Quando a plataforma de arrecadação de fundos VentureCrowd começou a implantar agentes de codificação de IA, eles obtiveram os mesmos ganhos que outras empresas: reduziram o ciclo de desenvolvimento front-end em 90% em alguns projetos.
No entanto, não foi fácil ou sem muitas tentativas e erros.
O primeiro desafio do VentureCrowd girou em torno da qualidade dos dados e do contexto, já que Diego Mogollon, diretor de produtos da VentureCrowd, disse ao VentureBeat que “os agentes raciocinam contra quaisquer dados que possam acessar em tempo de execução” e então estariam confiantemente “errados” porque estão apenas baseando seu conhecimento no contexto dado a eles.
Seu outro obstáculo, como muitos outros, eram dados confusos e processos pouco claros. Semelhante ao contexto, Mogollon disse que os agentes de codificação amplificariam dados ruins, então a empresa teve que construir primeiro uma base de código bem estruturada.
“Os desafios raramente dizem respeito aos próprios agentes de codificação; tratam-se de tudo ao seu redor”, disse Mogollon. “É um problema de contexto disfarçado de problema de IA e é o modo de falha número um que vejo em implementações de agentes.”
Mogollon disse que a VentureCrowd encontrou vários obstáculos na revisão de seu desenvolvimento de software program.
A experiência da VentureCrowd ilustra uma questão mais ampla no desenvolvimento de agentes de IA. Os modelos não estão a falhar os agentes; em vez disso, ficam sobrecarregados com muito contexto e muitas ferramentas ao mesmo tempo.
Muito contexto
Isso vem de um fenômeno chamado inchaço de contextoquando os sistemas de IA acumulam cada vez mais dados, ferramentas ou instruções, mais complexos se tornam os fluxos de trabalho.
O problema surge porque os agentes precisam de contexto para funcionar melhor, mas muito dele cria ruído. E quanto mais contexto um agente precisa analisar, mais tokens ele usa, o trabalho fica mais lento e os custos aumentam.
Uma maneira de conter o inchaço do contexto é por meio da engenharia de contexto. A engenharia de contexto ajuda os agentes a entender as alterações de código ou pull requests e alinhá-los com suas tarefas.
No entanto, a engenharia de contexto muitas vezes se torna uma tarefa externa, em vez de incorporada às plataformas de codificação que as empresas usam para construir seus agentes.
Como os provedores de agentes de codificação respondem
A VentureCrowd contou com uma solução em specific para ajudá-la a superar os problemas de excesso de contexto que assolam a implantação de seu agente de IA empresarial: o Agentforce Vibes da Salesforce, uma plataforma de codificação que reside no Salesforce e é disponível para todos os planos, começando pelo gratuito.
Salesforce atualizado recentemente Agentforce Vibes para a versão 2.0, expandindo o suporte para estruturas de terceiros como ReAct. Mais importante para empresas como a VentureCrowd, o Agentforce Vibes adicionou Habilidades e Habilidades, que podem ser usadas para direcionar o comportamento do agente.
“Para contextualizar, toda a nossa plataforma, front-end e back-end, é executada no ecossistema Salesforce. Portanto, quando o Agentforce Vibes foi lançado, ele se encaixou naturalmente em um ambiente que já conhecíamos bem”, disse Mogollon.
A abordagem do Salesforce não minimiza o contexto usado pelos agentes; em vez disso, ajuda as empresas a garantir que o contexto permaneça dentro dos seus modelos de dados ou bases de código. Agentforce Vibes adiciona execução adicional por meio do novo recurso Habilidades e Habilidades. As habilidades definem o que os agentes desejam realizar e as habilidades são as ferramentas que usarão para chegar lá.
Outras plataformas de agentes de codificação gerenciam o contexto de maneira diferente. Por exemplo, Claude Code e Codex da OpenAI concentram-se na execução autônoma, na leitura contínua de arquivos, na execução de comandos e na expansão do contexto, à medida que as tarefas evoluem. Claude Código tem um indicador de contexto aquilo que compacta o contexto quando ele se torna muito grande.
Com estas diferentes abordagens, o padrão consistente é que a maioria dos sistemas gere contextos crescentes para os agentes, não necessariamente para os limitar. O contexto continua a crescer, especialmente à medida que os fluxos de trabalho se tornam mais complexos, tornando mais difícil para as empresas controlar custos, latência e fiabilidade.
Mogollon disse que sua empresa escolheu o Agentforce Vibes não apenas porque uma grande parte de seus dados já reside no Salesforce, facilitando a integração, mas também porque permitiria que eles controlassem mais o contexto com que alimentam seus agentes.
O que os construtores devem saber
Não existe uma maneira única de lidar com o excesso de contexto, mas o padrão agora é claro: mais contexto nem sempre significa melhores resultados.
Além de investir em engenharia de contexto, as empresas precisam experimentar a abordagem de restrição de contexto com a qual se sentem mais confortáveis. Para as empresas, isso significa que o desafio não é apenas fornecer mais informações aos agentes – é decidir o que deixar de fora.
