TLDR;

Foram produzidas por agentes (modelos) — cerca de 1.500 poll requests geraram um codebase de mais de um milhão de linhas sem que humanos digitassem as linhas. Eles evitaram o entulho de instruções usando "progressive context shaping": um mapa curto e arquivos de progresso/planos atualizados que priorizam o estado atual sobre o histórico extenso. A direção é alterada mudando apenas o pequeno conjunto de instruções/estado corrente (progress file, logs de decisão ou plano curto) e, a cada chamada, reconstruindo uma mensagem de plano curta na frente do histórico para que a nova orientação alcance o trabalho ainda por fazer.

Resumo

Três engenheiros da OpenAI construíram um produto interno em uma fração do tempo humano, gerando um código de mais de um milhão de linhas sem digitação manual, mas enfrentaram o problema da gestão de contexto em execuções de agente longas — sessões de seis horas ou mais. O desafio é que um manual enorme de instruções envelhece e sobrecarrega o agente; a solução é manter um mapa curto e atualizável que direcione a execução para planos ativos, logs de decisão, documentos de design, mapa de arquitetura e avaliações de qualidade. Práticas similares surgiram na Anthropic e na ARISE: usar arquivos de progresso portáteis, handoffs estruturados e histórico de versões para que novas sessões retomem o estado atual, evitem becos sem saída e priorizem o estado corrente sobre regras antigas. O autor chama isso de "progressive context shaping": iniciar com um bom prompt que defina metas e limites, mas atualizar continuamente o pequeno conjunto de instruções que governa o próximo passo à medida que o trabalho gera evidências. Em suma, agentes mais capazes ampliam tanto o alcance quanto o risco, e o gerenciamento dinâmico do estado é essencial para conduzir projetos ambiciosos sem perder controle, e mantendo supervisão humana atenta sempre.