KA 04 - Construção de Software na Era dos LLMs¶

Introdução¶

A construção de software, tradicionalmente compreendida como o processo de transformação de especificações em código executável, atravessa uma transformação sem precedentes. O advento dos Large Language Models (LLMs) não representa mera evolução incremental das ferramentas de desenvolvimento; configura uma reconfiguração fundamental dos pressupostos sobre os quais a engenharia de software foi edificada ao longo de décadas.

Este Knowledge Area (KA) do SWEBOK-AI examina como a construção de software está sendo reinventada na era dos modelos de linguagem de grande escala, abordando desde fundamentos conceituais até práticas operacionais, ferramentas, qualidade e tendências futuras.

!!! warning "Nota sobre a velocidade de mudança" O campo de desenvolvimento assistido por IA evolui em ritmo acelerado. Recursos, ferramentas e capacidades mencionados neste KA refletem o estado da arte em fevereiro de 2025. Recomenda-se revisão periódica deste conteúdo (a cada 6-12 meses) para manter-se atualizado sobre novas capacidades e melhores práticas.

Estrutura do KA¶

Este Knowledge Area está organizado em seis seções principais:

Seção 1: Fundamentos da Construção na Era dos LLMs¶

Estabelece os fundamentos conceituais da nova realidade, examinando a evolução histórica que nos trouxe até aqui, articulando o paradigma shift em curso e definindo o papel transformado do desenvolvedor na engenharia de software contemporânea.

Tópicos principais:

Evolução do SWEBOK tradicional à era dos LLMs
Linha do tempo da revolução (2021-2025)
Commodity e capital redefinidos
O novo papel do desenvolvedor: de escritor a curador de contexto

Seção 2: Ferramentas e Plataformas Modernas¶

Analisa o ecossistema de ferramentas de desenvolvimento assistido por Inteligência Artificial, suas arquiteturas, capacidades distintivas e trade-offs operacionais.

Tópicos principais:

GitHub Copilot (autocomplete, chat, Agent Mode, Coding Agent)
Amazon CodeWhisperer e Amazon Q Developer
Cursor (multi-threading de contexto)
Claude Code (segurança e previsibilidade)
Critérios de seleção de ferramentas

Seção 3: Prompt Engineering e Context-Driven Development¶

Detalha as técnicas de engenharia de prompt e o paradigma do Context-Driven Development, estabelecendo práticas essenciais para desenvolvedores que trabalham com assistentes de IA.

Tópicos principais:

Fundamentos de prompt engineering
Padrões de prompts para código
Context-Driven Development
Estratégias de RAG e memória
Anti-padrões e armadilhas

Seção 4: Qualidade, Revisão e Governança¶

Aborda os desafios de garantir qualidade em código gerado por IA, os frameworks de governança emergentes e as práticas de revisão adaptadas a este novo paradigma.

Tópicos principais:

Qualidade do código na era dos LLMs
Riscos e mitigações
Frameworks ISO/IEC 42001 e NIST AI RMF
Code review na era dos LLMs
Testes e validação

Seção 5: Workflows Automatizados e Continuous Construction¶

Explora como organizações estão implementando agentes autônomos em pipelines de integração contínua, automatizando Pull Requests, gerando testes automaticamente e estabelecendo padrões de Continuous Construction.

Tópicos principais:

Agentes autônomos em pipelines CI/CD
Automação de Pull Requests
Testes gerados automaticamente
Padrões de Continuous Construction
Integração com DevOps

Seção 6: Considerações Práticas e Tendências Futuras¶

Consolida reflexões práticas sobre adoção, formação e governança, ao mesmo tempo em que projeta cenários futuros baseados em tendências tecnológicas e regulatórias identificadas.

Tópicos principais:

Considerações de curto prazo (2025-2026)
Tendências de médio prazo (2027-2030)
Visão de longo prazo (2030+)
Questões abertas e desafios
Preparação para o futuro

Princípio Diretor¶

"O código tornou-se commodity; o contexto tornou-se capital."

Esta afirmação orienta todo o conteúdo deste KA. No paradigma tradicional, codificar era o cerne do trabalho do desenvolvedor. Na era dos LLMs, quando um modelo pode gerar, em segundos, implementações que antes demandariam horas de trabalho manual, o valor migrou da capacidade de escrita para a habilidade de especificar, contextualizar e validar.

Relacionamento com Outros KAs¶

Este Knowledge Area se relaciona diretamente com:

KA 02 - Arquitetura de Software: Decisões arquiteturais que afetam como código é gerado e integrado
KA 03 - Design de Software: Padrões de design e especificações que servem de contexto para geração
KA 05 - Testes de Software: Validação de código gerado por IA
KA 08 - Gerenciamento de Configuração: Versionamento de código e prompts
KA 12 - Qualidade de Software: Garantia de qualidade em código gerado
KA 13 - Segurança: Vulnerabilidades em código gerado por IA

Público-Alvo¶

Este KA destina-se a:

Desenvolvedores que buscam compreender como integrar ferramentas de IA em seu workflow
Arquitetos de Software que precisam considerar implicações arquiteturais da geração automática de código
Líderes Técnicos responsáveis por estabelecer políticas de uso de IA em suas equipes
Professores e Pesquisadores que acompanham a evolução da engenharia de software
Estudantes que estão ingressando na profissão neste momento de transição

Como Usar Este KA¶

As seções foram projetadas para serem lidas sequencialmente, mas podem ser consultadas independentemente conforme a necessidade:

Para fundamentação conceitual: Comece pela Seção 1
Para escolha de ferramentas: Consulte a Seção 2
Para técnicas práticas: Foque na Seção 3
Para governança e qualidade: Priorize a Seção 4
Para automação de pipelines: Veja a Seção 5
Para planejamento estratégico: Leia a Seção 6

Referências Principais¶

IEEE Computer Society. SWEBOK® Guide V3.0. 2014.
GitHub Blog. Research: Quantifying GitHub Copilot's impact on code quality. 2024.
Fowler, M. Context Engineering for Coding Agents. 2024.
ISO/IEC 42001:2023. Information technology — Artificial intelligence — Management system.
Humble, J.; Farley, D. Continuous Delivery: Reliable Software Releases. 2010.

Última atualização: Fevereiro 2025\ Versão: 1.0\ Modelo: SWEBOK-AI v5.0