Stephan_

A subscrição mais vantajosa neste momento não é opencode-go
nem commandcode-goat
é ChatGPT-plus 😂

Tenho pensado continuamente numa questão: ao escrever skills para modelos de ponta, como equilibrar a determinabilidade e a flexibilidade?
Determinabilidade significa escrever uma skill recorrendo a mais restrições rígidas ou código.
Flexibilidade significa usar menos detalhes e restrições, escrevendo a skill apenas de uma perspetiva de alto nível e orientada por prompts.
É necessário encontrar um equilíbrio dinâmico entre as duas — não existe uma resposta única.
A questão surgiu ao comparar a /spec-implement escrita pelo Matt com a /pi-matt-implement-flow que escrevi.
O meu fluxo e a minha es

Reflexão recente🤔:
Mais tempo de desenvolvimento deveria ser dedicado à criação de conjuntos de dados de avaliação para os evals e à avaliação da sua precisão e completude, impulsionando depois a iteração do negócio através da construção de um ciclo de evals
em vez de fazer diretamente vibe coding do código de negócio
Idealmente, com um goal + ciclo de evals adequados, o código de negócio deveria conseguir iterar autonomamente
Estou a tentar fazer esta transição e fico disponível para trocar ideias.

Porque é que muitos resultados de avaliações de IA não correspondem muito bem à experiência de utilização?
A meu ver, a questão principal é que a maioria das avaliações é como uma corrida em que, assim que é dado o tiro de partida, se vê quem consegue ir mais longe.
Não importa para onde se corre — até ir para o céu serve. Durante todo o processo de avaliação, não é necessário convergir.
Em cenários reais, o mais desgastante é o processo de convergência e alinhamento. Correr mais longe não significa necessariamente ser melhor; melhor é conseguir continuar a correr sempre dentro da pista.

Depois de me habituar ao Deepseek-v4-flash, já não suporto o GLM-5.3-flash 😂
O principal problema do GLM é que, mesmo sendo lento, está sempre a dar erros; a estabilidade deixa bastante a desejar.
Nesse caso, podemos perfeitamente usar um modelo mais potente para o planeamento e o deepseek-v4-flash para a execução, em vez disso.

Pensemos numa questão: existirá um framework capaz de transformar um template completo de um serviço SaaS + um AI harness + skills personalizadas num framework modular?
Poderá o DeepSeek Harness tornar-se uma infraestrutura deste tipo? Existem outros projetos já consolidados?

O smart zone mencionado por Matt Pocock situa-se em torno dos 120K de comprimento de contexto. Pela minha experiência com o Grok-4.6, é mais ou menos igual: perto dos 200K, começa a ficar visivelmente menos inteligente. Qual é a experiência de vocês? Os outros modelos também têm um smart zone evidente?

O grok build é o melhor TUI que já experimentei. Agora, com o grok-4.6, pode dizer-se que é o rei da relação qualidade-preço. Principalmente porque a velocidade do grok é superior à de muitos modelos de primeira linha; se a qualidade conseguir chegar ao primeiro escalão, a sua competitividade será simplesmente imbatível (e pode-se carregar a conta à vontade sem que a encerrem)!

Depois de ouvir o podcast de três horas e meia em que o Lao Luo entrevista o Zhou Hongyi, é possível perceber que o Lao Zhou tem, de fato, muita experiência prática na indústria. Infelizmente, as perguntas do Lao Luo não foram suficientemente profundas e profissionais, o que é um pouco lamentável.
Por exemplo, quando o Lao Luo fala sobre o ponto de vista de que o modelo de ponta no exterior é este, eu acho que é um pouco tendencioso. Porque diferentes áreas têm diferentes melhores modelos, como no campo da programação, atualmente o claude-4 e o gpt-5-codex podem ser superiores; além disso, com

A OpenAI lançou um "Guia de Codificação GPT-5", que apresenta 6 melhores práticas para programar IA com o GPT-5:
# 1. As instruções devem ser precisas, evitando conflitos de informação
O novo modelo GPT-5 teve uma melhoria significativa na capacidade de seguir instruções, mas isso também trouxe um efeito colateral: quando confrontado com instruções vagas ou conflitantes, pode ter dificuldades em lidar com isso. Esta situação requer atenção especial nas suas .cursor/rules ou arquivos de configuração.
# 2. Definir o nível de raciocínio adequado
O GPT-5 tende a realizar um certo grau de raciocíni