Dev.to AI 🤖 Ai 👁 0 📖 9 min read

ia-sincer v1.1.0: menos contexto, melhores decisões e agentes mais objetivos

Uma IA pode escrever código rapidamente e, ainda assim, desperdiçar boa parte do trabalho tomando decisões ruins. Ela pode pedir informações que já estão disponíveis, repetir um comando sem alterar a abordagem, aceitar

Uma IA pode escrever código rapidamente e, ainda assim, desperdiçar boa parte do trabalho tomando decisões ruins.

Ela pode pedir informações que já estão disponíveis, repetir um comando sem alterar a abordagem, aceitar uma premissa tecnicamente incorreta ou declarar uma tarefa concluída sem verificar o resultado.

Esses problemas nem sempre são falta de capacidade do modelo. Muitas vezes, também estão relacionados à maneira como especificamos quando decidir, quando agir, quando perguntar e como validar.

Foi para lidar com esse comportamento que criei a ia-sincer, uma skill open source para orientar assistentes de IA a serem mais críticos, objetivos e comprometidos com evidências.

Na v1.1.0, reduzi aproximadamente pela metade o texto das instruções em português e inglês e reorganizei a skill em torno de um ciclo operacional:

Contexto → Decisão → Ação → Validação

A mudança central, porém, não é apenas escrever menos. É preservar critérios importantes de julgamento em uma especificação menor, mais clara e mais fácil de aplicar durante a execução.

Neste artigo, explico o que mudou, por que fiz essas escolhas e quais resultados já podem ser comprovados — sem confundir redução de instruções com aumento de performance ainda não medido.

O problema: instruções demais não significam decisões melhores

Uma skill costuma começar pequena. Surge um caso de borda, adicionamos uma regra. Aparece uma resposta ruim, adicionamos um exemplo. Uma ferramenta falha, adicionamos uma exceção.

Com o tempo, a documentação pode se transformar em uma coleção de recomendações parcialmente redundantes.

Isso traz alguns riscos:

  • Mais contexto consumido: regras e exemplos ocupam espaço que poderia ser usado por código, logs, diffs e resultados de ferramentas.
  • Instruções concorrentes: orientações parecidas, mas formuladas de maneiras diferentes, podem gerar ambiguidades.
  • Comportamentos ritualizados: o agente passa a seguir etapas por hábito, mesmo quando não são necessárias.
  • Mais atrito na execução: perguntas e repetições podem aparecer mesmo quando há contexto suficiente para seguir.

Não significa que todo prompt longo seja ruim. Instruções adicionais podem ser essenciais em tarefas complexas. O problema é o texto que não muda uma decisão, não reduz um risco e não ajuda a verificar a entrega.

Esse foi o critério usado para revisar a ia-sincer.

1. O que mudou na v1.1.0

O CHANGELOG da versão 1.1.0 registra uma redução significativa no tamanho das duas versões da skill:

Idioma Antes v1.1.0 Redução aproximada
Português 2.056 palavras 1.016 palavras 50,6%
Inglês 2.065 palavras 1.010 palavras 51,1%

Esses números são contagens de palavras, não um benchmark de tokens, velocidade ou custo. A quantidade real de tokens depende do tokenizer, do modelo e da forma como a instrução é inserida no contexto.

A condensação preservou as salvaguardas centrais e trouxe melhorias em outras áreas:

  • Hierarquia de contexto e evidências, incluindo instruções, memória e dados recuperados.
  • Critérios para decidir quando perguntar e quando agir com uma suposição razoável.
  • Tratamento de falhas em ferramentas sem repetir automaticamente a mesma operação.
  • Validação proporcional ao risco e comunicação do estado real da tarefa.
  • Integração opcional com o RTK, sem torná-lo dependência ou gatilho de ativação da skill.
  • Verificações automatizadas de frontmatter, limite de 1.200 palavras e equilíbrio de tamanho entre PT/EN.
  • Inclusão de artefatos de benchmark e de um relatório de referência reproduzível da v1.0.1.

A intenção é que a skill seja mais operacional e menos enciclopédica.

2. Um ciclo curto: contexto → decisão → ação → validação

A v1.1.0 organiza o comportamento em quatro movimentos conceituais:

Contexto ──→ Decisão ──→ Ação ──→ Validação
   ↑                                  │
   └──────── novo fato / erro ────────┘

Esse ciclo não é um roteiro rígido que obriga o agente a narrar cada etapa. É um critério para escolher a próxima ação útil.

Contexto: o que realmente importa agora?

O agente deve considerar a solicitação, as restrições, o estado verificado do projeto e as evidências de ferramentas. Não precisa carregar ou repetir informações irrelevantes só porque estão disponíveis.

Decisão: existe informação suficiente para avançar?

Quando há critérios suficientes, a skill favorece uma recomendação fundamentada em vez de uma lista interminável de alternativas. Se falta um dado capaz de mudar materialmente a ação ou o risco, faz sentido perguntar. Caso contrário, uma suposição explícita e razoável pode ser melhor do que interromper o trabalho.

Ação: qual é o próximo passo necessário?

Executar dentro do escopo autorizado, escolher ferramentas pelo fato que precisa ser verificado e evitar operações redundantes. Uma falha deve gerar uma hipótese melhor, não simplesmente uma nova tentativa idêntica.

Validação: o que foi comprovado?

A resposta final deve distinguir concluído, parcial, bloqueado e não verificado. Isso evita que uma alteração feita no código seja confundida com uma correção efetivamente testada.

3. Exemplo prático: menos tentativas cegas, mais evidência

Considere este pedido a um agente de programação:

"A API passou a retornar erro depois de uma alteração. Investigue e corrija."

Um fluxo pouco disciplinado pode executar o mesmo teste várias vezes, propor múltiplas soluções sem investigar a causa ou anunciar a correção apenas porque editou um arquivo.

Um fluxo guiado pelos princípios da ia-sincer deveria se parecer mais com isto:

1. Inspecionar o erro e a alteração relevante.
2. Identificar uma hipótese sustentada pelos logs ou testes.
3. Escolher a menor correção compatível com os requisitos.
4. Aplicar a mudança autorizada.
5. Rodar uma verificação que exercite o comportamento afetado.
6. Relatar o que passou, o que falhou e o que não foi testado.

Se o teste continuar falhando, o agente precisa usar o novo erro para revisar a hipótese antes de repetir a ação.

Importante: esse é um exemplo ilustrativo do comportamento desejado, não o resultado de um experimento comparativo. A skill orienta a tomada de decisão, mas não garante que todo modelo ou tarefa seguirá esse fluxo perfeitamente.

4. Sinceridade ativa não é ser grosseiro — é não validar premissas erradas

Uma motivação original da ia-sincer foi combater a tendência de alguns assistentes a concordarem automaticamente com quem está pedindo ajuda.

Em engenharia, concordância sem evidência pode custar caro. Uma decisão arquitetural ruim não se torna correta porque o pedido foi escrito com confiança.

Na v1.1.0, essa ideia ficou mais precisa:

  • Premissa verificavelmente errada: apontar o problema, mostrar a evidência e propor correção.
  • Preferência legítima: respeitar escolhas e restrições do usuário, mesmo quando existe outra alternativa possível.
  • Evidência insuficiente: declarar a incerteza, em vez de inventar certeza ou forçar um vencedor.
  • Nova informação relevante: atualizar a recomendação por causa dos fatos, não pela insistência de alguém.

Sinceridade útil não é responder de forma agressiva. É evitar que o tom da conversa substitua critérios técnicos.

5. Hierarquia de evidências: nem todo contexto tem o mesmo peso

Agentes recebem instruções, histórico, memória, arquivos, resultados de busca e saídas de ferramentas. Esses conteúdos podem divergir.

A ia-sincer agora orienta a resolver conflitos considerando a autoridade da instrução e a evidência aplicável ao ambiente atual, em vez de tratar toda informação como equivalente.

Por exemplo, se a memória de uma conversa diz que o projeto utiliza uma dependência antiga, mas o manifesto atual do repositório mostra outra versão, a evidência verificada do projeto deve orientar a decisão técnica.

Isso não autoriza ignorar instruções de maior prioridade, ultrapassar permissões ou tratar dados recuperados como comandos. Contexto útil e autorização são coisas diferentes.

A ideia é simples: uma informação recente não é automaticamente mais confiável; uma afirmação convincente não é automaticamente verdadeira.

6. RTK: otimização complementar, não dependência

A v1.1.0 também separa dois tipos diferentes de ruído:

Camada Problema Papel da solução
Prompt e resposta Redundância, indecisão e comunicação excessiva A ia-sincer orienta julgamento e comunicação.
Saída de comandos Logs extensos e informações pouco relevantes O RTK pode filtrar a saída de comandos compatíveis.

O instalador pode detectar o RTK e oferecer sua instalação. Também existem opções explícitas para instalar ou ignorar essa etapa.

O ponto importante é que o RTK não é obrigatório para usar a skill. E, quando a saída filtrada esconder uma evidência necessária para diagnóstico, a saída original deve ser consultada.

As ferramentas atuam em camadas diferentes e podem se complementar. Qualquer economia real de tokens ou tempo, porém, precisa ser medida no ambiente e nas tarefas executadas.

7. O que já foi comprovado — e o que ainda precisa de benchmark

Existe uma diferença importante entre melhorar o design de uma skill e comprovar ganho de produtividade de um agente.

Na v1.1.0, já posso apontar mudanças verificáveis no repositório:

  1. O texto da skill ficou aproximadamente 50% menor em palavras nos dois idiomas.
  2. As regras foram reorganizadas em torno de contexto, decisão, execução e validação.
  3. Foram adicionadas verificações automatizadas de estrutura e orçamento de contexto.
  4. A integração com RTK foi mantida como uma otimização opcional.

O que não decorre automaticamente desses fatos é uma afirmação como "a IA ficou 50% mais rápida" ou "o custo caiu pela metade".

Para avaliar isso corretamente, pretendo comparar versões em tarefas equivalentes, controlando o modelo e as condições de execução, com métricas como:

Métrica Por que importa
Tokens de entrada e saída Mostra o consumo efetivo de contexto e resposta.
Tempo total até conclusão Mede latência da tarefa completa, não apenas de uma mensagem.
Chamadas de ferramentas Ajuda a identificar consultas e tentativas desnecessárias.
Número de retrabalhos Mostra quantas correções adicionais foram necessárias.
Taxa de conclusão validada Verifica se a tarefa foi realmente resolvida.
Erros ou regressões Evita trocar qualidade por respostas mais curtas.

O changelog registra artefatos do benchmark CargaLeste e um relatório reproduzível de referência da v1.0.1. Isso cria uma base para comparações futuras, mas não é, por si só, uma medição publicada de superioridade da v1.1.0.

Meu objetivo é avaliar não apenas se a IA responde menos, mas se chega a resultados corretos com menos iterações improdutivas.

8. Como experimentar a ia-sincer

O projeto é open source e oferece instalação por NPX, além de alternativas por Node/Bash e instalação manual.

Para iniciar o instalador interativo:

npx ia-sincer

Para selecionar diretamente um assistente compatível, consulte os comandos e destinos atualizados no README do projeto.

A skill está disponível em português e inglês:

Para avaliar a diferença no seu próprio ambiente, escolha tarefas reais e compare o comportamento com e sem a skill, prestando atenção tanto à qualidade das decisões quanto ao resultado validado.

Conclusão: uma skill melhor não é só uma skill menor

A evolução da ia-sincer para a v1.1.0 reforçou uma convicção que vem guiando o projeto: produtividade em fluxos agênticos depende tanto das decisões quanto da geração de código.

Uma instrução é útil quando ajuda o agente a reconhecer o contexto relevante, corrigir uma premissa errada, escolher a próxima ação e verificar o resultado. Se ela apenas repete algo que já estava claro, talvez não precise estar ali.

A versão 1.1.0 deu um passo concreto nessa direção: menos texto, regras mais concentradas e critérios de execução e validação mais explícitos.

Ainda há trabalho para medir o impacto disso em diferentes modelos e tarefas. E essa separação entre o que foi implementado e o que foi comprovado em execução é parte da própria filosofia da ia-sincer.

Repositório: github.com/inclitoleo/ia-sincer

📰 Read the original article on Dev.to AI

Originally published by Dev.to AI. Aggregated on AIWithGhost for educational purposes — full credit and traffic to the original publisher.