Do prompting de agentes ao loop engineering

A engenharia de loops não é só uma nova camada de abstração, é uma mudança de paradigma na forma como construímos sistemas com IA. Enquanto o prompting tratava o modelo como uma caixa preta a ser 'convencida' com palavras, o loop engineering trata o agente como um componente executável: ele planeja, age, observa, reflete e itera dentro de limites definidos por código, não por frases. O ciclo básico tem cinco passos concretos: intenção → contexto → ação → observação → raciocínio ajustado. E isso já está em produção: Claude Code executa loops com /loop e ganchos; Codex usa Automações com subagentes; Cursor e Aider rodam worktrees isoladas para evitar colisões entre agentes concorrentes.

O que tornou isso viável agora, e não antes, foi a convergência de três fatores reais: modelos com memória estendida (Claude Opus 4.6 resolve tarefas de 12h com 6x mais eficácia que em 2025), ferramentas com suporte nativo a loops (não mais hacks com scripts externos), e arquiteturas de subagentes que mantêm o contexto fresco sem degradação. Além disso, gateways inteligentes redirecionam iterações para modelos mais baratos conforme a complexidade da etapa, e o cache de prompts reduz custos de entrada em até 80%.

Em 9 de junho, a CEVIU descrevia o loop engineering como algo 'ainda em estágio'. Hoje, em 22 de junho, ele é o padrão dominante para agentes em produção, com suporte nativo em ferramentas do dia a dia, métricas de falha explícitas (churn de código +861%, defeitos por dev de 9% para 54%) e práticas consolidadas como worktrees e condições de saída rígidas. O que era conceito virou infraestrutura: não se discute mais *se* usar loops, mas *como* projetar seus critérios de término, sua memória persistente e seu orçamento de tokens.

Porque a fadiga de decisão dos devs (registrada em 22 de maio) não foi resolvida com mais prompts, foi contornada com menos intervenção humana. O code review deixou de ser uma etapa final e virou o núcleo do sistema: cada loop inclui validação automática, testes executados, análise de erros de compilação e revisão de saída. Isso transforma o desenvolvedor de 'autor de prompts' em 'engenheiro de confiabilidade': seu trabalho agora é definir o que conta como sucesso, quais falhas são inaceitáveis e onde o sistema deve parar, não o que dizer ao modelo na próxima tentativa.