Ratchet Pattern
O que é um 'turn' no reins?
Uma anatomia do turn, a menor unidade de execução do reins. O que não foi registrado não é um turn — desta única definição decorrem a independência de driver, a resiliência a reinícios e a auditabilidade. Comparado ao discurso de Loop Engineering de junho de 2026, vemos como o turn converte aquelas recomendações em estrutura.
Sistemas fazem o gênio brilhar mais
Gênio sem estrutura deriva, estrutura sozinha é medíocre. O valor real emerge apenas quando gênio e estrutura se multiplicam. O benchmark ZenFlow (Claude Sonnet, 32 endpoints, 43 minutos) e as provas históricas do B-17, Toyota e checklists da WHO demonstram o mesmo princípio.
Por que o drift nunca morre
O drift volta mesmo depois de corrigido. Quando fechei a logica de negocio com SSOT, o mesmo drift subiu um nivel — para o gerador que produz o SSOT. Por que isso nunca morre? Reconstruo a resposta a partir da entropia.
abloq — o blog que o agente opera, e a máquina tranca a verificação
Quando você confia um blog ao agente, o texto sai. O problema é que não dá para confiar nele — ele forja fontes, eleva o lastmod de um texto que nem corrigiu e mexe em arquivos que ninguém mandou tocar. Se a pessoa for revisar tudo, não fazia sentido delegar. A resposta de abloq é a divisão do trabalho: a geração é probabilística, a verificação é determinística. O que a pessoa escreve é uma única especificação de insight (insight.yaml), e a escrita, a tradução, a atualização e o reforço de evidências são delegados ao agente como quests, enquanto a qualidade é garantida por um gate determinístico derivado de um único blog.yaml. O PASS travado é irreversível — o agente pode ser descartável, mas o progresso se acumula.
Por que o seu loop de agente diverge
Quanto mais o Loop Engineering se populariza, mais as pessoas batem na mesma parede — o loop não converge, ele diverge. Rotação infinita, deriva, reward hacking: as três faces têm uma só raiz. Recolocar o próprio gerador no slot de julgamento do loop. Mas a divergência ainda é sorte. Porque ela se vê. O que assusta de verdade é o loop que convergiu falsamente em silêncio. A receita é uma só — colocar a autoridade de travar a conclusão não no LLM, mas apenas num gate determinístico.
O tráfego de produção é a especificação
O código legado não tem documentação. Nem testes. E ainda assim está rodando agora mesmo. Um mês de logs bem registrados já é a especificação — se você criar testes de integração Hurl que capturam o comportamento atual a partir do tráfego de produção, você fixa as funcionalidades do legado e estende a rede de segurança da refatoração sem ler uma única linha de código.
Queimar uma cidade para obter uma resposta
Um modelo de um trilhão de parâmetros queima tanta eletricidade e água quanto uma cidade inteira só para cuspir uma resposta. Eu achei isso uma loucura. Vagando em busca de uma saída, descobri: o defeito que todos tentavam corrigir, a bajulação do LLM, era justamente a resposta. Se você o alimenta com fact, a bajulação vira precisão. Este texto é a história de por que comecei o Reins.
reins — deixe ao quest CLI apenas o domínio, o ratchet vira framework
how-make-quest ensinou a construir um quest CLI com as próprias mãos. Mas, ao construir o segundo CLI, você reescreve o mesmo ratchet, o mesmo scan/next/submit, a mesma agregação. reins extrai esse invariante para um framework — ratchet, esqueleto de comandos, agregação e export são fornecidos por reins, e você só implementa o gate do seu domínio (os 4 métodos de gate.Definition). O gate é um catálogo de regras de defesa contra o cheese, e o defeat graph de toulmin devolve ao agente o guia de estratégia de 'por que perdeu e o que mudar para vencer'.
Como criar um Quest CLI — construir você mesmo a ferramenta que deixa a máquina julgar a conclusão
A IA diz 'concluí'. Na prática, não terminou. Este texto é sobre construir você mesmo a ferramenta que resolve esse problema — o Quest CLI. Do princípio (por quê) ao esqueleto de comandos em cobra (como), este único texto permite que um agente crie um Quest CLI em Go. huma é o exemplo trabalhado.
As Precondições para Aumentar a Precisão de Múltiplos Agentes de LLM
Rodar vários agentes torna o resultado mais preciso? Só metade está certa. Modelos treinados com os mesmos dados erram nos mesmos lugares. As condições para que múltiplos agentes funcionem são duas — projetar independência de erros, ou erguer um verifier fora do LLM em domínios verificáveis.
Por que o seu agente nunca para
Diante da gabarolice de rodar um agente 24 horas por dia, a sensação não é admiração e sim dúvida — por que ainda não terminou? Código não é um problema de busca, é um problema de satisfação de restrições. Um sistema que consegue parar é um sistema saudável.
Quem define «concluído»? — O problema que os jogos resolveram 40 anos antes
No momento em que definimos a saída do inquilino com cinco fotos de locais específicos, isso se torna uma quest de jogo. Definir «concluído» não como uma afirmação do agente, mas como uma condição mecanicamente verificável — é o problema que os jogos resolveram 40 anos antes, e é como dar ordens corretas a agentes de IA.
filefunc × Hono — o código que um agente lê de uma vez: de 60 para 18 linhas
Refatoramos o Hono, framework real com 23k estrelas, usando filefunc. Todos os 4419 testes passaram. E ao medir — o número de linhas que um agente lê ao abrir um conceito caiu da mediana de 60 para 18, uma redução de 71%. O que importa não é a quantidade de arquivos, mas o 'comprimento do que se lê'.
Precedente não é verdade — como a IA copia gambiarras e as transforma em autoridade
A IA lê a estrutura do código, mas não distingue se aquilo é uma decisão de design ou uma gambiarra. Por isso, quanto mais copia, mais o defeito acumula falsa autoridade. O que quebrou esse loop não foi um modelo maior — foi uma única linha de dúvida humana.
Construindo sistemas operáveis por agentes
60-80% do orçamento de TI das Fortune 500 é gasto guardando legacy trancado. Porque não conseguem abri-lo. O verdadeiro significado da bolha de IA não são modelos mais inteligentes — é que a memória corporativa trancada está se tornando alcançável.
huma -- Uma catraca que nao pula nenhum endpoint
Quando voce pede a um agente AI para testar 42 endpoints ele declara pronto por volta do 15. huma transforma a lista de endpoints em uma sessao de catraca para que o agente nao pule nenhum. scan next write verify.
Agent Operable Codebase
Código fácil de ler para humanos é o mesmo que código fácil de operar para agentes? Não é. Quando um arquivo tem 20 funções, o desempenho do agente cai 30-85%. O escritório deve virar fábrica.
Aula 6. Passou, Tranca — Princípios e Aplicação em Massa do Ratchet Pattern
A IA declarou que terminou. Na realidade 40/527. O Ratchet Pattern transfere o julgamento de conclusão para a máquina.
Reins Engineering — IA com redeas
Harness engineering e uma cerca. Impede o agente de sair, mas nao garante que ele chegue ao destino. Reins Engineering sao as redeas — direcionar com contratos deterministicos, travar com catracas, separar decisoes de implementacao.
Hurl impede a deriva do vibe coding
Vibe coding colapsa sob deriva logica em 3 meses. Casos da CMU, METR, DORA e Amazon comprovam. Declare contratos de API em texto simples com Hurl e trave-os com catraca -- suprime a deriva estruturalmente sem limitar a liberdade da IA.
yongol — A quilha do SaaS programado com IA
O vibe coding colapsa em 200 endpoints porque a IA não consegue distinguir decisões de detalhes de implementação. yongol transfere o alvo de trabalho da IA do código para 10 especificações declarativas e impõe consistência entre camadas antes da compilação. Harness with reins.
O viés de bajulação da IA é uma feature de negócio
O viés de bajulação dos LLMs não é um bug. É uma inevitabilidade matemática do RLHF e uma feature comercial que as big tech não têm incentivo para corrigir. Por isso LLM-as-Judge é estruturalmente impossível.
Por que agentes de codificação funcionam — e por que quebram
O mesmo modelo alucina no chat web mas entrega uma funcionalidade de 200 linhas num agente de codificação. Não porque o modelo mudou — porque a topologia mudou. Geração pode ser probabilística. Verificação deve ser determinística.
Ratchet Pattern — Como fazer o agente ir até o fim
Pedi a um agente AI que escrevesse testes para 527 funções. Ele declarou 'terminei' após apenas 40. O Ratchet Pattern força o veredicto de conclusão por um verifier mecânico, fazendo o agente ir até o fim.
tsma -- Linha de defesa contra regressoes em codigo legado
Uma ferramenta CLI que indexa todas as funcoes, detecta a existencia de testes, mede a cobertura e fornece feedback preciso a agentes LLM. Um unico comando constroi uma linha de defesa contra regressoes em codigo legado.
filefunc — um arquivo, um conceito
A unidade de navegação de um agente de código com IA é o arquivo. filefunc é uma convenção de estrutura de código Go e ferramenta CLI que força um conceito por arquivo.