Claude Codes New INTENT.MD, What is It?

Metadados

• Data de processamento: 12/09/2026 20:35:06
• Duracao: 16min 21s
• Canal/Criador: Rob Shocks
• Link: https://www.youtube.com/watch?v=LoMOPj-lO8U
• Tipo detectado: podcast

Sumario inteligente

TL;DR

O episódio resume o playbook de SDLC nativo para IA da Anthropic (apresentado por Boris Cherney): agentes compressam a fase de build e podem ser usados em todo o ciclo (planning → spec → build → test → deploy → maintenance) por meio de artefatos padronizados como intent.md, spec.md e plan.md. A ênfase é padronizar artefatos, aplicar políticas/skills para governança e automatizar testes e deploys mantendo humanos no loop para revisões críticas.

Pontos-chave

• Tese central: código deixou de ser o principal gargalo; o processo (SDLC) é o que precisa ser otimizado com agentes.
• Antropic propõe formalizar uma cadeia de artefatos AI-native (intent.md → spec.md → plan.md → etc.) para conectar agentes e pessoas ao longo do SDLC.
• Captura de intenção: usar um agente para entrevistar o originador (qualquer pessoa) e gerar intent.md salvo numa pasta intent; originador deve revisar o arquivo.
• Triagem/Backlog: product owner organiza/triageia intents (tags, prioridade) — pode usar agentes para essa triagem.
• Geração de spec: automatizar a transformação de intent.md em spec.md via prompts/skills, respeitando guias de estilo e políticas (agents.md / skills.md).
• Build: alimentar intent+spec no Cloud Code/Cursor para gerar plan.md; dividir em tarefas, usar sub-agentes e work trees/branches para paralelismo.
• Auto mode: para acelerar builds, travar permissões, definir regras de uso e limitar blast radius antes de permitir ações autônomas dos agentes.
• Hooks, linting e testes: usar hooks e linting para checagens determinísticas; agentes devem rodar testes, builds e gerar artefatos de verificação (screenshots, gravações).
• Evals e CI: aplicar avaliações contínuas (evals) sempre que houver mudança de modelo/skill para detectar regressões no SDLC orientado por IA.
• Deploy/PR: agentes podem criar PRs; pipelines/Cloud Code devem revisar PRs contra políticas e possíveis gates/approvals humanos antes do merge.
• Maintenance autônoma: agentes podem diagnosticar alertas/logs, gerar intents de manutenção e propor/implementar correções assincronamente.
• Ferramentas e exemplos práticos: menção de ferramentas (Claude, Cursor, Cloud Code, Codex, Neon, PlayWrite/TestWrite) e workflows do autor (Switch Dimension Discovery).
• Não existe um único modelo: diversas abordagens cabem; recomenda-se adaptar práticas à organização em vez de descartar infra existente.

Topicos

• SDLC nativo IA
• intent.md
• cadeia de artefatos
• planejamento com agentes
• geração de spec
• build automatizado
• auto mode
• governança
• testes automatizados
• deploy/PR
• manutenção autônoma
• ferramentas e skills

Citacoes

• código não é mais o gargalo, seu processo é.
• fizemos um ótimo trabalho reduzindo isso, estamos duas vezes mais rápidos.
• o agente nos entreviste sobre a feature, o bug ou o produto que estamos construindo para montar o contexto.
• essa intent.md é legível por humanos e acionável por máquinas.
• a intent realmente pode ser capturada por qualquer pessoa.
• a premissa inteira deste documento é que estamos indo além de agentes apenas estarem envolvidos na etapa de build para serem empregados em todo o ciclo de vida de desenvolvimento de software.

Perguntas em aberto

• Como definir com precisão políticas e limites (blast radius, permissões) para agentes em organizações com diferentes níveis de sensibilidade?
• Qual o balanço ideal entre automação (auto mode) e revisão humana para sistemas críticos?
• Como estruturar e versionar skills/agents.md de forma escalável em grandes empresas?
• Quais métricas e indicadores (além de DORA) são mais efetivos para medir ganho real ao incorporar agentes no SDLC?
• Como integrar essas práticas com infra e processos legados sem interromper entregas existentes?
• Que padrões mínimos de testes/evauations são necessários para confiar em mudanças automáticas geradas por agentes?

Acoes

• Originador: Usar um agente para entrevistar e gerar o arquivo intent.md e salvar na pasta intent/ (prazo: na criação de nova feature/bug)
• Originador: Revisar e corrigir o intent.md gerado pelo agente para garantir precisão e contexto (prazo: imediatamente após geração do intent.md)
• Product Owner: Triagem do backlog de intents: ordenar, atribuir tags (front-end, tamanho, prioridade) e aceitar/rejeitar intents (prazo: periodicamente / ao receber novas intents)
• Equipe (engenharia/automation): Criar um hook/skill para transformar intent.md em spec.md automaticamente, aplicando guias de estilo e políticas internas (prazo: após intent aprovado)
• Engenheiro: Alimentar intent.md + spec.md no Cloud Code/Cursor para gerar plan.md e dividir em tarefas executáveis (prazo: antes de iniciar implementação)
• Team Lead / Segurança: Definir políticas e permissões (agents.md, skills.md) — uso justo, fontes permitidas, pacotes, e blast radius para agentes (prazo: antes de ativar auto mode)
• DevOps / QA: Configurar hooks, linting e pipelines de teste automatizados para validar plan.md e PRs antes de merge (prazo: na configuração da CI/CD)
• Equipe de Machine Learning / Eng Ops: Incluir evals na CI para qualquer mudança de modelo ou skill para detectar regressões (prazo: a cada upgrade de modelo/skill)
• Engenharia de QA: Usar agentes com ferramentas de teste (PlayWrite/TestWrite, Cursor Browser) para testes end-to-end e gerar screenshots/artefatos (prazo: durante a fase de testes antes da revisão humana)
• Ops / Engenharia: Configurar monitoramento que acione agentes para diagnosticar logs e gerar intents de manutenção automaticamente (prazo: continuamente / ao detectar anomalias)
• Equipe de Infra/Armazenamento: Avaliar uso de uma solução agent-first para banco de dados (ex.: Neon) para facilitar branching e armazenamento de artefatos (prazo: ao projetar infraestrutura para fluxos com agentes)

Capitulos

• 00:00:00 - 00:00:45 | Introdução ao AI-native SDLC
  • Apresentação do documento da Anthropic e definição do SDLC tradicional versus o impacto dos agentes. Explica a ideia central de que o código deixou de ser o gargalo — o processo é.
• 00:00:45 - 00:01:29 | Como os agentes comprimem a etapa de build
  • Mostra como agentes reduziram o tempo do build e introduz o uso de agentes para coletar contexto via entrevistas sobre features e bugs. Exemplos de skills de descoberta são mencionados.
• 00:01:29 - 00:03:24 | Captura de intenção: intent.md e pasta intent
  • Explica a criação do arquivo intent.md, como salvá‑lo na pasta intent e o processo de revisão conjunta entre originador e agente. Destaca a importância da padronização de artefatos.
• 00:03:24 - 00:04:44 | Quem pode originar intenções e organização do backlog
  • Define o papel do originador (qualquer pessoa) e como as intents são organizadas em backlog; também aborda triagem automática por agentes e tags de priorização.
• 00:04:44 - 00:05:58 | Gerar specs automaticamente e governança
  • Sugestão de transformar intents em spec.md automaticamente via prompts/skills, com aplicação de guias de estilo, políticas e controles (agents.md, skills.md) para governança.
• 00:05:58 - 00:06:58 | Patrocínio (Neon) e transição para o build
  • Intervalo patrocinado descrevendo a plataforma Neon e suas vantagens para workflows com agentes, seguido da transição para o modo de build do SDLC AI‑native.
• 00:06:58 - 00:09:14 | Modo de build: plan.md e handoff entre agentes
  • Como engenheiros usam intent+spec para gerar plan.md; recomendações para interrogá‑lo, dividir tarefas por arquivos/ordem, e o uso de sub‑agentes e work trees para execução paralela.
• 00:09:14 - 00:10:45 | Detalhes operacionais: riscos, provas e hooks
  • Indicações sobre critérios de sucesso, versionamento de artefatos, políticas para ambiente bloqueado, uso de auto mode, work trees e hooks para controlar ações de agentes.
• 00:10:45 - 00:12:21 | Fase de testes e avaliações contínuas
  • Descreve agentes escrevendo testes, linting, testes end‑to‑end (captura de telas/vídeos) e a aplicação de evals contínuos para validar mudanças em modelos e skills.
• 00:12:21 - 00:13:48 | Deploy, PRs e revisão assíncrona por agentes
  • Fluxo de pull requests gerados por agentes, revisão automática contra políticas de segurança/CI, comentários de agentes e gates de aprovação para deployment.
• 00:13:48 - 00:15:11 | Manutenção autônoma e ciclos reativos
  • Visão aspiracional de manutenção onde agentes detectam incidentes, geram intent.md a partir de logs e propõem correções antes do envolvimento humano. Métricas acionam agentes.
• 00:15:11 - 00:16:21 | Conclusão: adoção, flexibilidade e chamada à ação
  • Resumo de que não existe um único modelo ideal; recomenda manter humanos nas revisões críticas e experimentar abordagens. Convite para aprender mais no curso Switch Dimension.