IA são mentiras de um tipo diferente — não intencionais, mas não menos perigosas. O modelo te diz algo com confiança. Você aceita sem verificação. A mentira se propaga para seu código, seu relatório, sua decisão. O imperativo de verificação não é apenas eficiência. É epistemologia. É o compromisso de construir sobre a verdade, não sobre ficção plausível.
Regra sete: “Persiga o que é significativo, não o que é conveniente.” O conveniente é pular a fase de planejamento. Promptar rapidamente e esperar pelo melhor. Aceitar a primeira resposta e seguir em frente. Mas conveniência tem um custo — o retrabalho, a deriva, a energia desperdiçada de fazer as coisas duas vezes.
Trabalho significativo requer paciência. Pede que você invista antecipadamente. Que construa sistemas que persistam. Que troque o golpe rápido pela estrutura duradoura. Cada princípio neste post é, de alguma forma, uma escolha de significado sobre conveniência.
E finalmente, regra quatro: “Compare-se com quem você era ontem, não com quem outra pessoa é hoje.” Este é o coração da meta-cognição. A prática de revisar seus prompts, seu processo, seus padrões — e melhorar. Não melhor que outra pessoa. Melhor que a versão de ontem de você.
Aqui está no que passei a acreditar: os princípios que fazem a IA funcionar são os princípios que fazem a vida funcionar. Ordem derrota caos. Verdade derrota confusão. Precisão derrota vagueza. Significado derrota niilismo.
IA é apenas o meio. A mensagem é tão antiga quanto a civilização.
A Conclusão
Aqui está o que quero que você lembre:
O salto de “IA de chat” para “IA agente” não é sobre melhores prompts. É sobre construir sistemas que persistem. Planos que sobrevivem a sessões. Contexto que não degrada. Verificação que pega erros. Uma memória externa na qual você pode confiar.
Isso parece mais trabalho. E no início, é.
Mas então algo muda. A sobrecarga cognitiva cai. Você para de re-explicar. Você para de perder contexto. Você para de reconstruir o que já construiu.
E você começa a gastar sua energia no trabalho que realmente importa.
Há uma lição mais profunda aqui, também. Os princípios que tornam a IA eficaz são os mesmos princípios que tornam você eficaz — como pensador, como criador, como ser humano. Ordem. Verdade. Precisão. Significado. Esses não são conceitos de tecnologia. São os fundamentos de uma vida bem vivida.
IA não inventou essas ideias. Apenas as tornou visíveis novamente.
Então sim, construa seus workflows. Crie seus sistemas de memória. Ensine à sua IA hábitos que permaneçam.
Mas não esqueça: você também está se ensinando.
Estou curioso: Qual é uma tarefa repetitiva que você adoraria nunca fazer manualmente de novo — e o que te impediu de automatizá-la?
Recursos
- Pomera AI Commander (GitHub)
- Google Antigravity
- Guia Antigravity Codelabs
- Google Antigravity: Demo Prática (YouTube)
- LogRocket: Antigravity e Gemini 3
- Blog Google: Gemini 3 para Desenvolvedores
- Model Context Protocol (MCP)
- 12 Regras para a Vida por Jordan Peterson