Um novo framework de fluxo de trabalho para assistentes de programação com IA já está disponível como versão estável, e seus desenvolvedores afirmam que ele pode substituir sessões de codificação com prompts pouco estruturados por uma entrega de software estruturada e verificável. O projeto, chamado AI-DLC, abreviação de AI-Driven Development Life Cycle (ciclo de vida de desenvolvimento orientado por IA), está hospedado no GitHub sob a organização awslabs. Ele executa um núcleo único e neutro em relação ao harness nativamente em sete ferramentas: Claude Code, Kiro CLI, Kiro IDE, Codex CLI, Cursor, opencode e GitHub Copilot.

A documentação do projeto apresenta um argumento específico para a abordagem. A programação ad hoc com IA, segundo ela, perde contexto à medida que os projetos crescem. O AI-DLC busca manter requisitos, decisões, implementação, testes e trabalho operacional interligados por meio de um único ciclo de vida auditado. O framework descreve cinco fases e 33 etapas, que vão da inicialização até a operação.

Instalação e configuração de um projeto

A instalação é feita por meio de um único script. No macOS, no Linux ou no Windows Subsystem for Linux, os usuários executam um comando de shell que baixa o instalador da versão mais recente. Usuários do Windows executam um comando do PowerShell. O instalador configura o comando nativo aidlc junto com todos os runtimes dos harnesses, e os usuários não precisam instalar Bun ou Node.js no caminho padrão.

O instalador do Windows coloca a ferramenta na conta do usuário atual e adiciona seu diretório bin ao PATH do usuário automaticamente. A documentação alerta contra executar o instalador a partir de uma janela do PowerShell aberta com direitos de administrador, o que dispara um aviso e uma solicitação. Usuários que desejam evitar a alteração do PATH podem passar uma flag para pular essa mudança. Já quem prefere gerenciar os arquivos do projeto manualmente, ou não consegue instalar um executável nativo, pode usar um caminho de cópia manual. Essa rota exige Bun.

Depois de instalado, o usuário seleciona um harness a partir da raiz do projeto com um comando como aidlc config --harness claude e, em seguida, executa aidlc doctor para verificar a configuração. Os harnesses compatíveis incluem kiro-ide, kiro, codex, cursor, opencode e copilot. Cada ferramenta tem sua própria forma de iniciar um fluxo de trabalho. No Claude Code e no opencode, os usuários digitam /aidlc seguido de uma descrição do trabalho. O Codex CLI usa $aidlc. No Kiro IDE, o usuário primeiro escolhe aidlc no seletor de agentes do painel de chat.

Como um fluxo de trabalho é executado

Depois que o usuário descreve uma tarefa, o AI-DLC seleciona um fluxo de trabalho com base na solicitação, pede as decisões que ainda faltam e pausa em portões de aprovação antes de avançar para a próxima etapa. O framework inclui 11 perfis de fluxo de trabalho que abrangem funcionalidades, correções de bugs, infraestrutura, segurança, provas de conceito e entrega corporativa. A documentação recomenda começar com os fluxos Classic, Express e os fluxos focados, para compará-los.

O framework depende de 14 agentes: 11 especialistas de domínio, dois revisores e um compositor adaptativo. Ele mantém uma trilha de auditoria com 119 eventos, além de estado persistente, conhecimento da equipe e regras aprendidas. A revisão está vinculada ao material de origem, o que a documentação descreve como evidências de revisão vinculadas à fonte.

O acesso aos modelos depende do harness. A configuração do projeto distribuída mantém o provedor e o modelo que o usuário já escolheu. Nas superfícies compatíveis, o comando aidlc config providers pode aplicar configurações do Amazon Bedrock. O Kiro CLI e o Kiro IDE não exigem resposta sobre provedor, pois o acesso aos modelos vem com o Kiro. O projeto atualmente recomenda o Claude Opus 4.8 e afirma que modelos de raciocínio capazes geralmente apresentam melhor desempenho.

A documentação também inclui um alerta sobre confiança. No Kiro IDE, ao abrir uma pasta de projeto que ainda não foi marcada como confiável, o usuário é solicitado a escolher se deseja confiar nela. Confiar em uma pasta permite que seus hooks .kiro executem comandos na máquina do usuário, por isso o projeto aconselha confiar apenas em pastas que o usuário possui ou que já tenha verificado. O projeto também alerta que a IA generativa pode cometer erros e que os usuários devem revisar o conteúdo gerado e os custos antes de agir com base neles.

Dieser Artikel wurde mit Unterstützung von KI verfasst.
News Factory APP - agentische News für besseres SEO & AEO.