Agente de IA vigia deploys em vez de gates rígidos

O problema dos deploys e a resposta tradicional

Deploys são o momento em que coisas quebram, e adiar deploys só torna o próximo maior. A resposta convencional é entrega contínua (CD) com canários, ondas e sistemas automatizados de detecção funcionando como gates. Canários e ondas são fáceis de implementar, mas sistemas de detecção automatizados são difíceis: existe um número indefinido de coisas que podem dar errado, e não detectar uma delas derruba o sistema. Essa assimetria é a mesma que torna deploys assustadores em primeiro lugar. O resultado histórico é que CD acaba sendo adiado, humanos supervisionam deploys manualmente, deploys acontecem com pouca frequência e o ciclo de ineficiência e medo se perpetua.

Por que o problema tem o formato certo para um agente

O autor argumenta que esse cenário tem exatamente o formato adequado para um agente de IA em vez de código tradicional: muitos dados ricos disponíveis, uma cauda longa de estados possíveis e relativamente poucas execuções (algumas por dia, não centenas de requisições por segundo). Com inteligência disponível sob demanda, faz sentido usá-la para essa tarefa.

Como funciona na prática

Na exe.dev, um agente chamado Athena supervisiona os deploys. Athena integra um sistema interno chamado exe-ops, descrito como um centro de comando de deploys. A equipe começou com scripts de shell e está construindo uma interface própria a partir deles, em vez de migrar para ferramentas como Spinnaker. O bot tem acesso de leitura a git, métricas e logs. Em cada etapa, ele decide se deve prosseguir, quais máquinas devem estar na próxima onda, e pode escalar para um humano, pausar um deploy ou recusar-se a iniciar um se considerar inadequado. A comunicação é feita por mensagens no Slack.

Resultados e ressalvas

O autor descreve Athena como diligente e criterioso: lê os diffs, analisa logs, verifica problemas imprevistos, se autocorrige diante de situações estranhas e reporta como tornar execuções futuras mais fluidas. Ele reconhece que, em teoria, poderia supervisionar deploys melhor que o agente, mas argumenta que a pergunta relevante não é "eu poderia fazer melhor?" e sim "eu de fato vou fazer melhor?". Na prática, Athena faz um trabalho muito melhor do que ele realmente faria, permitindo que ele direcione a atenção para outras coisas até que algo exija intervenção humana. Com deploys mais frequentes, essas intervenções se tornam mais raras e menores.