#7 Workflows de AI Coding e os 5 Princípios que Realmente Importam

Ferramentas resolvem problemas específicos. Princípios se adaptam a qualquer problema.

---

---

#O Problema que Ninguém Mostra no Tutorial

Toda IA que gera código tem uma limitação fundamental: a janela de contexto. Ela só consegue processar uma quantidade limitada de informação por vez. No começo de uma sessão, a memória está fresca e o potencial é máximo. Mas conforme você vai pedindo coisas — setup do projeto, telas, esquema de banco de dados, listagens — essa memória enche.

Quando enche, a IA começa a esquecer. Esquece qual banco de dados você está usando. Cria componentes duplicados porque não lembra do que já fez. Quebra o que estava funcionando.

Isso gera o maior dilema da programação com IA: como dividir o desenvolvimento em sessões sem perder contexto entre elas?

É exatamente esse problema que sete workflows populares tentam resolver.

---

#Os 7 Workflows

Esses frameworks somam mais de 300 mil estrelas no GitHub. Cada um propõe uma abordagem diferente para o mesmo problema:

Workflow	Estrelas	Abordagem
Superpers	126k	Skills que guiam o agente do brainstorm ao deploy. TDD rigoroso, subagentes com contexto isolado
Spec Kit (GitHub)	83k	Especificação como artefato principal. Pipeline: constitution → specify → clarify → plan → tasks → implement
GSD	45k	Context engineering puro. Subagentes com janela fresca, planos em XML, execução em ondas paralelas
BMED	43k	Simula equipe ágil com 9 personas de IA (analista, arquiteto, dev...) que debatem entre si
Teskaster	26k	Gerenciamento de tarefas com decomposição automática e rastreamento de progresso
Open Spec	—	Delta specs: declara só o que muda (adicionado, modificado, removido). Bom para projetos existentes
Agent OS	—	Orquestração completa de agentes (v2). Na v3, removeu tudo — os agentes ficaram bons o suficiente sozinhos

São projetos sérios, feitos por gente competente, com comunidades ativas. Mas aqui é onde entra o ponto de atenção.

---

#O Problema dos Workflows

Todos esses workflows são ferramentas. Você instala, configura e segue o pipeline que eles definem. E é aí que mora o perigo.

Precisa corrigir um link quebrado no site? Imagina passar por fases de especificação, constituição, clarificação, planejamento e tasks — para um link.

Precisa adicionar um campo no banco de dados? Imagina um analista pesquisar, outro escrever o PRD, outro definir a arquitetura, outro implementar — tudo para um campo.

A maioria das demandas do dia a dia são simples ou médias. Usar um pipeline de sete passos para elas é como usar uma bazuca para matar uma mosca.

E tem outro problema: ferramentas ficam obsoletas. O Agent OS é o melhor exemplo. Na versão 2, tinha orquestração completa com subagentes e TDD integrado. Na versão 3, removeu tudo. O autor percebeu que os agentes de IA melhoraram tanto — como é o caso do Claude Code — que a orquestração virou redundância.

A ferramenta de ontem era complexa demais para o agente de hoje.

O que sobrevive quando as ferramentas mudam? Princípios.

---

#Os 5 Princípios

Depois de estudar esses workflows, testar alguns deles e construir projetos reais do zero, cheguei em cinco princípios. Não são framework. Não precisam de instalação. Funcionam com qualquer ferramenta — ou sem nenhuma.

---

#1. Tenha um mapa, não um roteiro

Antes de pedir para a IA construir qualquer coisa, você precisa de um documento que descreve o que o projeto deve fazer. No mundo de software, isso se chama PRD (Product Requirements Document) — um documento simples que responde: o que estou construindo, para quem, e quais são as funcionalidades.

A diferença é que muita gente cria um PRD e nunca mais atualiza. E na prática, ao construir, você descobre coisas que não tinha previsto: funcionalidades que não fazem sentido, ideias novas que surgem, mudanças de prioridade.

Um PRD desatualizado é pior que nenhum PRD — porque leva decisões na direção errada.

O mapa define o destino, não o caminho exato. Atualize-o conforme o projeto evolui.

---

#2. Planeje a implementação no momento certo

Esse talvez seja o mais importante. Não estou falando do plano do projeto (o mapa, princípio anterior). Estou falando do plano técnico: como vou construir essa funcionalidade, quais arquivos criar, qual estrutura usar.

Na indústria, o conceito de just-in-time vem da Toyota: produzir no momento que a demanda pede, não acumular estoque antes. Na programação, compiladores fazem a mesma coisa — compilam código quando precisa executar, não antes.

Quando você pede para o agente planejar a implementação agora, ele analisa o projeto como está agora: as dependências que existem, os padrões de código que já foram usados, a estrutura atual. Um plano técnico criado três semanas atrás assume uma versão do projeto que pode nem existir mais.

Muitos workflows geram planos técnicos detalhados antes de implementar. Alguns geram planos do projeto inteiro antes de escrever uma linha de código. Na prática, esses planos ficam obsoletos na terceira funcionalidade.

Planeja a implementação quando for implementar.

---

#3. Separe o "quê" do "como"

Antes de pedir para a IA implementar, descreva o que precisa ser feito sem entrar em detalhes técnicos:

"Preciso de uma página de listagem de artigos com filtro por tags e suporte a dois idiomas."

Isso é o "quê". Depois, limpe o contexto. Se estiver no Claude Code, um /clear resolve. Numa sessão limpa, peça para o agente planejar e implementar com base nessa descrição.

Por que separar? Porque a discussão exploratória de "o que eu quero" polui o contexto da implementação. Você vai e volta, muda de ideia, descarta opções. Quando a IA finalmente vai implementar, metade do contexto é lixo de decisões abandonadas.

Contexto poluído gera decisões inconsistentes. Defina o destino numa conversa e dirija numa conversa separada.

---

#4. Escolha a ferramenta pela demanda

Na prática, existe um teste simples. Pergunte a si mesmo: "Consigo descrever o que eu quero numa lista curta?"

Resposta	Complexidade	O que fazer
Sim, é direto	Simples	Vai direto, sem cerimônia
Sim, mas tem decisões a tomar	Média	Descreve o escopo primeiro, depois implementa
Não consigo nem listar	Alta	Aí sim precisa de brainstorm e design

A maioria das demandas do dia a dia são simples ou médias. Não force tudo no mesmo molde.

Na prática, meu workflow com Claude Code é:

• Coisa simples → vou direto
• Complexidade média → uso as ferramentas nativas do Claude Code (plan mode, planejamento)
• Complexidade alta → uso o Superpers (o único framework que mantenho instalado)

---

#5. A IA executa, você decide

A IA pode implementar cada tarefa corretamente e ainda assim o resultado final não ser o que você queria. A soma das partes nem sempre é óbvia.

Depois que a IA implementa, valide. E use a própria IA para isso:

• Peça para navegar pelas rotas afetadas
• Peça screenshots das telas
• Peça para comparar o que foi feito com o que você pediu

E depois, olhe você: o resultado faz sentido? O fluxo funciona? O visual está certo?

A IA é excelente em executar. Decidir o que construir, aprovar o plano e validar o resultado — isso é insubstituívelmente humano.

---

#Resumo: 5 Princípios em Uma Tabela

#	Princípio	Em uma frase
1	Tenha um mapa, não um roteiro	PRD vivo que acompanha o projeto
2	Planeje no momento certo	Plano técnico just-in-time, não antecipado
3	Separe o "quê" do "como"	Escopo e implementação em sessões separadas
4	Ferramenta pela demanda	Simples → direto; médio → plan mode; complexo → framework
5	A IA executa, você decide	Valide sempre o resultado final

---

#Próximos Passos

Esses são os princípios que eu uso todos os dias para construir aplicativos com Claude Code. Se você quer ir além e aprender a transformar uma ideia em app completo — do zero ao site publicado na web — confira o Curso Criador de Apps.

E se quer uma referência prática do Claude Code sempre ao seu lado — comandos, configurações, skills, tudo organizado no passo a passo — o Claude Code Guide nasceu exatamente dessa necessidade.