A maioria usa IA assim: abre o chat, cola a pergunta, copia a resposta, volta pro editor, repete. A IA não sabe nada do seu mundo. Toda conversa começa do zero.
Há um tempo parei de fazer isso. Hoje a IA vive no meu terminal, lê meus repositórios, conhece meus clientes, roda meus scripts e abre pull request. O contexto já está lá quando eu chego.
Não é sobre achar o prompt mágico perfeito. É sobre montar um sistema em volta da IA: contexto, ferramentas e um loop que se repete. Vou mostrar como isso se parece na prática.
A base: meu mundo num repositório versionado
Tudo começa com um repositório que guarda o contexto que a IA lê. Versionado, porque evolui comigo, não vive na minha cabeça nem some quando troco de máquina.
tools/
├─ AI_DEFAULT.md # instruções centrais, toda IA lê
├─ CLAUDE.md # aponta p/ AI_DEFAULT
├─ projects.yml # registro: alias de cliente → repo certo
├─ TOOLS.md # catálogo de todos os scripts
├─ RUNBOOK.md # deploy, settings, troubleshooting
├─ brand/ # cores, fontes, logos, templates
├─ clickup/ # tasks via terminal
└─ media/ # scripts de slides e vídeo
A peça central é um arquivo de instruções que toda IA lê antes de trabalhar: como fazer commit, convenções de branch, tom de voz, onde mora cada coisa. Escrevo a regra uma vez, ela vale pra sempre.
Frente 1: tarefa chata vira script
Toda repetição manual virou comando. E foi a própria IA que escreveu e mantém esses scripts.
- Um resumo do meu dia (tarefas + agenda) cai no meu WhatsApp toda manhã, sozinho.
- Crio e consulto tasks direto do terminal, sem abrir o navegador.
- Scaffolds geram um projeto de infra ou uma apresentação inteira em um comando.
A regra que sigo: se fiz à mão duas vezes, a terceira é um script.
Frente 2: eu estendo a própria IA
Comandos e agents customizados ensinam a IA a trabalhar do meu jeito. Os que mais uso:
/implement pega uma task, cria a branch, escreve o código e abre o PR.
code-reviewer é um agent que revisa o diff antes de cada commit.- Comandos pequenos pro trivial: criar lembrete, resolver um alias de cliente.
A IA não é uma caixa fechada. É uma plataforma que dá pra programar.
Frente 3: IA no código de verdade, não em brinquedo
Isso roda em código de cliente, não em projeto de fim de semana. Por isso o fluxo tem trava:
- Implementação de front e back em paralelo a partir de uma task.
- Um gate de qualidade bloqueante: nada entra no repo sem o agent revisar.
- Commits pequenos e focados, uma mudança lógica por commit.
- PR pronto pra review, sem rastro de "isso foi IA".
O ponto não é a IA escrever rápido. É ela escrever dentro das minhas regras.
Frente 4: a IA conhece meu mundo
- Planos e documentação ficam onde a IA lê e escreve.
- Um registro de workspace resolve "fala do cliente X" pro repositório certo na hora.
- Memória persistente: ela lembra decisões entre sessões.
- Runbooks deixam a operação documentada e reutilizável.
Eu digo um apelido. Ela resolve o cliente, acha os repos certos e já sabe o que é front e o que é back. Zero explicação.
O padrão por trás de tudo
As quatro frentes parecem diferentes, mas são a mesma receita:
Contexto: a IA enxerga seu mundo (repos, docs, clientes, memória).
Ferramentas: ela executa (scripts, git, APIs). Não só fala, faz.
Loop: faz, verifica, corrige, com gate de qualidade fechando o ciclo.
Acerte os três e qualquer tarefa repetitiva vira automação. Erre um e você volta pro chatbot.
O efeito composto
São cerca de 5 horas por semana que voltam pra mim, dezenas de PRs abertos por um único comando, e o número cresce toda semana porque cada automação libera tempo pra construir a próxima.
Como você começa hoje
Não precisa replicar meu setup. Comece com um passo:
- Escolha uma tarefa chata que você repete toda semana.
- Peça pra IA virar script e versione no repositório.
- Dê contexto: um arquivo de instruções que ela lê sempre.
- Feche o loop: deixe ela rodar, verificar e corrigir.
- Repita. Cada automação paga a próxima.
A pergunta não é "a IA consegue?". É "o que eu paro de fazer à mão hoje?".