YAML, agentes remotos e voz: a IA saiu do prompt

Tem um padrão aparecendo com força: agente bom não vive só de prompt bonito. Ele precisa de especificação que dá pra auditar, runtime que dá pra observar e ferramentas que não transformem cada edição num salto de fé.

Hoje o fio passa por feature.yaml, agentes remotos de código, voz em tempo real e um pouco de higiene de terminal. Nada muito glamouroso, ainda bem. As partes úteis de IA quase sempre parecem encanamento quando você olha de perto.

Specsmaxxing: quando o requisito vira o artefato durável

Specsmaxxing, no contexto do Acai, é uma defesa bem direta de desenvolvimento guiado por especificação para agentes de código. Em vez de tratar o prompt como a fonte de verdade, a proposta coloca requisitos e critérios de aceite em arquivos feature.yaml.

O detalhe bom é o uso de IDs estáveis para critérios de aceite, chamados de ACIDs, de “Acceptance Criteria IDs”. A ideia é que esses IDs apareçam em testes, comentários e trechos de implementação. Assim, quando alguém olha um diff, não precisa adivinhar se aquela mudança satisfaz uma história abstrata escrita três conversas atrás. Dá pra perguntar: qual requisito isso cobre? Qual teste aponta pra ele? O que ainda está sem cobertura?

Isso conversa muito bem com agentes porque troca “faça o melhor possível” por uma superfície verificável. O modelo pode implementar, outro modelo pode revisar, um humano pode aceitar ou rejeitar, e a discussão continua apontando para o mesmo requisito. Não resolve tudo, claro. Se a especificação estiver ruim, você só ganha uma ruindade muito bem organizada. Mas já é melhor do que ficar caçando intenção perdida no histórico do chat, essa arqueologia triste do dev moderno.

Também vale não romantizar demais: Acai é uma ferramenta/produto com um jeito próprio de organizar esse fluxo. O padrão, porém, é maior que a ferramenta. Requisitos versionados, IDs rastreáveis e cobertura por critério de aceite são uma resposta prática para um problema real: agentes trocam de modelo, perdem contexto, reescrevem partes grandes e ainda assim precisam deixar rastro legível.

Fonte: Acai.sh.

Mistral Medium 3.5 e Vibe: o agente remoto virou produto

A Mistral anunciou o Medium 3.5 em preview público e colocou o modelo como base para agentes remotos no Vibe. Segundo a própria Mistral, o Medium 3.5 é um modelo denso de 128B, com janela de contexto de 256k, pesos abertos sob licença modified MIT e 77,6% no SWE-Bench Verified. Esse número é claim de fornecedor, então trate como sinal, não como lei natural gravada em pedra.

A parte mais interessante nem é o benchmark. É o runtime. O Vibe agora deixa iniciar sessões de código na nuvem pela CLI ou pelo Le Chat, rodar tarefas em paralelo, acompanhar diffs, chamadas de ferramenta, progresso e perguntas do agente. A Mistral também fala em sandbox isolado e abertura de PR quando o trabalho termina.

Isso muda a conversa de “qual modelo escreve código melhor?” para “onde esse agente roda, que permissão ele tem, como eu observo o que ele fez e quem aprova a próxima ação?”. Se o agente está no seu laptop, o limite é o seu ambiente local. Se ele está numa sandbox remota, entram outros problemas: credenciais, rede, dependências, logs, custo, isolamento e revisão.

É uma direção inevitável para tarefas longas e bem definidas: atualização de dependência, investigação de CI, geração de testes, refatoração modular. Mas quanto mais o agente sai do terminal local, mais a gente precisa tratar runtime como parte do produto. Modelo aberto ajuda, mas não substitui governança de execução.

Fontes: Mistral AI e MarkTechPost.

KAME: voz rápida com um LLM mais forte no banco de trás

KAME, da Sakana AI, tenta atacar um incômodo conhecido em agentes de voz: sistemas speech-to-speech respondem rápido e soam naturais, mas tendem a saber menos. Sistemas em cascata, com reconhecimento de fala, LLM de texto e TTS, costumam raciocinar melhor, só que a latência vira aquele silêncio esquisito na conversa.

A arquitetura do KAME coloca um modelo speech-to-speech na frente, baseado em Moshi segundo o card no Hugging Face, e manda a consulta também para um LLM de back-end. A resposta textual desse LLM entra em tempo real como uma espécie de trilho de conhecimento para guiar a fala que já está sendo gerada.

O papel técnico disso é separar duas urgências: responder sem travar a conversa e, ao mesmo tempo, puxar conhecimento melhor de um modelo mais forte. O paper avalia o método com uma variante sintetizada em fala do MT-Bench e relata melhora de correção em relação ao baseline speech-to-speech, mantendo latência próxima desse baseline.

Pra quem mexe com TTS, assistente de voz ou demo ao vivo, o desenho é familiar: você não quer esperar dois segundos toda vez que faz uma pergunta, mas também não quer uma resposta confiante e burra saindo instantaneamente. KAME não fecha a conta de produção sozinho, mas dá um bom mapa do trade-off.

Fontes: paper no arXiv, modelo no Hugging Face e MarkTechPost.

Destaques rápidos para hoje.

• Kimi K2.6 venceu uma rodada Word Gem Puzzle do AI Coding Contest, segundo o próprio organizador, com 22 match points e placar 7-1-0. O ponto útil não é declarar “novo rei do código”, porque isso seria uma fantasia estatística bem apressada. É lembrar que estratégia e formato da tarefa mudam muito a escolha do modelo. Fontes: ThinkPol, Hugging Face e Kimi.

• O fedit propõe uma CLI pequena e determinística para edições cirúrgicas em arquivos, com operações como find, show, replace, replaceall, insertbefore e modo MCP. Para DevOps, YAML, Terraform futuro e configs grandes, isso é menos sexy que “agente autônomo”, mas provavelmente economiza mais review chato. Fontes: GitHub e post no Reddit.

• DO_NOT_TRACK quer ser uma variável de ambiente simples para desligar telemetria e tracking não essencial em ferramentas de linha de comando. Hoje ainda é proposta, não padrão universal adotado por todo mundo. Mesmo assim, o formato export DO_NOT_TRACK=1 tem uma virtude rara: dá pra entender antes do café. Fonte: donottrack.sh.

• O Ladybird fechou abril com 333 PRs de 35 contribuidores, visualizador de PDF inline via pdf.js, compilação de bytecode JavaScript fora da thread principal e ganho de 63.726 subtestes no Web Platform Tests. Não é notícia de LLM, mas é notícia de engenharia de base da web. E a web ainda é onde boa parte das nossas ferramentas de IA vai quebrar primeiro. Fonte: Ladybird.

• A BBC relatou uma rede clandestina contrabandeando terminais Starlink para o Irã durante um apagão prolongado de internet. O ponto técnico aqui não é romantizar gambiarra perigosa, é lembrar que conectividade, VPN, metadados e risco físico andam juntos em cenários reais. Fontes: BBC e The National.

Acompanhamento de tendências do dia.

Ferramentas de código com IA continuam esbarrando na mesma parede: o que entra no conjunto de confiança do agente? O advisory do Gemini CLI e run-gemini-cli fala em mudança no modelo de confiança para modo headless e configuração de workspace. O advisory do Cursor mostra escape de sandbox via Git hooks em versões antigas. A pesquisa da LayerX sobre CursorJacking acrescenta outro pedaço: extensões e bancos locais com credenciais. Não é só prompt injection. É Git, config, extensão, shell e credencial no mesmo liquidificador. Fontes: GitHub Advisory do Gemini CLI, GitHub Advisory do Cursor e LayerX.

Também tem uma pressão crescendo fora do eixo “modelo”: mantenedores estão repensando onde o open source vive e que tipo de colaboração eles aceitam. Andrew Nesbitt argumenta por uma forge mais centrada em relações de dependência, com downstream testing, feeds de dependentes e padrões de CI mais seguros. Já a discussão sobre comunidade aberta lembra que código aberto não obriga issue tracker aberto, PR infinito e manutenção como SAC gratuito. Com agente despejando issue, patch e CI barulhento, essa conversa deixou de ser filosofia de fim de semana. Fontes: Andrew Nesbitt, Makefile.feld e Register Spill.

Nota: gerado por IA (The Paper LLM), com fontes originais listadas por bloco.