O Google Cloud lançou, em fase de preview, o recurso de alertas baseados em SQL no Observability Analytics. A novidade permite que desenvolvedores criem alertas complexos escrevendo consultas SQL sobre logs e traces, superando as limitações do monitoramento tradicional baseado em limiares simples. Essa funcionalidade viabiliza casos de uso avançados, como a criação de alertas para porcentagens de taxa de erro de clientes específicos ou o rastreamento de latência p99 em dados de alta cardinalidade. As consultas são executadas em intervalos programados por meio do BigQuery, disparando notificações em canais como Slack ou PagerDuty.
O aplicativo Kubernetes Monitoring do Grafana Cloud agora provisiona alertas utilizando o sistema de alertas gerenciado pelo Grafana, em vez de alertas gerenciados pela fonte de dados. Essa mudança pode causar problemas no roteamento de notificações após reinstalações, pois os dois sistemas utilizam pontos de contato, políticas e Alertmanagers separados. Para evitar falhas, os usuários devem realizar a atualização através do botão Update do aplicativo, reconfigurar as notificações no sistema de alertas nativo do Grafana após reinstalações e migrar as regras de alerta personalizadas para fora do namespace integrations-kubernetes, impedindo que sejam perdidas durante o processo de upgrade.
O Octopus Deploy tornou os ambientes efêmeros opcionais para pull requests usando uma label do GitHub que ignora condicionalmente os jobs de implantação, mantendo a proteção de branches por meio de um job de validação que verifica os resultados obrigatórios do workflow. Essa abordagem reduz o tempo de deploy desnecessário e os custos de infraestrutura para alterações de baixo risco. A solução permite que as equipes compartilhem uma melhoria de fluxo de trabalho centralizada, beneficiando todos os repositórios que utilizam a plataforma.
O Kubernetes Security Profiles Operator alcançou a versão v1.0.0, seu primeiro lançamento estável após seis anos de desenvolvimento. A nova versão promoveu todas as oito APIs do projeto para estáveis e passou por uma auditoria de segurança de terceiros que não encontrou nenhuma vulnerabilidade crítica.
O VictoriaLogs armazena logs como partes imutáveis e pesquisáveis, agrupadas por stream e particionadas por dia, o que reduz o custo de retenção, limita o escopo temporal das consultas e permite pesquisar dados recentes antes mesmo que eles sejam totalmente gravados em disco. Seu layout colunar garante que as consultas leiam apenas os campos necessários, otimizando o desempenho. Além disso, recursos como campos de stream estáveis e de baixa cardinalidade, partições diárias, metadata pruning e compressão avançada ajudam os operadores a entender detalhadamente por que algumas consultas de logs permanecem extremamente rápidas enquanto outras se tornam computacionalmente caras.
A Semgrep realizou testes de benchmark com modelos open-weight e frontier models na detecção de vulnerabilidades do tipo IDOR. Os resultados mostraram que o GLM 5.2, utilizando apenas um prompt mínimo em uma estrutura de suporte do Pydantic AI, superou o Claude Code nessa tarefa específica de segurança, operando com um custo muito menor. Esses resultados reforçam que o design do suporte de testes ainda é o fator mais importante, mas mostram que os modelos open-weight estão se tornando alternativas viáveis para equipes de segurança que buscam uma infraestrutura de modelos mais barata, privada e intercambiável.
ATUALIZAÇÃO (29/06/2026): não é mais rumor, foi lançado. 27 de agosto de 2025. O Kubernetes 1.34 foi lançado oficialmente em 27 de agosto de 2025. A versão trouxe diversas novidades, como a disponibilidade geral (GA) da Alocação Dinâmica de Recursos (DRA), que permite aos Pods solicitarem recursos de hardware especializados como GPUs e TPUs de forma mais flexível. Outra novidade é a introdução do KYAML para kubectl, um dialeto YAML específico do Kubernetes para manifestos, visando reduzir problemas comuns e oferecer uma saída mais limpa. Além disso, a versão 1.34 inclui políticas de admissão mutantes baseadas em CEL (Common Expression Language), que permitem a definição nativa de políticas de mutação no API Server, simplificando os fluxos de trabalho de GitOps e melhorando a segurança. O fim do suporte (End of Life - EOL) para o Kubernetes 1.34 está previsto para 27 de outubro de 2026. (Rumor original) O Kubernetes mantém atualmente branches de suporte para as versões 1.36, 1.35 e 1.34, sendo que a versão v1.36.0 foi lançada em abril de 2026. A versão Kubernetes 1.34, codinome "Of Wind & Will" (O' WaW), que foi disponibilizada originalmente em 27 de agosto de 2025 com 58 aprimoramentos significativos, tem previsão de término de suporte (End-of-Life) para o dia 27 de outubro de 2026. Entre os destaques do Kubernetes 1.34 estão a estabilização da Alocação Dinâmica de Recursos (DRA) com as APIs ResourceClaim e ResourceSlice, e a promoção para estável do suporte a Node Swap e do rastreamento (tracing) para o kubelet e o API Server via OpenTelemetry. A versão também trouxe o amadurecimento para beta dos tokens de ServiceAccount para autenticação de pull de imagem do kubelet, do controle de autoescalonamento mais preciso com tolerância HPA e da distribuição de tráfego PreferSameZone e PreferSameNode para Services, além do dialeto KYAML para o kubectl.
ATUALIZAÇÃO (29/06/2026): não é mais rumor, foi lançado. 2026-05 As próximas atualizações e recursos de IA do Docker já foram lançados ou anunciados oficialmente em 202 (Rumor original) O ecossistema Docker projeta avanços significativos com foco em inteligência artificial e facilidades para desenvolvedores. Atualmente, as versões estáveis mais recentes são o Docker Engine 29.6.1 e o Docker Desktop 4.79.0, que trouxeram melhorias no assistente de IA Gordon e atualizações de componentes como o Kubernetes integrado. Para o futuro, segundo rumores e discussões do setor, espera-se o Docker Offload, recurso que deve permitir descarregar processamento pesado de contêineres locais para GPUs em nuvem de forma transparente, otimizando o trabalho com LLMs. Outras especulações apontam para contêineres nativos de IA com autoescalonamento preditivo, portabilidade multi-nuvem aprimorada para ambientes como AWS EKS, GKE e Azure AKS, além do Docker Model Runner para execução local de modelos de IA.
Embora a maioria dos líderes de engenharia relate ganhos significativos de produtividade e satisfação com o uso de ferramentas de codificação baseadas em IA, as organizações estão, ao mesmo tempo, perdendo visibilidade sobre os custos reais. Isso ocorre porque grande parte do tempo dos desenvolvedores tem migrado para atividades que não são rastreadas, como a validação e o code review.
Nic Cope, engenheiro de longa data do Crossplane, desenvolveu o Modelplane, um control plane de código aberto que unifica clusters de GPU dispersos em diferentes nuvens em uma única frota de inference para servir modelos de IA. O projeto foi construído inteiramente utilizando as composições e funções do Crossplane, sem a necessidade de escrever operadores personalizados. O desenvolvimento levou os limites do Crossplane ao extremo, revelando e ajudando a corrigir diversos bugs do framework. Entre os problemas corrigidos estão conflitos de palavras-chave do Python na geração de schemas, seletores de recursos do tipo match-all para o agendador de frotas e discrepâncias de comportamento entre a ferramenta de testes crossplane render e o runtime real.
Documentos de design eficazes ajudam as equipes a tomar decisões técnicas complexas e caras antes do início da implementação, sendo especialmente úteis em projetos arriscados, ambíguos, que envolvem múltiplas equipes ou que devem permanecer em produção por anos. Um bom documento deve focar em escolhas cujo erro custaria caro, detalhando de forma clara o objetivo, o histórico, as metas, o que está fora do escopo, cenários, diagramas, restrições, SLOs, monitoramento, interfaces, dependências, segurança, privacidade, questões em aberto e alternativas. Essa estrutura permite que os revisores forneçam feedbacks realmente úteis antes que a equipe se comprometa com um caminho incorreto.
O GitHub Copilot está aprimorando a eficiência de seus agentes ao reduzir o contexto redundante por meio de prompt caching, carregamento diferido de ferramentas e roteamento ciente de cache. Além disso, a plataforma introduziu a seleção automática de modelos, que direciona dinamicamente as tarefas para as opções mais adequadas. Essas melhorias visam otimizar custos, desempenho e qualidade ao longo de longas sessões de uso de agentes, minimizando a repetição de processamento computacional e aprimorando o alinhamento entre modelos e tarefas.
O Jaeger v2.18.0 introduz o ClickHouse como um novo backend de armazenamento para distributed tracing, alcançando uma taxa de compressão de 8,6 vezes e sustentando mais de 50.000 spans por segundo em benchmarks realizados com 10 milhões de spans.
O AWS Transform custom é um serviço baseado em IA que permite aos desenvolvedores descrever transformações de código em linguagem natural e aplicá-las automaticamente em seus repositórios. A ferramenta é capaz de processar até três repositórios localmente em paralelo ou escalar para centenas de forma simultânea utilizando o AWS Batch com Fargate. Integrado aos principais IDEs por meio do Kiro power — uma skill de agente compatível com mais de 40 ferramentas, incluindo Claude Code e Cursor — e de um plugin para VS Code, o serviço ajuda equipes a resolver tarefas de migração personalizadas, como atualizar bibliotecas internas ou padronizar o logging, sem a necessidade de escrever scripts manuais de transformação.
Os agent harnesses estão se consolidando como camadas de infraestrutura de produção que ficam posicionadas entre os modelos e os sistemas reais. No entanto, essas ferramentas enfrentam desafios comuns de sistemas distribuídos, como recuperação de interrupções, execução segura de código e persistência de estado. O Agents SDK da Cloudflare resolve essas limitações oferecendo primitivas para execução durável, execução de código em sandbox, sistemas de arquivos virtuais e fluxos de trabalho dinâmicos, permitindo que frameworks como Flue e Pi construam agentes resilientes e escaláveis em diferentes ambientes de nuvem.
O Grafana expandiu seus recursos de observabilidade como código com a chegada do Git Sync à general availability, adicionando suporte para GitLab, Bitbucket e commits assinados. Além disso, o Grafana Assistant agora suporta oito fontes de dados adicionais, incluindo Snowflake, Oracle e Elasticsearch. A versão 13.1 também introduziu variáveis no nível de seção para um controle mais granular dos painéis e estendeu o recurso Private Data Source Connect para o MQTT, GitHub Enterprise Server e IBM Db2, garantindo conexões seguras com redes privadas.
O Argo CD v3.5 traz aprimoramentos significativos para ambientes GitOps de larga escala, incluindo o suporte à interface de usuário para ApplicationSet com deployment previews, além do status de beta para impersonation e Source Hydrator. A nova versão também oferece compatibilidade com Helm 4, suporte a mTLS no repo-server, validação de integridade de origem e recursos expandidos de multi-tenancy. O release também aprimora a integração com o Azure, a visualização da Gateway API, o suporte a namespaces na CLI, a busca de aplicações, a confiabilidade geral, o desempenho e a documentação do projeto.
O Datadog MCP Server e o AWS DevOps Agent agora estão em disponibilidade geral (GA), permitindo a investigação e resolução autônoma de incidentes ao correlacionar dados de observability do Datadog com telemetria, implantações e códigos da AWS, de ambientes multicloud e on-premises. A integração automatiza a análise de causa raiz, o planejamento de mitigação, a coordenação entre partes interessadas e as recomendações de prevenção de incidentes. Com isso, os times conseguem reduzir o tempo de resolução de horas para minutos, melhorando a confiabilidade e a eficiência operacional.
Microsoft vai descontinuar o issuer do Azure DevOps nas service connections de workload identity federation até 1º de julho de 2027 e pede a migração para o issuer padronizado do Microsoft Entra, que já responde por mais de 50% dessas conexões.
AWS Lambda MicroVMs é um novo serviço de compute serverless que oferece isolamento em nível de VM com startup quase instantâneo para executar código não confiável de usuários ou gerado por IA. Baseado na mesma tecnologia Firecracker que processa mais de 15 trilhões de invocações mensais do Lambda, o serviço agora está disponível em quatro regiões, com suporte a até 16 vCPUs, 32 GB de memória, sessões de runtime de 8 horas e recursos automáticos de suspend/resume que preservam o estado da aplicação e reduzem custos de inatividade.
