Acho que estamos desperdiçando IA na parte errada do desenvolvimento de software

Concordo plenamente, e acho que a tese fica ainda mais forte quando você percebe que a "geração determinística" que você tá procurando já existe há 20 anos: chama-se framework.

O erro da maioria das ferramentas de código com IA é tratar o LLM como se ele estivesse escrevendo numa folha em branco. Aí sim ele precisa reinventar auth, RBAC, migrations, roteamento, e reinventa diferente toda vez. Mas se a fundação já é opinativa, o LLM não gera boilerplate: ele preenche lacunas dentro de uma convenção. É uma tarefa completamente diferente, e muito mais barata.

Na prática, o framework que mais tenho gostado nesse cenário é o Laravel, por três motivos:

1. Convenção forte = menos entropia. Eloquent, migrations, policies, form requests, filas, jobs. O LLM não decide onde as coisas moram, ele só escreve a regra de negócio. Isso mata boa parte das "implementações inconsistentes" que você citou.

2. Scaffolding determinístico de verdade. artisan make:*, Breeze/Fortify/Jetstream, Filament pra painel. Auth e CRUD saem prontos e iguais, sem token nenhum de LLM.

3. O ecossistema já veio pra IA. O Laravel Boost expõe guidelines e skills próprias pro agente (docs versionadas do teu projeto, convenções, tinker, leitura de schema). É literalmente a documentação do framework virando contexto executável.

Com pouquíssimo harness próprio, eu consigo consistência absurda entre projetos, MVP saindo em horas e o que pra mim é o ponto mais subestimado, legado gigante continuando de pé. Manutenção de projeto antigo é onde o "IA gera tudo" mais quebra a cara, porque ali o valor não está em gerar código novo, está em respeitar as decisões que já existem. Framework opinativo dá esse contrato de graça.

Um adendo à sua tese: não é só custo de token e latência. É superfície de revisão. Cada linha que o LLM gera é uma linha que alguém precisa revisar. Código que veio de um make:policy eu não reviso — eu confio na convenção. Então geração determinística não economiza só inferência, economiza atenção humana, que é o recurso realmente escasso.

Onde eu colocaria a fronteira, resumindo: determinismo pro que tem resposta certa conhecida; LLM pro que tem resposta certa desconhecida. Regra de negócio, workflow, edge case, UX, refatoração de legado sem doc, isso é onde o modelo paga o próprio custo.

Você não tá deixando passar nada. Tá redescobrindo, via LLM, o motivo pelo qual frameworks opinativos ganharam de "monte tudo do zero" na década passada. A IA só aumentou o preço de não ter convenção.

Meus 2 cents,

Parabens pelo post !

Faz alguns meses que estou quebrando a cabeca com esta questao e estava tentando resolver via harness (skills + SPECs/DTOs/Contratos/etc + context7), mas nao tinha chego a nenhum modelo realmente eficiente.

Dito isso, gostei da forma como voce resolveu a questao: atraves de templates/blueprints de codigo com jinja2/tera (?) e samples de entidades/atributos de banco de dados.

Desde entao tenho procurado estudar um pouco mais o assunto com foco em blueprints (prologin/iorgen ?, swagger-codegen ?, yellicode ?, jondot/hygen ?, tatkhanhgia/Agentic-Spec-Engine ?, dorian68/OptiQuantAI ?)

Dei uma olhada em alguns artigos (p.ex. Code Templates Meet Large Language Models, https://d-nb.info/1279397179/34, https://www.rocket.new/blog/the-best-strategies-for-structured-ai-code-generation, https://www.researchgate.net/publication/341617522_A_template-based_code_generator_for_web_applications, https://www.softwareseni.com/specification-templates-for-ai-code-generation-from-first-draft-to-production, https://www.semanticscholar.org/paper/Template-based-Automatic-code-generation-for-Web-Ullah-Inayat/7efa6dda55ce6bbca6973a0c99b0d4dff8376895, https://www.linkedin.com/pulse/ai-driven-mulesoft-code-generation-using-prompt-samir-benjamin-ndzuf, https://dl.acm.org/doi/abs/10.1145/3640537.3641567, https://dl.acm.org/doi/10.1145/3786583.3786902) mas a maioria eh pre-LLMs ou nao se enquadra de forma adequada ao proposito.

Um pouco mais recente foram estes:

• https://talkthinkdo.com/guides/ai-and-code/harness-templates-model-driven-ai-coding/

• https://www.anthropic.com/engineering/harness-design-long-running-apps

• https://github.com/davila7/claude-code-templates apesar de nao ser deterministico (o que acaba fungindo um bocado da ideia)

• https://docs.github.com/en/copilot/tutorials/copilot-cookbook/communicate-effectively/creating-templates

• https://marketplace.visualstudio.com/items?itemName=douglasgomes98.codebot

So comentando, nos idos dos anos 2000 eu ja tinha tentado algo para geracao de paginas web usando XML/XSLT (p.ex. da ideia https://imatix-legacy.github.io/twp/codegen.pdf), mas nao fui adiante justamente devido as limitacoes da epoca.

Enfim, acho a ideia bem interessante, tua solucao provavelmente eh a mais robusta que vi ate agora - mas por alguma razao nao vejo ninguem na gringa na mesma pegada, o que acho no minimo curioso.

Saude e Sucesso !

Este post foi favoritado via extensão TABNEWS FAVORITOS

Tem curiosidade sobre IA ? Da uma olhada no meu LIVRO: IA PARA ENGENHEIROS

Aqui na fiiiirma eu resolvi e e duas formas, não por necessidade de ter as duas formas, mas pura frescura kkkkkkk.

criei uns 500 boilerplates e uns 1000 snippets nas stacks que uso. Tudo organizadinho por categorias etc em uma pasta.

A forma 1: no start do projeto, uso uma cli própria que configura todo o ambiente de dev, repositório git, etc de forma deterministica e com base no tipo de projeto, já monta o "template" dele usando a biblioteca citada antes.

A forma 2: criei um workflow que chamo pela IA, ela segue o passo a passo e chama umas skills que fazem exatamente o mesmo trabalho acima, só que gastando tokens, pq eu sou gado da anthropic. Hihihiji. 🤣

Eu gosto de usar frameworks como quase tudo que construo é on-line uso flask ou django, porque eles ja tem essas implementações todas de forma deterministica. Já em software puro eu criei skills e MCPs com as regras deterministicas seguindo o mesmo padrão sempre.