近日中に多分ヤフオクで売りに出します🙃 YZF-R1 2025 黒 走行2200km弱(多少伸びるかも) [装着パーツ] MRAスクリーン(スモーク) GBracing二次カバーセット 純正OPコアガード TECHSPECタンクカバー(スネークスキン) babyface リアスタンドフック active フェンダーレス ※アクラ管は純正戻し予定。

Spent an hour using OpenCode with MiniMax m2.5 to implement a feature from a techspec Copilot created. The result was excellent and cost me $0.65. Don't sleep on open source models, especially the cheap ones.

I use techspec tank grips generally but add a bit of tape just to help in areas the luggage and myself come into contact with.

eu fiz uma entrevista recente, onde o teste técnico era pago. Cobrei 1k dol pra fazer uma techspec com AI, era um problema complexo, mas levei uns 3 dias (eu achei que ia levar 10) Justo? Cobraria mais?

To criando o conteúdo do curso de desenvolvimento com AI. O que eu fiz: pedi pro Claude me entrevistar, pra extrair meu conhecimento tácito, e analisar meus projetos. Ele descobriu que meu workflow tem: - Spec-driven radical: techspec é o ato central de engenharia. /code é execução mecânica de techspec aprovado, não lugar de decisão. - Calibração verde/amarelo/vermelho: operador classifica quando tem clareza. Amarelo é declaração de incerteza, dispara discovery raso do agente, que devolve classificação informada (verde ou vermelho), não decide sozinho que algo é simples. - Gate prévio ao /code valida techspec contra codebase: refs existem, schema bate, duplicação latente, deps mapeadas. Se falha, kickback pra spec , não "decidir durante implementação". - GitHub Projects é fonte de verdade do estado. Nada local. Discussion → PRD → epic → issue techspec → execução → ship vivem no board. - Regras são gates hard. Linted, validadas em build/CI. Não "agente lembrou". Pegou também: pondera-primeiro basal (challenge multi-perspectiva interno, sem opt-in), texto livre conversacional como entrada (não slash command), skills auxiliares com auto-trigger, modo solo/team coexistentes desde o desenho (mesmo pipeline cognitivo, fase de entrega parametrizada). É o detalhamento do que eu expliquei no post abaixo

Thanks for flagging! Confirming we properly updated to reflect our Store and TechSpec pages.

Não disse que aprendi Go, você tá confundindo aprender vocabulário com aprender a linguagem, e ignora que o post inteiro é justamente sobre o processo que diferencia do vibe coding. No "quase virei": quase = não virei. A palavra já diz que não rolou. Cogitaram, não ofereceram. Tá no texto. Nos outros dois: o post inteiro é literalmente sobre por que NÃO foi só "terceirizar pra IA". Crash course, skills, techspec, TDD faseado, ADRs. Se isso é "usar o Claude como deveria", concordo completamente. Mas a maioria não usa assim, e esse é o ponto.

Semanas atrás, contei que fiz um teste técnico em Go sem saber Go, e quase virei Tech Lead Go em uma das maiores empresas LATAM. Agora, aqui tá o processo inteiro. Primeiro, o que aconteceu ANTES de eu abrir o repositório do teste. Eu não sabia nada de Go. Última vez que escrevi uma linha foi em 2015, era praticamente Hello World. Então antes de qualquer coisa, sentei com o Claude e fiz um crash course da linguagem. Sintaxe, concorrência, error handling, as diferenças fundamentais de TypeScript (meu mundo há 20 anos). Não pra virar expert em Go. Pra ter vocabulário suficiente pra saber se o que a AI ia gerar fazia sentido ou não. Depois, a decisão da linguagem. O teste era livre, qualquer linguagem. A lógica dizia pra usar TypeScript, minha zona de conforto. Mas confirmei com a recrutadora: o padrão da empresa era Go e Java em todos os times. Escolhi Go, porque entregar algo sólido numa linguagem desconhecida conta uma história mais forte do que entregar o óbvio na linguagem que domino. Aí veio a preparação de verdade. Tudo antes de escrever uma linha de código no projeto: 1. Criei um CLAUDE.md. O arquivo de contexto que a AI lê antes de qualquer tarefa. O que é o projeto, qual o stack, quais as restrições, e principalmente: o que o avaliador ia olhar. O enunciado dizia que error handling, testes e documentação eram critérios primários. Se a AI não sabe o que importa, ela otimiza pro que não importa. 2. Criei 6 skill files separados com a ajuda da AI. Eu não sabia Go, então pesquisei junto com o Claude: codigo idiomático, padrões de teste, data layer thread-safe, handlers HTTP, middleware, documentação, quality gate. Cada arquivo com padrões específicos de Go que a AI ia precisar. Não copiei de tutorial. Pesquisei, validei, iterei. A AI gerou rascunhos, eu revisei com olho de arquiteto. 3. Antes da techspec, mandei a AI fazer research. Primeiro, padrões de mercado pra esse tipo de API. Depois, como empresas grandes resolvem o mesmo problema. E depois, como a própria empresa resolvia isso na doc oficial. Tomamos alguma decisões e ai com isso, a AI gerou a techspec completa. Endpoints, domain model, dados realistas, contrato da API, e o por que que cada decisão foi tomada, e o mais importante: o que não entrou e o motivo. 4. Preparei os prompts de cada fase com antecedência. Nada improvisado. Cada fase tinha prompt dedicado, skill referenciado, e critério de validação antes de avançar. Testes primeiro (todos falhando), depois models, depois handlers, depois middleware, depois documentação, depois quality gate. (fiz dessa forma, em "cascata", pois era um projeto pequeno). 5. Documentação como parte do processo, não como afterthought. Cada decisão de arquitetura virou um ADR: por que usar store in-memory e não banco, por que flat package e não dividir em camadas, por que o endpoint de compare retorna status code por item. E mais importante: o que ficou de fora e por quê. Database real? Over-engineering pro escopo. Docker e CI? Não pediu. Auth? Não pediu. Pagination e sorting? Retorno marginal pro que estava sendo avaliado. Documentar o que você escolheu NÃO fazer mostra mais maturidade do que documentar o que fez, mostra que você conhece os trade-offs. 6. Quality gate no final. Formatação, análise estática, race detector, coverage acima de 70%, documentação em todo símbolo exportado. Checklist objetivo, não "roda e vê se funciona". O resultado: 35 testes passando, zero race condition, código que fez eles cogitarem uma vaga de Tech Lead em Go. Isso não foi vibe coding. Em nenhum momento eu disse "faz uma API em Go pra mim". Foram horas de preparação de contexto antes de pedir qualquer coisa. Crash course, pesquisa de padrões, documentos de contexto, skills técnicos, techspec baseada em research, prompts faseados. Cada prompt era cirúrgico, alimentado por documentos que eu dirigi. Cada commit contava uma história. A AI não sabe o que você quer se você não sabe explicar o que quer. E explicar bem exige experiência. 20 anos de arquitetura de software viraram os documentos que fizeram a AI entregar código de produção numa linguagem que eu não domino. É por isso que a barreira de código ainda não morreu.

Curating all edgecases, working on another techspec or reading book!

Construí um sistema de agentes que roda dentro do meu próprio repo pra me ajudar a codar mais rápido e com menos cagada. O mais doido: uso os agentes pra melhorar o sistema deles mesmos. Loop infinito de auto-melhoria. Aqui a estrutura real (print abaixo): - .agent/rules → padrões fixos que eu não quero esquecer nunca (coding-style, design-system, security, error-handling...) - .agent/skills → capacidades especializadas (conversion-tracking, testing, dogfood, server-actions...) - .agent/agents → os que disparam no GitHub em cada PR (architecture check, bugs hunt, security scan...) - .agent/specs → onde nasce o PRD/techspec x.com/brunobertolini/status/…

Esse é meu workflow com IA pra codar qualquer coisa: 1. RESEARCH: primeiro eu rodo pesquisa pra entender o que eu vou criar de fato, seja de mercado, seja de tech. 2. PRD: research vira um doc de negócio, com explicação dos casos de uso e motivação. Aqui, já entra o que preciso medir 3. TECHSPEC: com prd na mão, e contexto atual do sistema, mapeio todos os pontos de contato que a tarefa vai ter, arquivos, funções etc (as vezes tem uma etapa de research tecnico, pra entender melhores praticas e etc) 4. EXEC: aqui quebro a techspec em tarefas completas e executo uma a uma 5. QUALITY GATE: rodo em cima do que foi criado, pra saber se nao desviou do plano 6. TRACKING: focado apenas em tracking, saber o que o usuário fez no sistema (se for relevante, pro fluxo de analise de uso/conversão) 7. REVIEW: code review pra garantir que seguiu todas as diretrizes tecnicas (code paterns, arquitetura) 8. SEC: aqui eu busco por vulnerabilidades. Se acha alguma, pode ser que tenha que voltar pro passo 4. Depois de tudo isso, ainda tem outros 6 agentes de validação de cada etapa rodando no github nas PRs.

Love techspec

ＧＳ洗車してTECHSPECさんのタンクパッドを貼り付け。左右でミリ単位のズレが生じてしまったが気にならないレベルなのでヨシ。 腿ベルトするバッグとか露骨に傷つける位置をカバーできて満足♫ 固め素材なので浮いてこないか様子見開始

The harness and capability we’ve built at @CompozyAI for techspec is on another level, way better than any "plan mode" out there! 🙄 It’s way more efficient because we have focused executions, each one with its own set of subagents and system prompts.