diego dos santos

desenvolvedor, piloto, fotógrafo e viajante

[Addy Osmani @addyosmani]

https://t.co/YOd4ptcTeD

[diego dos santos @di_dsantos]

@noahzweben Finally!

[Noah Zweben @noahzweben]

Announcing a new Claude Code feature: Remote Control. It's rolling out now to Max users in research preview. Try it with /remote-control

Start local sessions from the terminal, then continue them from your phone. Take a walk, see the sun, walk your dog without losing your flow.

[elvis @omarsar0]

Anthropic just posted another banger guide.

This one is on building more efficient agents to handle more tools and efficient token usage.

This is a must-read for AI devs!

(bookmark it)

It helps with three major issues in AI agent tool calling: token costs, latency, and tool composition.

How? It combines code executions with MCP, where it turns MCP servers into code APIs rather than direct tool calls.

Here is all you need to know:

1. Token Efficiency Problem: Loading all MCP tool definitions upfront and passing intermediate results through the context window creates massive token overhead, sometimes 150,000+ tokens for complex multi-tool workflows.

2. Code-as-API Approach: Instead of direct tool calls, present MCP servers as code APIs (e.g., TypeScript modules) that agents can import and call programmatically, reducing the example workflow from 150k to 2k tokens (98.7% savings).

3. Progressive Tool Discovery: Use filesystem exploration or search_tools functions to load only the tool definitions needed for the current task, rather than loading everything upfront into context. This solves so many context rot and token overload problems.

4. In-Environment Data Processing: Filter, transform, and aggregate data within the code execution environment before passing results to the model. E.g., filter 10,000 spreadsheet rows down to 5 relevant ones.

5. Better Control Flow: Implement loops, conditionals, and error handling with native code constructs rather than chaining individual tool calls through the agent, reducing latency and token consumption.

6. Privacy: Sensitive data can flow through workflows without entering the model's context; only explicitly logged/returned values are visible, with optional automatic PII tokenization.

7. State Persistence: Agents can save intermediate results to files and resume work later, enabling long-running tasks and incremental progress tracking.

8. Reusable Skills: Agents can save working code as reusable functions (with SKILL .MD documentation), building a library of higher-level capabilities over time.

This approach is complex and it's not perfect, but it should enhance the efficiency and accuracy of your AI agents across the board.

anthropic. com/engineering/code-execution-with-mcp

[diego dos santos @di_dsantos]

@mecid Claude Sonnet/Opus, I have been using in Claude Code and is the best so far

[diego dos santos @di_dsantos]

Fonte: https://t.co/K8UHlkP7vy

[diego dos santos @di_dsantos]

🧠 Carga cognitiva no Dev é que importa de verdade
🧐 Que isso?
"Carga cognitiva é o quanto você precisa quebrar a cabeça pra fazer algo"
🚫 Os Pepinos
• Devs gastam 80% do tempo tentando entender código ao invés de escrever
... 🧵

[diego dos santos @di_dsantos]

🎯 Dicas que Funcionam
• "Melhor repetir um pouco que criar dependência" - Rob Pike
• Bota os júniors pra revisar arquitetura também
• Se o cara novo fica perdido masi de 40 min, simplifica logo o código
• Pensa no futuro, não em ser o espertão hoje

[diego dos santos @di_dsantos]

Fonte: https://t.co/WYBO4ccp0Y

[diego dos santos @di_dsantos]

CEO da Coinbase demite engenheiros que se recusaram a testar IA 🤖💼
Brian Armstrong, CEO da Coinbase, revelou uma decisão polêmica: demitiu funcionários que se recusaram a experimentar ferramentas de IA como GitHub Copilot e Cursor após a empresa adquirir licenças corporativas.

[diego dos santos @di_dsantos]

Onde trabalho, realizamos reuniões semanais para discutir as ferramentas de IA e como podemos utilizá-las para aumentar a produtividade do time, além de ter acesso às melhores e mais recentes ferramentas de IA.
E você? Como está integrando IA no seu trabalho?

[diego dos santos @di_dsantos]

Fonte: https://t.co/ouNNyM7RW3

[diego dos santos @di_dsantos]

🔥 Descobri por que 90% dos produtos de IA fracassam (e não é o que você pensa)
Não é sobre a precisão do modelo.
Não é sobre tecnologia avançada.
Não é sobre orçamento.
É sobre algo muito mais simples... mas que poucos medem.
🧵

[diego dos santos @di_dsantos]

🚀 5 estratégias para otimizar CAIR:
1️⃣ Human-in-the-loop nos momentos certos
2️⃣ Reversibilidade - sempre ofereça "desfazer"
3️⃣ Isolamento - ambientes seguros para testar
4️⃣ Transparência - mostre o "porquê"
5️⃣ Controle gradual - evolua a complexidade

[diego dos santos @di_dsantos]

💡 Exemplos práticos de CAIR:
✅ Cursor = CAIR AltoValor: Alto (economiza horas)
Risco: Baixo (ambiente local)
Correção: Baixa (só deletar)

⚠️ Monday AI = CAIR MédioValor: Alto (automação)
Risco: Médio (dados produção)
Correção: Média (investigação)

[diego dos santos @di_dsantos]

📊 A fórmula que determina se sua IA vai decolar:
CAIR = Valor ÷ (Risco × Esforço de Correção)
🎯 CAIR alto = usuários adotam rapidamente
⚠️ CAIR baixo = resistência, independente da tecnologia
É psicologia, não precisão técnica.