TLDR;

Agentic coding é o uso de agentes (LLMs com um "harness" ou scaffolding) para gerar software, e o conteúdo argumenta que muito do hype é enganoso porque essas camadas externas frequentemente não agregam valor e podem até prejudicar o resultado. Um paper da EPFL e da Apple mostrou que um agente simples (Malena), com apenas sistema de arquivos e shell, superou sistemas com harnesses sofisticados nas mesmas condições, indicando que mais complexidade raramente melhora desempenho. Além disso, agentes complexos consomem muitos tokens, tendem a produzir código mais fraco e podem degradar as habilidades dos desenvolvedores, então a promessa de que o harness é a verdadeira fonte de valor não se sustenta.

Resumo

O vídeo critica o hype em torno dos "agents" — sistemas que prometem agir autonomamente e resolver problemas complexos — argumentando que eles são, na verdade, algoritmos de predição de tokens com uma camada de código em volta, e que o aumento de complexidade do "harness" (ou "scaffolding") muitas vezes não melhora e pode até piorar os resultados. Pesquisadores da EPFL e da Apple testaram quatro agentes com diferentes níveis de scaffolding em uma tarefa difícil de aprendizado de máquina autônomo, usando o mesmo hardware e tempo. Surpreendentemente, um agente básico chamado Malena, equipado apenas com sistema de arquivos e shell e três ferramentas simples, venceu a maioria das vezes; as implementações elaboradas raramente superaram 50%. Ao desmontar as camadas do scaffolding, descobriram que a maior contribuição vinha justamente de dar ao modelo acesso a arquivos e à capacidade de rodar código para ler erros; funcionalidades adicionais, como bibliotecas de skills, validações e delegação entre sub-agentes, não trouxeram ganhos estatísticos e até diminuíram a performance. A conclusão é que boa parte da engenhosidade em torno de agentes pode ser superestimada, consumindo tokens e degradando código e habilidades humanas, e que o limite dessa tecnologia pode já ter sido alcançado.