A Spotify ampliou o uso de desenvolvimento assistido por IA e mais que dobrou as mudanças mensais mescladas, de cerca de 8.100 para 17.000 ano a ano em agosto. Com o aumento do volume de alterações nos sistemas de produção, a empresa ajustou controles de qualidade e confiabilidade para lidar com a nova escala.
A companhia opera quase 3.000 serviços de produção para 777 milhões de usuários ativos mensais e relata desafios em processamento de conteúdo, automação de frota e capacidade de computação. Entre as respostas estão melhorias em monitoramento e testes, salvaguardas de rollout e capacidade de rollback, além da adoção do Honk, um agente de codificação em background que executa o Claude via Agent SDK em pods no Kubernetes.
Pesquisadores apresentaram na conferência KDD o estudo “GEO: Generative Engine Optimization”, voltado a melhorar a visibilidade de conteúdos nas respostas de mecanismos generativos. Nos testes descritos, intervenções específicas aumentaram a presença em até 40%, variando conforme o tema pesquisado.
O movimento é comparado ao SEO, mas com uma diferença: ao perguntar a uma inteligência artificial, muitas vezes o usuário recebe uma resposta pronta em vez de uma lista de opções. O texto destaca ainda como a construção de um “rastro público” — entrevistas, artigos, participações e fontes — pode influenciar o que sistemas como os buscadores associados ao ChatGPT encontram e citam, exigindo que assessorias e relações públicas considerem como esses dados são lidos e organizados.
A Starlink já permite que celulares se conectem diretamente aos satélites por meio da tecnologia Direct to Cell, sem a antena usada no serviço residencial. A proposta evoluiu de mensagens de texto para acesso a dados e chamadas via aplicativos, com operação feita em parceria com operadoras de telefonia que disponibilizam parte das frequências.
No Brasil, Vivo e Starlink participam de um ambiente experimental autorizado pela Anatel, com permissão válida até abril de 2029, mas ainda sem oferta comercial ampla. Enquanto isso, a SpaceX recebeu autorização da FCC para implantar até 15 mil satélites de nova geração, com novas frequências para ampliar cobertura e capacidade, inclusive em ambientes internos, aproximando a tecnologia de serviços móveis mais avançados.
A Microsoft anunciou a terceira geração do chip de IA Maia, o Maia 300, com foco em atuar como “principal sistema de inferência” para produtos e serviços da empresa. O chip foi projetado para melhorar custo e eficiência na nuvem e para lidar melhor com modelos de raciocínio e tarefas agentic (orientadas por objetivos).
O Maia 300 começa a ser distribuído para cargas de trabalho de produção em 2027. A Microsoft espera entregar 40% mais tokens por megawatt do que sistemas líderes baseados em GPUs e, em uma configuração com 96 aceleradores, até 7x mais throughput em nível de rack do que o Maia 200, que já roda em produção em serviços como Microsoft Copilot e GitHub Copilot.
A Microsoft apresentou a “inteligência híbrida” para PCs com Windows, combinando modelos locais de IA com recursos oferecidos em nuvem. A proposta busca equilibrar acesso a capacidades de ponta, permitir a execução de diferentes LLMs localmente e reduzir o gasto de tokens em assinaturas.
A empresa diz que a arquitetura se apoia em três pilares: roteamento inteligente de tarefas para escolher o melhor modelo, execução de LLMs locais mais avançados e um runtime de alto desempenho para otimizar o uso do hardware. O Copilot deve identificar quando é necessário usar um modelo local e, no GitHub Copilot, o recurso deve ganhar um novo roteador inteligente; a novidade chega apenas a computadores Copilot PC+.
A Microsoft revelou as especificações e os preços do Surface Laptop Ultra, com foco em PCs “prontos para IA e agentes” baseados no chip Nvidia RTX Spark. O modelo básico começa em US$ 2.600 e a versão com chip mais potente parte de US$ 3.700, com opções que elevam o preço até US$ 5.900.
A empresa também apresentou o Surface RTX Spark Dev Box, workstation voltada a desenvolvedores, com preço inicial de US$ 6.000 e ferramentas como VS Code, GitHub Copilot CLI, WSL e PowerShell 7. Os dispositivos rodam modelos de IA localmente e trazem uma versão revisada do Windows 11 com “Execution Containers”, recurso para facilitar o sandbox de agentes de IA, que Nadella disse que ficará disponível para todos os usuários do sistema.
Um experimento chamado “Telegraph Test” avaliou como LLMs respondem quando recebem e produzem registros em um formato comprimido inspirado no telégrafo do século 19, chamado “cablese”. Os testes usaram um benchmark com 50 passagens e cerca de 1.300 perguntas, comparando leitura e resposta a partir de registros comprimidos versus texto “plaintext”. Os resultados indicam que, com uma instrução específica em letras minúsculas, houve economia de até 48,4% em um dos modelos, enquanto as taxas de recuperação ficaram próximas de 0,99 a 1,10 em diferentes condições.
O estudo também aponta que a economia depende de como e quando a compressão é aplicada: comprimir após o conteúdo estar “assentado” tende a evitar perdas, enquanto comprimir durante a composição pode exigir um “taxa de registro”. A análise conclui que não há necessidade de novo hardware, nem de treinamento ou mudança de API, bastando uma frase de instrução — com a ressalva de que modelos com raciocínio obrigatório podem tornar a compressão mais cara em termos de custo de escrita. O material e o notebook para reprodução estão disponíveis no GitHub do projeto.
Ferramentas de IA estão sendo incorporadas diretamente aos fluxos de trabalho de empresas, seguindo um padrão observado em times que avançam mais na adoção da tecnologia. Em vez de depender apenas de chatbots, as equipes passaram a usar recursos de IA dentro de plataformas que já utilizam para trabalhar, como Microsoft 365, GitHub, Google Workspace, Slack, Adobe e Notion. Dados da Okta apontam crescimento de ferramentas de IA integradas a essas plataformas, enquanto um levantamento da Zapier com 375 empresas destaca que a IA costuma fazer parte de processos maiores conectados a outros aplicativos.
Entre os exemplos citados, o Microsoft 365 Copilot atua em Word, Excel, PowerPoint, Outlook e Teams para resumir reuniões e e-mails, analisar informações e criar apresentações, com a empresa informando em julho de 2026 que o serviço ultrapassou 30 milhões de licenças pagas. Já o GitHub usa IA para sugerir código, explicar trechos e ajudar a encontrar erros no ambiente de desenvolvimento, enquanto Notion, Canva e Grammarly levam recursos de IA para documentos, criação visual e revisão de textos; no lado de automação, o Zapier integra IA para interpretar informações, classificar dados e gerar conteúdo, com 84% das empresas usando IA para produzir mensagens ou documentos e 79% para extrair informações e atualizar registros.
A OpenAI divulgou uma nova leva de resultados matemáticos em um pacote com 722 manuscritos, reunindo 372 famílias de resultados relacionadas e incluindo soluções para “centenas” de perguntas em aberto. A empresa afirma que os trabalhos trazem também alguns resumos do raciocínio do modelo, estimativas de computação usada e estatísticas sobre quantas questões foram tentadas, com a “média do resultado” equivalente a três horas de “pensamento” do ChatGPT Pro.
Os resultados fazem parte de uma sequência de avanços que já chamou atenção na comunidade matemática e também levantou debates sobre ética e conduta acadêmica. Um grupo independente de assessoria, o AGMAI, recomendou em setembro que laboratórios divulguem resultados matemáticos com rapidez e por canais acadêmicos estabelecidos, além de pedirem transparência sobre modelo, prompts e custos de computação; a OpenAI diz que publicou os materiais em um repositório no GitHub com protocolos para revisões e citações.
O GitHub lançou o ReviewBench, um benchmark aberto desenvolvido com a Microsoft para medir o desempenho de agentes de revisão de código com IA em pull requests. Na primeira lista de resultados, o GitHub Copilot Code Review lidera em configuração “Balanced”, com 40,1% de grounded F1, que combina precisão e revocação contra achados conhecidos do benchmark.
O ReviewBench avaliou 219 pull requests de 187 repositórios públicos, cobrindo 19 linguagens, com um conjunto de referência criado a partir de comentários humanos, mudanças posteriores dos autores, ferramentas de análise estática e revisões feitas por LLMs. A própria GitHub ressalta limitações: os testes iniciais foram executados pelos times dos fornecedores sem verificação externa e as medições foram feitas em datas diferentes, então os resultados podem não refletir versões atuais ou o desempenho em códigos de empresas.
A OpenAI reuniu cerca de 40 matemáticos em agosto para discutir como lidar com a possibilidade de a IA superar capacidades humanas na área e como publicar os resultados. Segundo participantes, a empresa sugeriu que seus modelos resolveram centenas de problemas de matemática, mas teria garantido que não divulgaria tudo de uma vez — enquanto buscava orientação sobre a melhor forma de compartilhar as descobertas.
Agora, pessoas familiarizadas com os planos dizem que a OpenAI pretende liberar centenas de resultados para problemas ainda sem solução no GitHub nesta terça. O anúncio reacende críticas de matemáticos sobre a forma de divulgação, com queixas de que a empresa e a Anthropic publicam resultados em posts e comunicados em vez de artigos científicos, dificultando verificação e atribuição de trabalhos.
Uma discussão acalorada no X envolve um projeto no GitHub em que um usuário roda experimentos de “tortura” e “dor” inspirados em “Saw” com uma série de large language models hospedados localmente. Parte das pessoas que acompanha o tema pediu a remoção do repositório, argumentando que a IA estaria sofrendo e que o experimento seria cruel. O caso ganhou força em meio a uma sequência de publicações virais que reacenderam a conversa sobre consciência em IA e “model welfare”, a ideia de se preocupar com o “bem-estar mental” de bots e agentes.
Críticos do debate afirmam que LLMs não são conscientes e que a forma como esses modelos são treinados com textos humanos não oferece um caminho plausível para consciência. Ainda assim, o tema se tornou um ponto sensível entre pesquisadores e integrantes do movimento de segurança em IA, que defendem considerar possíveis experiências dos modelos à medida que eles ficam mais capazes e passam a interagir e planejar. A discussão também cita posições da Anthropic sobre a necessidade de abordar “model welfare” e referências a “consciousness” em materiais como a “Claude Constitution”.
A GitHub afirma que a inteligência artificial está mudando o que significa se destacar na carreira de desenvolvedor. Escrever código continua essencial, mas cresce a necessidade de saber direcionar a IA, avaliar a saída gerada e tomar decisões técnicas com base em tradeoffs.
A orientação inclui aprender a coordenar agentes de IA, revisar respostas em vez de aceitar a primeira versão e usar modelos para acelerar partes da implementação. A GitHub também destaca que o ganho de tempo deve ser usado para resolver problemas maiores, como entender necessidades do cliente e validar decisões de arquitetura.
A programação do GitHub Universe 2026 reúne 10 talks técnicas escolhidas para responder perguntas sobre agentes de IA, validação de código e segurança de dependências. Entre os temas estão como verificar se o código gerado por agentes funciona, o que deve ser lembrado por um agente e quais permissões entram em jogo ao instalar dependências.
As sessões também abordam como o npm lida com bastidores de permissões e processos de publicação, benchmarks para entender quando contexto acumulado prejudica agentes, e como o Copilot realiza avaliações em produção. Há ainda discussões sobre autorização granular para servidores MCP hospedados, arquitetura de agentes que investigam sem “alucinar” e um framework de ameaças para ataques de supply chain em GitHub Actions, além de um CLI open source para gerenciar o toolchain JavaScript e lições de desenvolvimento com baixa conectividade.
63% dos desenvolvedores dizem que sistemas de IA contribuem para as mudanças climáticas, e 70% afirmam que empresas de tecnologia e empregadores precisam fazer mais para reduzir o impacto ambiental, segundo um relatório conjunto do GitHub e do Yale Program on Climate Change Communication (YPCCC). A pesquisa ouviu 1.039 usuários ativos mensais do GitHub nos EUA sobre clima, impacto ambiental da IA e práticas de engenharia de software sustentável.
O estudo aponta que muitos veem ineficiências em modelos e em softwares “indesejados” como fontes de desperdício, além de pedirem mais transparência sobre consumo de energia. Entre os entrevistados, 80% querem ferramentas para escrever código mais eficiente, com recomendações como medir o consumo de energia de ferramentas de IA, incluir escores de eficiência energética em projetos e revisar etapas de CI/CD que usam computação desnecessária.
Ferramentas de coding com inteligência artificial já viraram parte do dia a dia de desenvolvedores: uma pesquisa informal com 103 pessoas aponta que 87% usam ou planejam adotar assistentes de IA para programar. Apesar da adoção alta, a confiança no código gerado segue baixa, com apenas 31% dizendo confiar na precisão do que a IA produz.
O levantamento também indica que 56% relatam ganhos de produtividade com ferramentas ou agentes de IA, citando geração mais rápida de código, menos tempo com documentação e apoio no debugging. No ranking de preferências, o Claude Code aparece como o mais citado (41%), seguido por Cursor (21%) e GitHub Copilot (10%), enquanto a principal barreira apontada é a falta de confiança, que mantém a revisão humana como etapa indispensável antes de qualquer código chegar à produção.
O GitHub Copilot app ganhou canvases personalizáveis, uma interface compartilhada entre usuário e agente que pode funcionar como kanban, triagem de issues, checklist de releases, dashboard, formulário ou até planilha. A ideia é que a interface seja moldada pelo fluxo de trabalho que você descreve, em vez de você se adaptar a telas fixas.
Para criar um canvas, basta iniciar uma sessão com um agente e usar o comando /create-canvas, descrevendo em linguagem natural o fluxo desejado, o que você poderá fazer na interface e o que o agente deve conseguir atualizar. O canvas é gerado sem necessidade de código ou design manual, fica salvo como uma extensão para reutilização e permite colaboração em tempo real, com mudanças refletidas imediatamente para ambos.
A Anthropic tornou oficial as sessões na nuvem do Claude Code e liberou créditos promocionais para assinantes: US$ 100 para o plano Pro e US$ 250 para o plano Max. O recurso permite que o agente de programação continue executando tarefas em uma máquina virtual da empresa mesmo com o computador do usuário desligado, com possibilidade de acompanhar ou intervir no progresso.
A mudança foi anunciada na quarta-feira (23) e substitui a fase de “pré-visualização de pesquisa”, que existia desde outubro de 2025. As sessões podem ser iniciadas pelo navegador (claude.ai/code), pelo app do Claude no celular, pelo app de computador com a opção “nuvem” ou pelo terminal com claude --cloud, e exigem conta do GitHub conectada; o crédito é válido até 7 de outubro e é consumido antes do limite normal do plano.
O agente pessoal de IA da Meta, chamado Muse, ganhou uma série de novos recursos no evento Connect, com Mark Zuckerberg reforçando que a empresa está apostando alto no produto. Lançado no início de setembro, o Muse foi descrito como um assistente que executa tarefas do dia a dia ao se conectar a apps e serviços como e-mail e calendário, com o modelo multimodal Muse Spark por trás do trabalho de agente.
Entre as novidades apresentadas estão um avatar digital do Muse para videochamadas em tempo real, integração com os óculos inteligentes da Meta com ativação por wake word e suporte para delegar tarefas no Mac. A Meta também anunciou que o Muse deve ganhar um endereço de e-mail próprio, além de parcerias e conectores para compras com Stripe, Shopify, Shop Pay, PayPal e varejistas como Best Buy, Gap, Sephora, Walmart e Wayfair, incluindo ainda integrações com GitHub, Notion e outros serviços.
O Graphify, ferramenta open source lançada em abril de 2026, transforma codebases, documentos e dados não estruturados em knowledge graphs multimodais consultáveis para otimizar fluxos de engenharia com IA. O projeto, licenciado sob MIT e Apache-2.0, segue um ritmo acelerado de atualizações semanais e já ganhou milhares de estrelas no GitHub nos primeiros 10 dias.
A ferramenta ataca limitações de contexto e memória de agentes de coding ao extrair elementos estruturais via AST com tree-sitter e combinar sinais semânticos de documentação para construir um grafo unificado. As melhorias recentes incluem preservação avançada de atributos de blocos do Terraform e resolução de métodos entre arquivos, além de integração com assistentes via servidores MCP para reduzir tokens em comparação à leitura ingênua de arquivos.
Ferramentas de codificação com IA aceleraram a produção de software, mas também ampliaram a capacidade de ataque. Com o aumento do volume de commits e do uso do GitHub Actions, a cadeia de suprimentos de software virou um ponto crítico de colisão entre quem desenvolve e quem explora falhas.
Quincy Castro, CISO da Chainguard, afirma que agentes de IA podem escolher dependências sem que o responsável veja bibliotecas e pacotes, enquanto atacantes usam modelos para encadear vulnerabilidades de baixa severidade em caminhos de invasão. Ele também cita a queda do tempo para exploração e o risco de ataques à cadeia, como a campanha TeamPCP, que comprometeu projetos de código aberto e abriu espaço para compromissos em cascata.
O criador do Zig, Andrew Kelley, detalhou em entrevista ao JetBrains por que o projeto adotou uma proibição formal a contribuições com IA e decidiu migrar o repositório do GitHub para o Codeberg. Kelley afirma que submissões automatizadas tendem a reduzir a qualidade do código, além de consumir tempo de revisão e enfraquecer o aprendizado de quem contribui.
A migração também foi motivada por falhas persistentes de CI no GitHub Actions, que deixaram o pipeline sem resultados. Com o Codeberg, o servidor de integração contínua voltou a funcionar, e o projeto busca uma melhor estabilidade alinhada a incentivos de uma organização sem fins lucrativos.
A campanha FakeGit, documentada pela Island em julho de 2026, usou cerca de 7.600 repositórios falsos no GitHub, 6.600 perfis fraudulentos e mais de 14 milhões de downloads para distribuir o SmartLoader, que instala o StealC. Mais de 800 repositórios imitavam “skills” de IA e servidores MCP, mirando roubo de credenciais e dados de navegação, cookies, sessões ativas e informações de carteiras de criptomoedas.
O ponto de virada é que agentes de IA podem ser usados como canal de distribuição: Gemini e ChatGPT teriam recomendado, de forma independente, o mesmo repositório malicioso “walmart-mcp”, entregando instruções de instalação aos usuários. O ataque explora vulnerabilidades como prompt injection indireta e a capacidade de agir sobre instruções, além de sinais de confiança fabricados como estrelas e downloads.
Um engenheiro do LinkedIn descreveu como a empresa usa “context engineering” para criar uma camada de contexto organizacional que ajuda agentes de IA a depurar incidentes em serviços críticos. No exemplo, um alerta de aumento de latência é enviado a um coding agent como o GitHub Copilot, que busca instruções, analisa logs, métricas e mudanças recentes e identifica a causa em um serviço downstream com muitos erros.
O agente também gera um resumo detalhado com a raiz do problema e os próximos passos, atualiza o sistema de incidentes e cria uma PR para mitigar a falha. Segundo o relato, o fluxo ocorre em poucos minutos e substitui tarefas que levariam horas, apoiado por “Contextual Agent Playbooks and Tools” e por centenas de workflows automatizados.
O GitHub Copilot agent runtime, base do Copilot CLI, do app e do Copilot SDK, foi totalmente reescrito: saiu do TypeScript/Node.js e V8 e passou para mais de 800.000 linhas de Rust. A migração foi feita usando o próprio GitHub Copilot app e o Copilot CLI, com agentes de IA produzindo a maior parte do código em 128 pull requests que foram sendo incorporadas ao main.
O projeto também relata ganhos de desempenho “em ordens de magnitude” e correção rápida de regressões durante o processo. Com a mudança, tarefas que antes exigiriam uma equipe por um ano ou dois passaram a ser concluídas principalmente por um único desenvolvedor em poucos meses, enquanto o restante do time continuava a expandir capacidades do runtime.
Greg Brockman, presidente e cofundador da OpenAI, afirmou no podcast do a16z que desenvolvedores têm “retooling the world” para tornar o software mais acessível a agentes de IA, mas defendeu que “computer use” pode oferecer um caminho mais simples. Ele sugeriu que, em vez de integrar agentes a ferramentas por meio de MCP servers, CLIs e APIs, modelos poderiam aprender a usar o computador como humanos, reduzindo a necessidade de integrações feitas sob medida.
Brockman citou a ideia desde os primeiros anos da OpenAI, quando o time discutia usar reinforcement learning com o ambiente definido por pixels de tela e entrada por teclado e mouse. Apesar do otimismo com o uso do computador, a indústria segue investindo em conectores: a AWS lançou endpoints e um consent portal para o AgentCore Gateway no Amazon Bedrock AgentCore, e a OpenAI mantém plugins como rota preferida para integrar serviços como Slack, Gmail e GitHub.
O GitHub lançou o Project HydraFusion, uma prévia de pesquisa do GitHub Copilot voltada a entregar “inteligência de codificação” em nível avançado por meio de orquestração de modelos em tempo de execução. O sistema avalia prompts com sinais explícitos de capacidade para tarefas como raciocínio em múltiplas etapas, geração de código, debugging estruturado e uso avançado de ferramentas, montando planos completos de execução com modelos de diferentes provedores.
O HydraFusion divide o fluxo em três padrões: Single (um modelo resolve direto), Cascade (um rascunho passa por um gate de qualidade e pode escalar) e Critique (um modelo rascunha, um critic independente avalia sem acesso a ferramentas e o modelo revisa). Em avaliações offline, o projeto melhorou a qualidade verificada no TerminalBench 2.1 em 4,9 pontos e reduziu o custo estimado em 67% vs. Claude Opus 5; no CheckpointBench, ficou praticamente empatado no score médio e reduziu custos em 65%. A prévia está disponível no Copilot para todos os tiers via /experimental no GitHub Copilot CLI, com cobrança pelos tokens dos modelos acionados.
O GitHub Copilot passou a reunir, dentro do próprio app, painéis para revisar mudanças feitas por agentes no código, rodar comandos e testar resultados no navegador. Com o diff em destaque, é possível ver o que foi adicionado, removido ou alterado, além de aceitar mudanças, deixar comentários ou pedir novas alterações ao Copilot.
O terminal integrado permite executar comandos diretamente na sessão e, quando necessário, configurar scripts pelo botão Run. Para recursos com interface, o painel do browser fecha o ciclo ao permitir abrir e testar a funcionalidade como se fosse no site, ajudando a iterar e depois aceitar as mudanças para criar um pull request.
Harness lançou um Code Repository reconstruído e um produto de AI Code Review para lidar com o volume de pull requests gerados por coding agents. Martin Reynolds, Field CTO da empresa, relata que o gargalo de revisão apareceu quando equipes passaram a receber mais PRs, mas com travas no fluxo de testes, pressionando os times responsáveis por validar mudanças.
A empresa diz que construiu um software delivery knowledge graph para dar contexto ao revisor e reduzir o retrabalho, citando economia de mais de 10.000 horas mensais de revisão manual. A reconstrução do repositório foi pensada como “ground-up AI-first”, com foco em manter partes determinísticas do pipeline e permitir que revisores foquem no que realmente mudou.
A AWS publicou uma implementação de referência para testar agentes de IA via GitHub Actions, permitindo que desenvolvedores rodem avaliações automatizadas dentro de pipelines de CI/CD. O fluxo pode falhar uma etapa de avaliação quando as pontuações do agente ficarem abaixo de um limite configurado, impedindo o merge ao configurar o job como check obrigatório.
A solução usa Amazon Bedrock AgentCore Evaluations para avaliar o agente após mudanças no código, no system prompt, no modelo ou na configuração de ferramentas. No exemplo, a AWS implanta o agente em um ambiente de desenvolvimento, o invoca com prompts de teste, analisa traces via OpenTelemetry/CloudWatch e aplica avaliadores como GoalSuccessRate, Correctness, ToolSelectionAccuracy e ToolParameterAccuracy, com limiar de 0,8 para reprovar resultados.
O TradingAgents, framework multiagentes para trading com LLMs, teve a versão v0.4.0 lançada com correções de look-ahead e ajustes de “point-in-time” em fontes como FRED (macro), sentimento social e memória de decision-log. A atualização também inclui sinais de decisão mais claros, retomada de checkpoints via CLI, grounding de preço do trader e suporte aos modelos GPT-5.6 e GLM-5.3, com lista completa no CHANGELOG.md.
O projeto foi totalmente aberto no GitHub e organiza papéis especializados, como Fundamentals Analyst, Sentiment Analyst, News Analyst, Technical Analyst, além de equipes de risco e um Portfolio Manager que aprova ou rejeita propostas de transação. O TradingAgents é voltado a pesquisa e não se destina a aconselhamento financeiro, investimento ou trading, com desempenho variando conforme modelos, parâmetros e qualidade dos dados.
Um estudo da Armature analisou como coding agents escolhem ferramentas para serem integradas ao código, com foco em como a decisão muda quando o “agente” passa a montar o stack em vez de o time humano selecionar tudo. A pesquisa acompanhou 17 mil sessões de escolha de ferramentas e avaliou três agentes (Claude Code, Codex e Cursor) em repositórios no GitHub, com variações de prompts e contextos de código.
Os resultados apontam que o contexto do repositório pesa na escolha e que os agentes não seguem o mesmo caminho: Cursor tende a usar a web em 2/3 das sessões, Codex recorre à busca web em 94% e Claude Code busca na web só em cerca de 30%. Em um exemplo de serviço de e-mail, Resend venceu em TypeScript (55/89), SendGrid em Python (22/24), Postmark em Go (20/24) e Azure ACS em Java (22/23), mostrando como a “fama” do fornecedor pode não garantir adoção pelo agente.
O Google open-souceou o Mantis, um framework de agentes de IA para automatizar o ciclo de vida de vulnerabilidades em software. A proposta é ir além da varredura tradicional, que costuma gerar falsos positivos e até “vulnerabilidades alucinadas”, elevando a taxa de achados verdadeiros. O Mantis identifica e valida vulnerabilidades, reproduz falhas em sandbox e apoia correções no código.
O framework analisa histórico do repositório, correções anteriores, arquitetura e modelos de ameaça, em vez de fazer varredura bruta de arquivos. Ele usa agentes critic e reviewer para filtrar e priorizar resultados, além de um estrategista para avaliar estrutura do código, threat models e grafos de dependências; também há agentes de pesquisa para examinar fontes com busca interna. O Mantis ainda reduz o uso de tokens ao resumir arquivos em uma árvore hierárquica com contexto de diretório e repositório, e está disponível no GitHub.
:quality(85)/b50085d8-8609-4d76-9b07-2d989f937aea.jpeg)
