Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar
Sessões

Sessão de Bancada Agentes de IA no CLI com Aider (2025-05-20)

20 mai 20251h 17min
Assistir gravação

Entre para ler os trechos da transcrição de cada capítulo e perguntar ao Labinho sobre esta sessão.

O Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

atualizado há 25 dias
Resumo da sessão

A sessão apresentou diferentes formas de usar IA no desenvolvimento, comparando ferramentas integradas a IDEs, como GitHub Copilot, Continue e Codeium, com abordagens via linha de comando. Foram destacados recursos como autocompletar, geração de testes, uso de documentação como contexto por RAG e execução de modelos locais. A discussão reforçou que essas ferramentas aceleram a programação, mas não substituem a experiência humana: o código gerado precisa ser revisado, testado e validado, especialmente porque os modelos podem reproduzir vieses ou sugerir soluções incorretas. Entre as ferramentas avaliadas, o Continue foi considerado mais completo para trabalhar com documentação e diferentes modelos, enquanto o Codeium se mostrou interessante para autocompletar gratuito.

O foco principal foi o Aider, uma ferramenta de linha de comando capaz de conversar com vários modelos, inclusive locais, ler e modificar arquivos, gerar testes, executar comandos e criar commits automaticamente. A autonomia para operar diretamente no projeto foi considerada especialmente útil para o Lane Prototype, embora tenham surgido ressalvas sobre configuração, integração com Git, custos de APIs e necessidade de supervisão. Também foram mencionadas alternativas como Ollama, LM Studio e Warp, além da possibilidade de criar RAGs locais com memória e manter os dados na própria máquina. Ficou em aberto aprofundar a integração do Aider com RAG, padrões de código e o protótipo, bem como preparar exemplos mais estruturados de agentes locais.

No encerramento, foram explicadas as formas de participação e recompensa da comunidade: realização de desafios publicados em um mural, com requisitos e valores definidos, e contribuições para o Lane Prototype, avaliadas conforme o impacto gerado. As participações devem ser colaborativas, registradas e solicitadas por formulário, com avaliações periódicas e transferências trimestrais no caso do protótipo. A sessão também incentivou novos participantes a se integrarem às bancadas e a contribuírem com desafios relacionados a RAG local, agentes de IA e uso de ferramentas via terminal.

Gerado por IA a partir da transcrição.
Capítulos · 42
00:09
Abertura e cumprimentos
Assistir
02:58
Final de sprint e backlog
Assistir
04:13
Adaptação ao novo projeto
Assistir
05:29
Primeiras demandas e testes unitários
Assistir
06:45
Ajustes nos testes após mudanças
Assistir
08:01
Problemas de áudio e equipamentos
Assistir
09:17
Início da sessão pública
Assistir
11:50
IA por linha de comando
Assistir
15:43
Estrutura da sessão e bancadas
Assistir
19:26
Tecnologias de IA para desenvolvedores
Assistir
20:44
Visão geral de Copilot, Continue e Codeium
Assistir
24:32
Continue: documentação e modelos locais
Assistir
27:05
Codeium e geração de testes
Assistir
29:38
Riscos do vibe coding
Assistir
30:54
Responsabilidade sobre código gerado
Assistir
33:25
RAG e uso de documentação como contexto
Assistir
35:56
Comparação e escolha das ferramentas
Assistir
38:28
Introdução às interfaces CLI
Assistir
39:46
Ollama e interação pelo terminal
Assistir
41:03
Aider como agente de programação
Assistir
42:21
Recursos do Aider e múltiplos modelos
Assistir
43:37
Instalação e execução do Aider
Assistir
44:53
Demonstração e configuração do projeto
Assistir
46:10
Configuração de chaves e variáveis de ambiente
Assistir
47:27
Modelos Gemini disponíveis e escolha do modelo
Assistir
48:42
Gerando uma página de login com IA
Assistir
50:03
Criação de arquivos, testes e desafios com Git
Assistir
52:36
Uso de múltiplos modelos e flexibilidade no terminal
Assistir
53:53
Terminal first e autonomia para criar arquivos
Assistir
55:10
Aplicações do Rider em protótipos
Assistir
56:25
Contexto de projetos e RAG no terminal
Assistir
58:58
Ferramentas locais, Warp e agentes com memória
Assistir
1:00:13
Atalhos, PowerToys e assistentes em ferramentas de escritório
Assistir
1:02:46
Construindo um RAG local com segurança
Assistir
1:04:03
LM Studio e interfaces para modelos locais
Assistir
1:05:18
Memória local e privacidade dos dados
Assistir
1:06:39
Formas de receber recompensas na comunidade
Assistir
1:07:59
Mural de desafios e critérios de avaliação
Assistir
1:09:17
Recompensas por impacto no Lane Prototype
Assistir
1:11:54
Participação colaborativa e solicitação de recompensas
Assistir
1:14:30
Valores das recompensas e formulário de solicitação
Assistir
1:15:46
Encerramento e agradecimentos
Assistir
Cortes · 9
IA além do chat: uma introdução à abordagem por linha de comando
A sessão apresenta uma abordagem de uso de inteligência artificial voltada à linha de comando, contrastando-a com interfaces de chat. Também são contextualizadas as bancadas, os projetos e o objetivo da sessão dentro do ecossistema de desenvolvimento.
11:50 – 20:44Assistir
Ferramentas de IA para desenvolvimento
São apresentadas ferramentas como GitHub Copilot, Continue e Codeium, com exemplos de autocompletar, geração de testes e interação com o código dentro da IDE. O trecho também compara o uso de modelos locais, documentação externa e serviços pagos.
20:44 – 27:05Assistir
Limites da IA e a importância da revisão humana
A discussão mostra como ferramentas de IA podem gerar código e testes, mas também introduzir erros e quebrar projetos quando usadas sem conhecimento técnico. O grupo reforça que a responsabilidade pela revisão, aprovação e qualidade do código continua sendo dos desenvolvedores, além de abordar vieses e o uso de documentação como contexto.
27:05 – 34:41Assistir
Aider e agentes de programação pela linha de comando
O trecho apresenta ferramentas de linha de comando, especialmente o Aider, como alternativas para interagir com modelos de IA diretamente no terminal. São destacadas a possibilidade de usar vários modelos, inclusive locais, modificar arquivos, gerar e executar testes e criar commits automaticamente.
34:41 – 44:53Assistir
Configurando o Rider e usando modelos de IA
Demonstração de como configurar variáveis de ambiente, chaves de API e modelos no Rider, incluindo o acesso gratuito a modelos Gemini. Em seguida, é mostrado um exemplo prático de geração de uma página de login e são comentados os custos e o consumo de tokens.
46:10 – 52:36Assistir
Flexibilidade e autonomia do Rider
A sessão discute como o Rider permite alternar entre vários modelos de IA e trabalhar diretamente pelo terminal, sem ficar preso a uma IDE ou a um único provedor. Também são destacados os recursos de criação e edição de arquivos e a utilidade dessa autonomia para prototipação.
52:36 – 56:25Assistir
Contexto de projeto e RAG no Rider
Os participantes discutem como usar o Rider em um protótipo com front-end e back-end e se ele pode seguir padrões de implementação e testes. É explicado que, ao adicionar arquivos, a ferramenta lê o conteúdo e usa esse contexto para responder perguntas ou fazer alterações.
56:25 – 58:57Assistir
Ferramentas locais, memória e RAG
São apresentadas alternativas para trabalhar com IA localmente, incluindo terminais, agentes com memória, PowerToys, OnlyOffice e LM Studio. A conversa enfatiza o uso de modelos locais, a possibilidade de consultar documentos e a criação de um RAG que mantenha os dados na própria máquina.
58:58 – 1:06:38Assistir
Como funcionam as recompensas da comunidade
É explicado o sistema de recompensas, baseado na solução de desafios do mural e no impacto das contribuições em projetos de prototipação. O trecho detalha as etapas de participação, avaliação e solicitação de recompensas, além de reforçar a importância da colaboração e do compartilhamento de conhecimento.
1:06:39 – 1:16:43Assistir
Perguntas desta sessão
Entre Continue, Codeium e Copilot, qual ferramenta é mais indicada para usar hoje no desenvolvimento com IA?
A recomendação geral é o Continue, por ser mais completo e permitir usar modelos locais ou APIs, além de consultar documentação e aplicar RAG. Para autocompletar, o Codeium pode ser uma alternativa gratuita e eficiente, especialmente por oferecer um modelo-base gratuito; já o Copilot exige licença.
35:47 – 36:42Assistir
Por que usar uma ferramenta de IA para programação via CLI, como o Aider, em vez de outras alternativas?
A abordagem surgiu da exploração de outras ferramentas de CLI. O Aider se destaca por oferecer suporte a vários modelos, incluindo GPT, Gemini e modelos locais, além de integrar funcionalidades de edição de arquivos, execução de testes e commits.
42:13 – 42:56Assistir
Quais modelos estão disponíveis para uso com o Aider?
O Aider pode usar diversos modelos Gemini, acessados por uma chave de API, incluindo modelos com diferentes capacidades e custos. A sessão demonstrou o uso do Gemini 2.0 Flash, escolhido por ser leve e responder bem às necessidades do projeto.
47:24 – 48:29Assistir
Quanto custa usar os modelos de IA integrados ao Aider?
O custo depende do modelo e do provedor. Alguns modelos, como os da linha Gemini Flash, têm custo menor, enquanto outros podem ser mais caros. A ferramenta pode informar o consumo em dólares, ajudando a acompanhar os gastos antes de usar uma chave de API intensivamente.
48:30 – 49:10Assistir
O Aider permite usar vários modelos de IA?
Sim. O Aider oferece flexibilidade para conectar diferentes modelos por API, como Gemini e modelos locais, listar os modelos disponíveis e selecionar apenas os que serão usados. A opção de autodetecção pode exibir todos os modelos disponíveis para as chaves configuradas.
52:49 – 54:29Assistir
O Aider permite usar RAG com a documentação e os arquivos de um projeto?
Sim. É possível adicionar um arquivo ao Aider, permitir que ele leia e modifique esse arquivo e fazer perguntas sobre seu conteúdo. Dessa forma, o arquivo fornece contexto do projeto ao modelo, permitindo usar documentação e outros materiais como fonte para gerar respostas e código mais alinhados aos padrões definidos.
57:42 – 58:42Assistir
Como usar RAG para fornecer contexto confiável a um agente de IA?
É possível montar um RAG com os próprios arquivos e documentos, mantendo o conteúdo na máquina local. Isso ajuda a fornecer contexto confiável sem enviar os dados para serviços externos, embora seja necessário monitorar ferramentas que possam fazer chamadas inesperadas.
1:03:24 – 1:03:40Assistir
O LM Studio atende à necessidade de usar arquivos locais como contexto para modelos de IA?
Sim. O LM Studio permite trabalhar com modelos locais, adicionar arquivos e usar o conteúdo como contexto. Ele oferece uma interface gráfica para quem prefere não utilizar a CLI, embora a experiência seja diferente de construir a própria ferramenta.
1:04:42 – 1:05:13Assistir
Como solicitar recompensas no protótipo de aprendizado?
A solicitação envolve três passos principais: identificar o participante, realizar as atividades de implementação relacionadas ao objetivo do projeto e concluir a avaliação ou entrega correspondente. As recompensas podem estar associadas a desafios do mural ou ao impacto gerado no protótipo.
1:12:20 – 1:12:49Assistir
Por que é necessário solicitar a recompensa pela participação nos desafios e implementações?
A solicitação formaliza a conclusão da participação para que a equipe possa avaliar o impacto da implementação, confirmar o que foi realizado e efetuar a recompensa, geralmente em ciclos trimestrais. O participante deve preencher um formulário com as informações da implementação; a avaliação define o nível de impacto e o valor correspondente.
1:13:41 – 1:15:06Assistir