Context Before Code: An Experience Report on Vibe Coding in Practice

1. Problema e Motivação

O artigo aborda uma lacuna na pesquisa atual sobre o uso de ferramentas de IA generativa no desenvolvimento de software. Embora existam muitos estudos sobre produtividade e estratégias de prompting (como o "vibe coding" — codificação guiada por interação conversacional natural), há uma escassez de relatos de experiência sobre como essas ferramentas se comportam sob restrições arquiteturais estritas em sistemas de produção.

O problema central identificado é que, embora a codificação conversacional acelere a criação de protótipos e a implementação de funcionalidades rotineiras, ela frequentemente falha em:

• Manter regras de isolamento de dados (multi-tenancy).
• Enforçar controles de acesso e políticas de segurança.
• Gerenciar processamento assíncrono e infraestrutura de backend complexa.
• Garantir a confiabilidade necessária para sistemas implantáveis, gerando código que pode ser funcional localmente, mas estruturalmente frágil em escala.

2. Metodologia

O estudo é um relato de experiência (experience report) baseado na construção e validação de dois sistemas de software orientados à produção por uma pequena equipe de desenvolvimento full-stack.

• Abordagem de Desenvolvimento: A equipe utilizou "vibe coding" contextual, onde os desenvolvedores forneceram prompts com requisitos funcionais, restrições arquiteturais explícitas e contexto de código para um modelo de linguagem (LLM). O LLM gerou implementações candidatas (rotas de API, modelos de banco de dados, componentes de interface).
• Sistemas Desenvolvidos:
  1. Plataforma de Aprendizado de Agentes Multi-Projeto: Um sistema colaborativo onde equipes gerenciam conhecimento compartilhado com isolamento estrito entre projetos (tenant isolation), memória estruturada e resolução de conflitos de aprendizado.
  2. Sistema Acadêmico RAG (Retrieval-Augmented Generation): Um sistema de geração de respostas baseado em documentos com rastreamento de citações, controle de acesso baseado em funções (RBAC) e pipelines de ingestão não bloqueantes.
• Validação: A análise foi retrospectiva, utilizando artefatos de desenvolvimento (histórico de commits, logs de implantação, discussões de issues, iterações de prompts). A validação dos sistemas envolveu testes manuais estruturados, inspeção de código e monitoramento de logs de tempo de execução para verificar isolamento, controle de acesso e comportamento assíncrono.

3. Contribuições Principais

O artigo oferece três contribuições fundamentais para a engenharia de software assistida por IA:

1. Relato Prático: Documenta lições aprendidas na construção de dois sistemas de IA orientados à produção usando geração de código conversacional.
2. Práticas de Validação: Descreve métodos específicos usados para confirmar propriedades arquiteturais críticas, como isolamento de inquilinos, separação de funções, escopagem de recuperação de dados e execução assíncrona confiável.
3. Identificação de "Zonas de Não-Delegação": Mapeia tarefas arquiteturais recorrentes que não podem ser delegadas à geração de código por IA e exigem decisões de engenharia manual, definindo limites claros para a automação em ambientes de produção.

4. Resultados e Descobertas Chave

Os resultados revelam uma mudança significativa no fluxo de trabalho e na natureza do esforço de engenharia:

• Aceleração vs. Fragilidade: O "vibe coding" acelerou drasticamente a criação de boilerplate (rotas de API, modelos de dados, componentes de UI). No entanto, o código gerado frequentemente ignorou restrições arquiteturais se não fossem explicitamente definidas nos prompts.
• Falhas Comuns do Código Gerado:
  • Falta de Isolamento: Consultas de banco de dados geradas frequentemente omitiam filtros de projeto, criando riscos de vazamento de dados entre tenants.
  • Processamento Síncrono: O código inicial tendia a executar tarefas pesadas (como embedding de documentos) de forma síncrona, bloqueando a interface do usuário, exigindo refatoração manual para filas de tarefas em segundo plano.
  • Ausência de Políticas: O código gerava interfaces para atualizações de memória ou logs de citações, mas não inferia as políticas de negócio sobre quando ou como essas ações deveriam ocorrer.
• Deslocamento do Esforço de Engenharia: Houve uma mudança clara no foco do trabalho:
  • Redução: Esforço em escrita de boilerplate, scaffolding CRUD e criação de templates de UI.
  • Aumento: Esforço em design arquitetural, especificação de restrições, auditoria de isolamento, validação de políticas e monitoramento operacional.
• Necessidade de "Contexto Antes do Código": Para que a geração de código seja eficaz em produção, as restrições arquiteturais (isolamento, segurança, infraestrutura) devem ser definidas e comunicadas explicitamente antes ou durante a geração, não como uma reflexão tardia.

5. Significado e Conclusão

O estudo conclui que a codificação assistida por IA, especificamente o "vibe coding", não substitui o design arquitetural de sistemas. Em vez disso, ela atua como uma ferramenta poderosa para a implementação rápida dentro de limites arquiteturalmente bem definidos.

• Implicação Prática: Desenvolvedores devem tratar a IA como um gerador de esqueletos funcionais que requer supervisão humana rigorosa para garantir a integridade do sistema. O papel do engenheiro de software evolui de "escrevedor de código" para "arquiteto de restrições" e "auditor de validação".
• Futuro: A pesquisa sugere que o sucesso de sistemas de IA em produção depende da capacidade de definir "zonas de não-delegação" claras, onde a intervenção humana é mandatória para garantir confiabilidade, segurança e escalabilidade.

Em suma, o artigo alerta que, sem um rigoroso controle de contexto e restrições antes da geração de código, a automação pode criar dívida técnica e fragilidade arquitetural, transferindo o esforço de engenharia da codificação para a correção e validação de infraestrutura.