Canônico
Aqui pensando em gramática e jeito de escrever o que fazemos em software. Em desenvolvimento de software escrever com padrão sempre foi algo importante e diria que quase obrigatório para uma equipe com pensamento de longo prazo. Em diferentes aspectos, não só na formatação do código fonte, mas também como nomear variáveis e diferentes estruturas nomeadas em um código, como testes automatizados e também de modelo de dados. Em desenvolvimento de software nos dias atuais, pensar em como fazemos descoberta de um determinado problema e como fazemos construção. No caso de descoberta o que existe de entrada? Documentações, reuniões com clientes (transcrições e desenhos), algum tipo de manual de apoio, relatórios e outras regras de negócio que podem ser usadas como base. E no caso de entrega, todo
Aqui pensando em gramática e jeito de escrever o que fazemos em software.
Em desenvolvimento de software escrever com padrão sempre foi algo importante e diria que quase obrigatório para uma equipe com pensamento de longo prazo.
Em diferentes aspectos, não só na formatação do código fonte, mas também como nomear variáveis e diferentes estruturas nomeadas em um código, como testes automatizados e também de modelo de dados.
Em desenvolvimento de software nos dias atuais, pensar em como fazemos descoberta de um determinado problema e como fazemos construção. No caso de descoberta o que existe de entrada? Documentações, reuniões com clientes (transcrições e desenhos), algum tipo de manual de apoio, relatórios e outras regras de negócio que podem ser usadas como base. E no caso de entrega, todos os padrões que podemos estabelecer para fazer um código fácil de ler, testável e fácil de dar manutenção.
O canônico neste contexto falo sobre construção que acontece conforme normas mais habituais de uma gramática. Tipo existe um jeito fácil de operar e ser. Existem convenções onde tudo flui. Podemos fazer diferente, mas vai gerar mais trabalho.
Manutenção, testabilidade e documentação se tornam informações importantes para atuar com agentes de inteligência artificial. A forma de construção de software vai ser executada conforme padrões já definidos e testados anteriormente.
Estamos em um momento que posso remover o código criado e recriar a partir de uma especificação, sabendo que padrões e que ferramentas serão empregadas para resolver o problema. Se der errado, melhoro a especificação de agentes ou de padrões a serem usados, e construímos novamente.
O jogo mudou. E existe um jeito fluído de fazer acontecer. Ainda existem muitas opções e formas de criar esta padronização. E isso vai depender de equipe, estrutura de trabalho e padrões que desejamos ter.
-- Daniel Wildt
Sign in to highlight and annotate this article
Conversation starters
Daily AI Digest
Get the top 5 AI stories delivered to your inbox every morning.
More about
modelagent
Vectorless RAG: How I Built a RAG System Without Embeddings, Databases, or Vector Similarity
A journey from “vector similarity ≠ relevance” to building a reasoning-based RAG system that actually understands documents Photo by Becca Tapert on Unsplash Introduction Retrieval-Augmented Generation (RAG) has become a foundational pattern for building AI systems that can answer questions over private data. Traditionally, RAG relies on vector embeddings to retrieve relevant chunks of text, which are then passed to a language model for generation. However, as systems scale and use cases become more complex, a new paradigm is emerging: Vectorless RAG , also known as reasoning-based retrieval . Instead of relying on embeddings and similarity search, vectorless RAG navigates information like a human would — following structure, reasoning step-by-step, and dynamically deciding where to look n
Knowledge Map
Connected Articles — Knowledge Graph
This article is connected to other articles through shared AI topics and tags.
More in Models
Vectorless RAG: How I Built a RAG System Without Embeddings, Databases, or Vector Similarity
A journey from “vector similarity ≠ relevance” to building a reasoning-based RAG system that actually understands documents Photo by Becca Tapert on Unsplash Introduction Retrieval-Augmented Generation (RAG) has become a foundational pattern for building AI systems that can answer questions over private data. Traditionally, RAG relies on vector embeddings to retrieve relevant chunks of text, which are then passed to a language model for generation. However, as systems scale and use cases become more complex, a new paradigm is emerging: Vectorless RAG , also known as reasoning-based retrieval . Instead of relying on embeddings and similarity search, vectorless RAG navigates information like a human would — following structure, reasoning step-by-step, and dynamically deciding where to look n
Discussion
Sign in to join the discussion
No comments yet — be the first to share your thoughts!