O autor desenvolveu um sistema RAG auto-aprimorável para Claude Code, visando resolver a repetição de erros de depuração devido à falta de memória da ferramenta entre sessões. A solução permite que o Claude Code aprenda continuamente com cada sessão, superando sua limitação de iniciar do zero.
The article explains how to identify when AI coding agents like Claude Code or Codex are burning tokens on inefficient work. Signs include repeated edits of the same few files or a quick climb in tokens with a small code diff, suggesting the need for smaller, more focused tasks for the agent.
This article details the challenges of monitoring multi-agent AI systems, where failures occur at the decision layer despite healthy infrastructure. The author explains how Langfuse was used to trace every agent execution, providing deep visibility into tool calls, payloads, and token usage to identify issues.
This article explores the reasons why OpenClaw agents might fail or behave unpredictably mid-session. It also discusses the necessary measures and strategies to identify and fix these stability issues.
O autor compartilha sua experiência inicial ineficaz com o uso da IA Claude no desenvolvimento, gastando muitos tokens e entregando poucas funcionalidades significativas. Ele critica a abordagem reativa de tratar a IA como um Stack Overflow conversacional, resultando em desvio de contexto e soluções alucinadas.