TLDR;

A IA pode degradar sua base de código ao gerar código mal projetado que se acumula como dívida técnica — o “slopocalypse” — tornando o sistema mais caro de manter, mais propenso a bugs e mais custoso em tokens para os agentes. Uma maneira de evitar isso é usar um “agentic harness” com sensores e guias, como a ferramenta Habit Hooks, que transforma a saída JSON do linter em prompts que orientam o agente a tratar cheiros de código em vez de apenas agradar a regra do linter. No demo, Habit Hooks levou o agente a refatorar funções em componentes mais coesos e legíveis, produzindo código considerado pronto para envio e mais eficiente para futuros trabalhos dos agentes.

Resumo

Kent Beck disse que não é um grande desenvolvedor, mas um bom desenvolvedor com ótimos hábitos, e a ideia de hábitos é central quando agentes de codificação assumem o laço interno do desenvolvimento. Emily Bache entrevista Yvette Eddog sobre Habit Hooks, uma ferramenta que visa manter qualidade de código gerado por agentes, evitando o “slopocalypse” de dívida técnica acumulada. Agentes LLM podem produzir muito código rápido, porém mal projetado, o que aumenta custo, tokens e probabilidade de bugs; usar apenas linters como sinal pode levar a refatorações superficiais que escondem o problema. Habit Hooks roda linters com saída JSON, transforma os resultados em prompts que explicam o cheiro de código e oferecem orientações de refatoração mais semânticas, direcionando o agente a identificar coesão e responsabilidades em vez de apenas reduzir linhas. No demo, a abordagem ajudou o agente a decompor corretamente uma função em partes coesas com bons nomes, gerando código que a entrevistadora consideraria pronto para produção. Assim, Habit Hooks funciona como um sensor e guia dentro de um harness agentic, promovendo modularidade, clareza e redução de erros e custos. Além disso, melhora desempenho do agente, reduz custo de tokens e facilita manutenção contínua por equipes em larga escala.