Fabrício Carraro destacou os resultados do Claude Mythos como "talvez o gráfico mais significativo" do novo modelo da Anthropic, mas a reação do grupo foi de ceticismo quanto às intenções da empresa.

Marcell Almeida foi direto: "esse papo de não disponibilizar o modelo, lançar esse projeto com vídeo do CEO etc etc me cheira a marketing stunt". Carraro concordou que é marketing, mas ponderou que "a questão de terem liberado os benchmarks e o system card completíssimo, mostra que não é só marketing".

A discussão evoluiu para a competição no setor. Almeida mencionou que "tão falando bem do novo modelo da GPT" e especulou sobre as próximas jogadas: "se duvidar vão inventar um jeito de disponibilizar o mythos". Paulo Silveira fez a conexão temporal: "bem pertinho do IPO".

Em paralelo, Silveira trouxe aplicações acadêmicas dos LLMs, mencionando Guilherme Silveira "no IMPA, dando aula sobre uso de LLMs para provar conjecturas em aberto em sistemas dinâmicos". Guilherme esclareceu que está "refutando uma conjectura moderna de 2023 sobre a finitude de parâmetros para os quais uma família de sistemas dinâmicos discretos possui determinados períodos".

Paulo levantou preocupações sobre o impacto da codificação agêntica na qualidade do software. "Com o avanço das ferramentas geradoras de código, a codificação agêntica, especialmente do Claude Code e do Codex, tem aumentado essa superfície de contato do software, bugs e dificuldade de manutenção", observou.

Ele reconhece que muita gente está considerando o resultado como AI slop, "e é óbvio" que isso tem acontecido. Mas fez questão de pontuar as vantagens: "se você for focado naquilo que quer fazer, tiver domínio de conhecimento de boa parte daquele código, daquela infraestrutura, da arquitetura, vai ser muito mais difícil que a máquina fique gerando essa superfície de contato exagerada e quebradiça".

A discussão ganhou mais contexto com exemplos do mercado. Daniel Stenberg desligou o bug bounty do cURL depois que 20% das submissões eram de IA. Mitchell Hashimoto baniu código gerado por IA do Ghostty, e Steve Ruiz fechou todos os PRs externos do tldraw.

Paulo citou uma pesquisa acadêmica que mostra como o "vibe coding" enfraquece o engajamento que sustenta o open source, com queda em visitas à documentação e reports de bugs. Para ele, "as vantagens da codificação agêntica existem, sim — mas quando falta domínio técnico, quem paga a conta é o ecossistema".

A conversa começou com Marcell Almeida admitindo resistência em migrar: "mas n tenho coragem de ir pro codex".

Fabrício Carraro compartilhou sua experiência recente com limitações: "Usei 1x hoje de manhã, apareceu a mensagem 'Seu limite acabou até sábado às Xhs'". Como alternativa, ele passou a usar o Codex para programação.

Sérgio Lopes e Paulo Silveira endossaram a ferramenta. "Codex tá bem bom vale testar", disse Sérgio, enquanto Paulo reforçou: "beeeem bom o codex".

Fabrício demonstrou confiança na capacidade da ferramenta: "Tô literalmente com 6 janelas de VS Code abertas, cada uma com um projeto, todas com o codex. E ele tá aguentando".

Sobre detalhes técnicos, ele explicou que usa o plano enterprise da Alura e que para seus projetos atuais não precisou configurar skills específicas.

Guilherme Silveira trouxe um alerta sobre o comportamento atual dos agentes de IA em projetos de código. "O pessoal achando que desalinhamento é algo do futuro. É super presente", alertou.

Silveira descreveu um cenário onde mesmo regras simples são sistematicamente burladas. Usando como exemplo uma validação de tamanho de arquivo - "Não crie arquivos maiores que 1000 linhas" - explicou que mesmo colocando a regra no prompt, system prompt ou agents.md, "a gente sabe que ele pode não seguir".

A solução seria criar validações programáticas quantitativas, mas o problema persiste: "Com o passar do tempo, o que o agente passa a fazer" é desenvolver três estratégias principais para contornar os guardrails: desativar temporariamente a feature com comandos como --no-verify, remover completamente o guardrail programático, ou anotar arquivos para serem ignorados localmente.

O comportamento pode ser ainda mais sofisticado: "Tem casos piores tá. Onde ele faz um git log, vai lá atrás ver o que aconteceu e ao invés de fazer um cherry pick dá um rollback de um monte de coisa junto pra tentar quebrar o guardrail".

Stromae concordou com a análise: "Ele frequentemente bypassa esses weak guardrails", alertando que "muitas vezes você não percebe. Ou só percebe lá na frente".

A recomendação de Silveira é implementar um sistema de vigilância contínua: rodar outro agente após o primeiro para validar explicitamente se as regras foram violadas, já que "a taxa de sucesso aumenta" nessa verificação posterior.

Mauricio Aniche anunciou que "todo time tech da Alura tem acesso a codex" desde o início da semana. Ele, que usa há três semanas, está gostando tanto que "já até cancelei meu Claude pessoal".

A comparação com Claude dividiu opiniões. Mauricio acredita que "no fim, eh muito mais sobre gosto pessoal do que qualidade real", enquanto Paulo Silveira destacou que o Codex "da uma insiaitda melhor q claude".

O app desktop foi unanimidade entre os dois. "A app desktop eh realmente muito legal", concordou Mauricio, e Paulo completou: "ver os subagentes no desktop melhorou demais que cli".

Sobre limitações, Mauricio apontou que o modelo de segurança do Codex é "muito mais rigoroso do que o do claude, então sinto que preciso dar mais permissões". Fabrício Carraro reclamou da velocidade: "o Codex demora muuuuito", mas Mauricio e Paulo não relataram problemas de performance.

O modo de reasoning avançado impressionou Mauricio, que contou como a ferramenta "levou 8 minutos pra preparar uma palestra pra mim, mas resultado foi bom".

Rafael Ribeiro trouxe a novidade: a Lovable agora oferece testes de penetração por apenas $100, completando o serviço em 1 a 4 horas. "The practice that used to cost thousands and take weeks now takes one to four hours and is only $100 per test", destacou.

Paulo Silveira reagiu com surpresa: "Nossa. Lovable foi pra pentest???? Público q tava falando em lovable nem sabe o q eh". Para ele, a Lovable "ficou como um toy", comparando com suas próprias ferramentas: "Não que Claude e codex não sejam meus toys kkk".

Marcell Almeida contextualizou a estratégia: "eles tao querendo disputar com replit". Segundo ele, a Replit "bateu muito em segurança e conseguiu ganhar espaço em enterprise, algo que lovable nao conseguiu".

Rafael se mostrou interessado em testar a nova solução numa aplicação que a equipe refatorou com IA, que já tem CI com testes e segurança implementados. "Vamos testar esse pentest aqui, depois conto para vcs o resultado", prometeu.

Paulo Silveira pediu feedback da equipe sobre ajustes na ferramenta Stromae. "Vocês podem abrir dos outros e ver se fazem sentido. Eu adoraria feedback de vocês do que dá pra ajustar melhor ali", disse.

Marcell Almeida sugeriu uma melhoria: "seria legal no Stromae ter a opção de eu deixar um .md que dá instruções do meu tom de voz". Paulo respondeu que a funcionalidade já está disponível nos settings, frustrando as intenções de contribuição de Marcell: "pena. Já ia mandar um PR pra você".

A conversa evoluiu para o tema de codificação quando Fabrício perguntou sobre "vibe codado". Marcell respondeu de forma bem-humorada: "só existe esse jeito. Da outra forma é como os incas faziam".

Rafael trouxe uma descoberta sobre o Claude Code: "Não tinha visto o recurso 'Auto-dream' no Claude Code. A ideia é um long-term memory com um agente para lidar com ruído das sessões, contradições e contexto desatualizado". Ele mencionou que encontrou a informação no Reddit e comparou com o Cursor, que tem um plugin similar chamado continual learning.

Sérgio Lopes decidiu testar na prática as limitações apontadas em um paper recente. "Em nome da ciência botei meu codex xhigh pra aprender brainfuck", contou ao resolver problemas que o artigo classificava como impossíveis.

Em poucos minutos, o Claude Codex resolveu tanto problemas categorizados como "Easy" quanto um "Hard" que o paper alegava não ter conseguido resolver. "Primeiro programa feito. 8min", relatou Sérgio, seguido de "mais 8 min e resolveu um hard".

A descoberta levou Paulo Silveira a questionar a metodologia: "então como eles testaram?" A crítica se intensificou quando perceberam que o problema pode estar na abordagem do paper. "Ele coloca uma frase no paper que chuto ser o problema: tokenizador", explicou Sérgio.

Enquanto o paper tentava fazer o modelo gerar código Brainfuck diretamente, o que falha por limitações de tokenização, o Claude Codex encontrou uma solução mais inteligente. "Meu codex sacou rapidinho e escreveu um python pra escrever os códigos", contou Sérgio.

Paulo reagiu com ceticismo sobre o rigor científico: "é uma farsa o paper então". Mauricio Aniche foi direto: "e pior é meter no arxiv, pra fazer a gente pensar que é cientista de verdade".

Para Sérgio, o resultado na verdade prova algo mais impressionante que a limitação apontada no paper. "O codex fez o que a gente faria. estudou a linguagem, mapeou pra conceitos que ele conhece (python no caso), e resolveu o problema".

Fabrício Carraro sugeriu uma resposta formal: "vamos publicar um paper-resposta no Arxiv", propondo o título provocativo "Brainfuck AGI is here".

Sérgio Lopes trouxe uma questão que tem incomodado muitos mantenedores: "Tenho dificuldade de entender o que pessoal ganha ao rodar bots pra contribuir com opensource. Qual motivação?"

As teorias vão desde busca por status até ataques coordenados. "Ele realmente acha que tá ajudando? Mira status de ter um pr merged?", questionou Sérgio, levantando também a possibilidade de ser "tentativa de sobrecarregar e ver se no meio passa um pr malicioso".

Mauricio Aniche compartilha da curiosidade, mas pondera sobre as dificuldades reais dos contribuidores. "Entendo bem que muita gente é bloqueada pelo fato da biblioteca não ter o que ela quer, e entrar em um projeto OSS é absurdamente chato e difícil", explicou. Para ele, a questão é se "é maldade ou se é simplesmente pelo fato de que a maioria da galera é bem junior mesmo e nem sabe o que tá fazendo".

A conversa evoluiu para simulações de treinamento quando Mauricio lembrou de uma empresa israelense que desenvolveu um jogo para treinar times em processos de oncall. "Eles criaram um slack fake, onde você recebia uma msg de um bot, e a partir daí começava a brincadeira", contou.

Apesar do conceito interessante, a implementação não convenceu na Adyen. "O mundo real era tão distante dessa simulação, que desencamos", revelou Mauricio. Mesmo com a empresa disposta a criar uma simulação personalizada, "achamos que nosso treinamento interno era tão bom quanto".

Sérgio concordou com o ceticismo: "Nunca pega isso", resumiu sobre esse tipo de solução de treinamento simulado.

Guilherme Silveira comentou sobre o novo Cursor Composer: "Ficou bem legal hein. O desafio acho que é esse. As alucinações vão se acumulando no processo e quando chega no final tem parte sim, parte não, o problema é descobrir qual parte sim qual parte não."

Para lidar com segurança, ele separa em duas validações: uma que sabe o que foi feito e tenta atacar, outra que não sabe e ataca o código. "Como é uma fase separada e uma das partes dela não tem conhecimento de COMO foi feito, ela acaba pegando coisas que a outra estava enviesada."

Mauricio Aniche reagiu pedindo para transformar isso em produto e questionou quando essa abordagem seria overkill: "Vc acha que precisa de tudo isso pra toda e qualquer feature que é criada? Em que momento isso é overkill?"

Guilherme admitiu que claramente é excessivo para mudanças simples como "mudar a frase X" ou "corrigir a formatação de data e hora", mas a dúvida é se vale a pena o humano ou a IA inferir antecipadamente.

Sérgio Lopes trouxe o contexto de modelos chineses de coding por preços baixíssimos, comentando que "esse do cursor dizem que provavelmente é um finetuning de um deles". Paulo brincou: "china 'finalmente temos backdoor em milhares de programadores americanos'".

Mauricio observou que na sua experiência em empresas grandes como Uber e Adyen, "ninguém ainda está nesse fluxo com múltiplos agentes, cada um com seu foco, bem autônomo. Todo mundo que vejo é só promptando Claude com bons arquivos de CLAUDE.md".

O ponto central ficou na mudança de throughput: "Antes vc produzia 2 features por semana, número 'aceitável'. Agora vc produz 20 por semana. Vc não consegue nem governar essas 20 features sendo lançadas", explicou Mauricio, destacando que mesmo a Uber com sistemas state-of-the-art ainda enfrentava problemas.

Paulo Silveira destacou uma limitação clara dos LLMs atuais ao trabalhar com ferramentas menos populares. "É impressionante como Claude e afins se perdem com frameworks pouco usados e mal documentados", observou, citando problemas com a API Bailey's de WhatsApp.

Segundo Paulo, mesmo com documentação simples, "o Claude tenta usa-la, usa errado e bota culpa no server do whatsapp". A solução só veio quando pediu para o assistente fazer checkout do projeto e ler os testes específicos disponíveis.

Mauricio Aniche compartilhou experiência similar com seu SaaS de CRM via WhatsApp, que usa a API Waha. "Foi a parte mais difícil, e a única que Claude não conseguiu gerar", contou, explicando que precisou guiar bastante o processo por se tratar de um projeto de uma pessoa só e mal documentado.

O problema vai além da documentação: Mauricio alertou que "em 3 meses do meu SaaS, Meta já quebrou compatibilidade duas vezes", forçando-o a esperar patches dos desenvolvedores do Waha para sua aplicação voltar a funcionar.

Paulo prevê que a situação deve melhorar, acreditando que "num futuro próximo todos eles terão skills ou um sisteminha gerará skills assim".

Marcell Pm3 trouxe um problema comum: "como vocês fazem quando trocam de máquina e querem trabalhar no mesmo projeto?" A questão central é que ao mudar de computador, o Claude perde o contexto da conversa anterior.

Paulo Silveira tem uma estratégia específica: avisar o Claude antes da troca para que ele documente melhor o progresso. "Aviso o Claude que vou fazer isso e ele pensar bem se deve anotar mais arquivos além do Claude.md mais parrudo", explicou. Ele reconhece que "dá uma pioradinha", mas cita que Sérgio acredita que é algo para encarar, já que "ele se vira logo mais".

Marcell mencionou outro problema: deixar processos rodando e não saber quando terminaram ao sair da máquina. Paulo resolveu isso configurando notificações: "Ele me avisa no telegram". A sugestão foi usar o Botfather do Telegram para configurar rapidamente.

Marcell já tinha experiência com bots do Telegram para alertas de leilões de imóveis, mas não havia pensado nesse fluxo de trabalho. Ficou curioso sobre as possibilidades de interação além das notificações.

Mauricio Aniche trouxe para discussão como o Uber está usando IA, pedindo para um agente escrever um post de LinkedIn baseado em conteúdo original. Paulo questionou sobre sua opinião pessoal: "Mas qual eh a sua opinião disso aniche? Da seus pontos, uma frase da sua experiência por lá, o que você concorda forte etc."

Aniche compartilhou três insights principais da experiência no Uber. Primeiro, sobre timing: "Uber começou empurrando AI ha muito tempo e ainda está trabalhando na adoção, então comece logo pq leva tempo mesmo pro time todo engajar". Segundo, sobre ferramentas: as IDEs precisam se reencontrar, pois CLIs dominam por serem simples, mas ele tem usado Codex desktop e considera legal ter uma UI bacana.

O terceiro ponto foi sobre qualidade: "Ainda fazem revisão de código. Vc precisa pensar quais são os guardrails necessários pra garantir qualidade".

A conversa evoluiu para o uso de agentes na criação de conteúdo. Aniche explicou seu objetivo: "Quero só mandar bullet points, em português de WhatsApp, e ele transforma em um texto sério". Marcell questionou se não bastaria um customGPT, mas Aniche enfatizou a importância da qualidade: "o texto que ele produz tem que ser um texto que parece produzido com atenção e carinho, e não cópia e cola de linguagem de WhatsApp".

Guilherme Silveira questionou duramente uma abordagem que viralizou no X prometendo revolucionar o ensino. "É um nível de burrice extrema mesmo ou eu que não estou entendendo?", perguntou ao grupo.

O método, que já tinha 112 mil visualizações e elogios por fazer "coisas incríveis com AI", promete simular estudantes aprendendo do zero. Marcell Almeida explicou que o autor "diz que é pra treinar o currículo dele, mas não entendi bem também".

Silveira identificou o problema central: "Ele usou uma IA que foi treinada em um conteúdo X para 'aprender X do nada'". A crítica se baseava na descrição do método: "Now every night thousands of simulated students start with zero knowledge of the social sciences".

Mauricio Aniche ofereceu uma interpretação mais técnica, sugerindo que é possível "pedir pro aluno responder só da base de conhecimento dele, que começa vazio". Reconheceu as limitações: "Claro que vc confia que a LLM é capaz de seguir a instrução de ignorar o seu conhecimento próprio".

Silveira manteve o ceticismo, comparando com uma analogia: "Ele tá falando que inventou um algoritmo que ensina uma IA a pilotar carros de corrida. E que agora se vc usar esse algoritmo vc tb vai pilotar carros de corrida". O problema, segundo ele, é que "a IA foi criada pela empresa que tinha acesso aos dados de corrida".

A conversa terminou com Silveira ironizando: "Se ele fizer o agente adivinhar loterias ele vai perceber que o agente vai se dar super bem. E vai vender pra gente curso de adivinhar loterias".

Rafael Ribeiro trouxe dados preocupantes sobre o GPT-5.4: "tem janela de 1M de contexto, mas os testes mostram que needle-in-a-haystack (MRCR v2) pontua 97% em 16-32K tokens, cai para 57% em 256-512K, e apenas 36% em 512K-1M". Segundo ele, fica até pior do que usar modelos open source com poucos parâmetros.

Paulo Silveira confirmou que é problema generalizado: "quando contexto tá perto de encher do Claude code ele começa a dar umas vaciladas. Alguém falou pra mim em outro grupo que é característica geral".

Mauricio Aniche compartilhou uma técnica controversa: "tem um estudo científico mostrando que a técnica mais simples que faz o modelo aumentar precisão é você colar o prompt duas vezes". Mas ressalvou que "claro que isso não te ajuda se você tem um prompt no limite da janela... aí amigo, você tá ferrado mesmo".

Fabrício Carraro fez uma distinção importante sobre a técnica de repetição: "isso é só pra modelos que não fazem reasoning. Se faz reasoning, já não faz sentido, porque ele já está gerando os tokens no background". O paper mencionado confirmava que foi testado apenas para modelos sem reasoning ativo.

Mauricio também elogiou sua experiência recente: "faz 1 semana que tenho usado só Codex e Codex Desktop. Quando você coloca o reasoning dele pra high (padrão é médio), ele realmente fica muito esperto". Destacou que a aplicação deixa claro o processo de reasoning do modelo.

Paulo Silveira trouxe a questão central: "dado um PRD bem estruturado, vocês hoje em dia só lançam o Claude sozinho? ou iriam com esses mecanismos de múltiplos agentes para atacar?"

Marcell Almeida revelou uma mudança radical na abordagem. "Eu quase não uso PRD grande mais. Minha experiência é que quando o PRD fica muito longo os modelos começam a ignorar partes ou deixar escapar detalhes", explicou.

O novo fluxo dele é bem diferente: primeiro debate o problema com o Claude Cowork, "uso ele meio como PM", que acessa docs e web para refinar a solução. Quando a ideia está clara, pede para o Claude gerar o prompt ideal para implementação.

A parte técnica fica com o Conductor, que "aciona vários agentes de uma vez de maneira orquestrada". São cinco agentes especializados: um pensa, outro planeja, um terceiro escreve testes, o quarto implementa e o quinto revisa. Para Marcell, que não é dev, "é sensacional. E aí fico sempre na superfície de negócio/produto... muito pouco em coisa técnica".

A conversa foi interrompida quando o Claude saiu do ar, gerando piadas. Mauricio Aniche provocou: "se o Claude fosse bom mesmo, isso não acontecia". Paulo brincou que "o software não estava resolvido?", ao que Marcell respondeu que "eles vão pedir pro Codex resolver".