Paralelismo com segurança: a receita do Open Mercato
Um dos blocos da transmissão oficial do AI Coding Summit NYC 2026 trouxe um relato prático de como escalar o uso de agentes de codificação em um projeto real e "horizontalmente largo", com módulos como WMS, Catalog e Customers. O ponto de partida foi um problema comum a quem tenta rodar múltiplos agentes ao mesmo tempo: eles precisam trabalhar em paralelo sem pisar uns nos outros.
A solução combinou worktrees e subagentes com ambientes efêmeros construídos sobre testcontainers, scripts de gerenciamento de porta e banco de dados isolado por instância. Na prática, isso permite rodar até 15 instâncias paralelas da aplicação, cada uma operada por um agente diferente, fazendo QA e testes de integração de forma isolada — e depois descartando tudo.
Para orquestrar essas tarefas paralelas, no palco foi apresentada uma ferramenta chamada Caesar, descrita como um "Agent Development Environment" (ADE) e coding agent paralelo, agnóstico de harness (funciona com Codex, Claude Code, Open Code, entre outros). Segundo o palestrante:
"This is super cool. I'm using it very heavily, like dozens of tasks at the same moment of time."
Caesar cuida da alocação de memória e CPU, faz handoffs quando o servidor reinicia e retoma tarefas automaticamente. O projeto pode ser testado sem instalação, via npx caesar.run, bastando ter um harness autorizado.
O "safety net" por trás do auto-merge
Escalar agentes em paralelo só é seguro, segundo o palestrante, com uma rede de testes robusta: mais de 12.000 testes unitários e cerca de 4.000 testes end-to-end, todos rodando em CI a cada pull request — seja ela aberta por humano ou por agente.
"So when CI is green, you can merge."
Essa é a base para o auto-merge que vem sendo divulgado em redes sociais como "centenas de PRs fechados automaticamente": só funciona, segundo o palestrante, quando há essa rede de segurança por trás.
Contexto dinâmico em vez de instruções estáticas
A parte mais conceitual do bloco tratou de gestão de contexto para agentes em projetos grandes. Em vez de depender só de instruções fixas, o time passou a classificar cada prompt de usuário em três eixos: área de propriedade (qual módulo), unidade de trabalho (entidade, página, componente) e modo de entrega (interativo ou autônomo). Isso é combinado com "module facts" — arquivos JSON gerados automaticamente por cada módulo, descrevendo seus pontos de extensão, endpoints de API e eventos.
O palestrante também comentou, de forma um tanto confusa na gravação, que um conjunto de mais de 200 casos de teste de harness, otimizado para um modelo específico, teve desempenho pior ao ser trocado para outro — um lembrete de que otimizações feitas para um LLM nem sempre se transferem para outro.
Da web para o mobile: o próximo desafio
O bloco seguinte, já com outro palestrante no palco, mudou o foco para como aplicar esse mesmo ciclo de desenvolvimento assistido por agentes (ADLC) fora da web. A diferença logo na largada:
"On the web you open a new URL, and on mobile you install and you launch the app."
No mobile, cada verificação exige simulador ou dispositivo real, versões diferentes de SO e, no caso do iOS, infraestrutura mais cara — rodar em runners macOS hospedados funciona, mas é mais lento e caro, o que encarece o próprio loop de feedback dos agentes.
Para quem no Brasil já testa agentes de codificação em produção, os dois recados práticos do bloco são claros: paralelismo sem rede de testes é perigoso, e levar agentes para mobile exige repensar infraestrutura de verificação desde o início.






