Coloquei o Claude Code pra codar uma feature no meu SaaS (deu bom?!)

Neste experimento, o autor investiga a capacidade de ferramentas de inteligência artificial, especificamente o Claude Code da Anthropic e o Cursor (um editor de código com IA), em aumentar a produtividade no desenvolvimento de software. Ele já vem utilizando essas ferramentas em seu tempo livre, especialmente em um de seus sistemas, que permite o upload e o controle de visualizações de vídeos. O foco do experimento é delegar à IA a implementação de uma funcionalidade completa (listagem e criação de coleções) em seu sistema. Para garantir o sucesso da IA, o autor ressalta a importância de um prompt extremamente detalhado, algo que ele obteve utilizando o próprio Claude Code para gerar uma task no Linear, uma ferramenta de gerenciamento de projetos. Ele discute os custos dos planos, com o Cursor custando $20 e o Claude Code tendo um plano de $40, que dá acesso ao Claude Opus. O objetivo é avaliar a eficácia dessas ferramentas em cenários de desenvolvimento práticos, com a promessa de mais conteúdo sobre o tema, incluindo a comparação entre Cursor e Claude Code, e percepções sobre a importância da documentação para a colaboração com a IA.

O Experimento com IA no Desenvolvimento

O experimento concentra-se na implementação de uma nova funcionalidade em um sistema já existente do autor. A funcionalidade consiste na listagem e criação de coleções, que seriam exibidas no cabeçalho da aplicação. Atualmente, essa parte do sistema é estática, ou seja, não há interatividade. O desafio é fazer com que a IA gere o código necessário para que a listagem das coleções seja dinâmica e o botão de criação de novas coleções funcione corretamente, redirecionando o usuário para a página da coleção recém-criada.

A ideia é que aqui em cima eu possa também ver as minhas collections. Então eu tenho aqui a quantidade de uploads pelas collections. Eu posso também criar uma nova collection. Porém, se eu clico aqui, ó, hoje nada acontece, porque isso aqui hoje tá tudo estático, né? Nada disso aqui tá funcionando, realmente.

A Importância de um Prompt Detalhado

Um dos pontos cruciais do experimento, e uma lição valiosa compartilhada pelo autor, é a necessidade de fornecer prompts extremamente detalhados à inteligência artificial. Tentar que a IA "tome decisões" por nós sem fundamentos claros é um erro comum, especialmente para desenvolvedores iniciantes. Um prompt genérico, como "preciso que a listagem e criação de coleções no cabeçalho funcionem", provavelmente resultaria em um código ineficaz ou "medonho".

Para evitar isso, o autor criou uma "task" no Linear, uma ferramenta de gerenciamento de projetos, com um nível de detalhe impressionante. Essa task foi inclusive gerada com a ajuda do próprio Claude Code enquanto o autor trabalhava no editor, permitindo que a IA tivesse acesso aos arquivos do projeto e entendesse a estrutura do código. Além disso, a task incluía critérios de aceitação, especificando exatamente o que precisava ser implementado para que a funcionalidade fosse considerada completa. Essa abordagem detalhada é fundamental para guiar a IA a um resultado satisfatório.

Execução e Resultados Iniciais do Claude Code

Após fornecer o ID da task detalhada ao Claude Code, a IA começou a processar a solicitação. O autor observou que o Claude Code possui um "plan mode" interessante, onde ele cria um plano de ação antes de iniciar a codificação. Isso é um diferencial em comparação com outras ferramentas. Um dos aspectos notáveis foi a capacidade do Claude Code de interagir com sistemas externos, como o Linear, por meio de "MCPs" (Model Connectors for Platforms), agindo como uma espécie de API para agentes de IA.

O plano de ação do Claude Code incluiu os seguintes passos:

Mover o componente de criação de coleção para uma localização global.
Atualizar os imports de todos os arquivos afetados.
Implementar a listagem de coleções no componente "collection switcher" (o componente no cabeçalho).
Adicionar estados de carregamento (skeleton loading) para as coleções.
Conectar o botão de criação de coleção para abrir o diálogo correspondente.
Implementar a navegação para a página da coleção ao clicar em uma delas.

O autor permitiu que a IA modificasse os arquivos livremente, após fazer um commit no controle de versão (Git), para evitar perda de trabalho caso houvesse problemas. Ele também mencionou que, embora a task não fosse extremamente grande, dividi-la em sub-tasks menores poderia ter gerado um resultado ainda melhor, algo que ele pretende abordar em vídeos futuros.

Desafios e Correções Pós-IA

Após a conclusão da task pelo Claude Code, o autor imediatamente notou alguns erros. Um dos problemas foi a forma como o `useGetOrganizationCollectionsSuspense` estava sendo chamado, com o parâmetro `slug` sendo passado incorretamente. Surpreendentemente, o "type check" da IA não detectou esse erro. Além disso, a lógica para determinar a coleção atual também estava incorreta. O autor teve que intervir e corrigir manualmente essas falhas, ajustando a passagem de parâmetros e a obtenção do ID da coleção ativa.

Ele deveria enviar o slug diretamente dessa forma. E me surpreendeu ele ter rodado type check e não ter percebido que isso aqui deu erro.

Apesar dos ajustes, a funcionalidade de listagem de coleções e a exibição do skeleton loading foram implementadas corretamente. No entanto, o problema persistiu na atualização do estado após a criação de uma nova coleção. Mesmo com o Claude Code supostamente "invalidando a query" para recarregar as coleções, a interface não se atualizava dinamicamente sem um refresh manual da página. O autor identificou que havia uma diferença na "query key" para coleções com suspense, o que precisava ser investigado mais a fundo. Apesar desses detalhes, a maior parte da funcionalidade foi desenvolvida pela IA, o que o autor considerou um resultado "muito massa".

Considerações Finais e Futuras

O autor enfatiza novamente a importância de fornecer instruções detalhadas para a IA. O nível de detalhe fornecido na task do Linear foi a chave para o sucesso parcial do experimento. Ele também menciona que a corrida por ferramentas de produtividade para desenvolvedores com IA ainda está em andamento, e o Cursor, com funcionalidades como "background agents" (agentes que podem resolver bugs e subir "pull requests" automaticamente), parece estar à frente. O custo também é um fator, com o modelo mais útil do Claude Code sendo "bem carinho".

O vídeo serve como um ponto de partida para futuras discussões sobre o uso de IA no desenvolvimento. O autor planeja explorar mais a fundo o Cursor, aprofundar sobre "MCPs", discutir a importância da documentação de projetos para melhorar a comunicação com a IA (especialmente entre o frontend e o backend), e compartilhar mais sobre como ele tem usado essas ferramentas em seu dia a dia.

Takeaways

Prós e Contras da IA no Desenvolvimento: Ferramentas de IA como Claude Code e Cursor podem aumentar significativamente a produtividade, automatizando tarefas de codificação complexas e repetitivas. No entanto, a IA pode cometer erros lógicos e de implementação que exigem intervenção humana para depuração e correção, especialmente em cenários mais complexos ou ambíguos.
A Importância do Prompt Detalhado: Para obter resultados satisfatórios da IA, é crucial fornecer prompts extremamente detalhados e específicos. Pedidos genéricos resultam em código ineficaz. A criação de "tasks" detalhadas, como as geradas no Linear, com critérios de aceitação claros, é fundamental para guiar a IA.
Interconexão com Sistemas Externos (MCPs): A capacidade das IAs de interagir com sistemas externos através de "Model Connectors for Platforms" (MCPs) é uma funcionalidade poderosa, permitindo que a IA acesse e utilize informações de ferramentas de gerenciamento de projetos como o Linear, melhorando sua compreensão do contexto da task.
Custo de Ferramentas de IA: O acesso a modelos de IA mais avançados, como o Claude Opus, pode ser caro ($40 por mês para o Claude Code). O Cursor oferece opções mais acessíveis ($20 por mês). A escolha da ferramenta deve considerar o equilíbrio entre custo e os recursos oferecidos, especialmente em relação à capacidade de automação e integração.
Futuro da IA para Desenvolvedores: A competição no campo de ferramentas de produtividade para desenvolvedores é intensa, com inovações como "background agents" no Cursor que prometem automatizar a resolução de bugs e a criação de "pull requests". A documentação do projeto e a divisão de tarefas em subtarefas menores são aspectos que o autor planeja explorar para otimizar ainda mais a colaboração com a IA.