Carregando
Plano de 30 dias com atividades diárias para sair do zero e chegar ao nível de dev que usa IA para multiplicar sua produtividade — sem enrolação e sem pular etapas.
Roadmap para Dev que Quer Dominar AI Coding. Plano de 30 dias com atividades diárias para sair do zero e chegar ao nível de dev que usa IA para multiplicar sua produtividade — sem enrolação e sem pular etapas.
A maioria das pessoas pula a semana 1 e vai direto instalar ferramentas. Erro. Antes de usar qualquer ferramenta, você precisa entender o modelo mental correto de como IA de código funciona — porque vai mudar completamente a forma que você escreve prompts e interpreta resultados.
IA de código é um modelo de linguagem que foi treinado em enorme quantidade de código e aprende a prever o próximo token mais provável dado um contexto. Não tem compreensão no sentido humano. Não tem memória de sessões anteriores. Não sabe o que o cliente quer. Não tem acesso ao estado da sua aplicação em execução. Quando você entende isso, você para de fazer perguntas vagas e começa a fornecer contexto preciso — o que transforma radicalmente a qualidade das respostas.
Dia 1: instale o Cursor e configure o plano Free. Leia o arquivo .cursorrules de template — tem vários no GitHub. Crie um para um projeto seu: define o stack, as convenções, o idioma preferido das respostas. Passe 1 hora só lendo a documentação do Cursor, especialmente as seções de Chat, Edit e Agent Mode. Não code ainda. Só leia.
Dia 2: instale o Claude Code via npm com `npm install -g @anthropic-ai/claude-code`. Configure a ANTHROPIC_API_KEY. Rode `claude` em um projeto existente seu e peça uma análise da arquitetura. Não peça pra escrever código ainda. Peça pra explicar o que o projeto faz, quais são os pontos de melhoria que ele identifica, qual é a estrutura de diretórios. Isso vai te mostrar o nível de contexto que o Claude consegue absorver.
Dia 3 e 4: foque em prompt engineering para código. O exercício prático: pegue uma tarefa que você faria normalmente em 30 minutos. Escreva três versões do prompt pra IA resolver — uma vaga, uma média e uma específica. Compare os resultados. Você vai ver a diferença entre 'cria uma função de validação' e 'cria uma função TypeScript que valida um email usando regex, retorna um objeto com campos valid (boolean) e error (string | undefined), e trata os casos de string vazia, null e formato inválido'. A segunda versão gera código que você pode usar direto. A primeira gera código que você vai jogar fora.
Dia 5: pratique o loop de iteração. Pegue um componente ou função que não está perfeita no seu projeto. Use o Cursor para melhorá-la em 3 iterações: na primeira peça a melhoria geral, na segunda peça algo específico que ainda falta, na terceira peça ajustes finos. Observe como o contexto acumula dentro da sessão de chat e como as respostas ficam mais precisas com cada rodada.
Galera, semana 2 é onde a maioria dos devs começa a sentir o clique. Com o modelo mental correto da semana 1, os prompts começam a fazer mais sentido e os resultados ficam mais consistentes. O foco agora é desenvolver vocabulário e padrões de prompt que você vai usar todo dia.
O padrão Contexto-Tarefa-Restrições é o mais útil: você sempre começa descrevendo o contexto técnico relevante, depois define claramente a tarefa, depois lista as restrições e convenções. 'Contexto: componente React que usa React Hook Form com validação Zod. Tarefa: adiciona um campo de telefone com máscara de formato brasileiro. Restrições: usa a biblioteca react-input-mask que já está no projeto, mantém TypeScript strict, não quebra os testes existentes.' Três partes, resultado preciso.
O padrão Diagnóstico-Antes-de-Agir é para debugging e refactoring: você pede pra IA primeiro explicar o problema ou analisar o código antes de propor solução. 'Antes de sugerir qualquer mudança, explica o que esse código está fazendo, quais são os possíveis problemas e por quê você os consideraria problemas.' Isso evita que a IA pule pra uma solução errada e te dá uma base para avaliar se a análise faz sentido.
O padrão Explica-Enquanto-Implementa é para aprendizado: 'Implementa X e vai explicando as decisões importantes conforme avança — por que escolheu essa estrutura de dados, por que esse padrão de código, que edge cases está tratando.' Você aprende enquanto o código é gerado, não depois.
Cada sessão de chat tem um limite de tokens — o contexto vai sendo consumido à medida que você adiciona mensagens. Quando o contexto fica cheio, a IA começa a 'esquecer' as mensagens mais antigas da conversa. Para sessões longas, isso causa respostas cada vez piores conforme o contexto fica degradado.
A prática correta: sessões focadas para tarefas específicas. Não tente resolver tudo em uma mega sessão. Abra uma sessão para o bug do endpoint de autenticação, resolva, fecha. Abre outra para o refactor do componente de formulário. Cada sessão começa com contexto limpo e os melhores resultados vêm das primeiras mensagens de cada sessão.
Use o @ no Cursor para injetar contexto específico: @arquivo, @pasta, @codebase. Isso é mais eficiente que descrever o contexto em palavras — você manda o arquivo real e a IA lê diretamente. Para o Claude Code, a abordagem equivalente é garantir que você está rodando o comando no diretório raiz do projeto e referenciando caminhos relativos nos seus prompts.
Com dois semanas de fundamentos, você já tem musculatura para os workflows que realmente separam devs produtivos de devs mediocres com IA. Semana 3 é sobre integrar IA de forma profunda no ciclo de trabalho — não como ferramenta isolada, mas como colaborador contínuo.
Edição de múltiplos arquivos é onde o Agent Mode do Cursor e o Claude Code brilham. A prática da semana 3 começa aqui: identifique uma mudança no seu projeto que afeta 3 ou mais arquivos — uma renomeação de entidade, uma mudança de interface, uma adição de campo em um model com seus reflexos. Dê essa tarefa para o agente e observe como ele planeja e executa.
O que você vai aprender: como descrever mudanças com efeito cascata, como aprovar diffs de forma eficiente quando múltiplos arquivos mudam ao mesmo tempo, e quais tipos de mudanças o agente consegue rastrear bem versus quais ele perde quando a base de código é complexa. Esse conhecimento prático é mais valioso que qualquer tutorial.
Na semana 3, escolha um arquivo ou módulo do seu projeto que você sabe que precisa de refactor mas adiou por ser trabalhoso. Execute o refactor com IA em etapas: primeiro peça uma análise dos problemas, depois peça um plano de refactor, depois execute cada etapa do plano separadamente. Essa abordagem em etapas é mais confiável do que pedir 'refatora tudo de uma vez' — você mantém controle e pode redirecionar se algo não estiver certo.
Um exercício específico que recomendo: encontre código com useEffect+fetch que poderia ser React Query ou SWR. Peça ao Cursor para refatorar a solução usando TanStack Query. Acompanhe como ele transforma o padrão, como trata o loading state e o error state, e se mantém a mesma interface de props. Depois revise o resultado e corrija manualmente o que não estiver certo. Esse ciclo de gerar-revisar-corrigir é o core do AI-assisted coding.
Na semana 3, passe um dia inteiro usando IA como primeiro recurso para qualquer bug que aparecer. Antes de ir para o Stack Overflow, antes de adicionar console.log, manda o erro para o Claude com contexto: o stack trace completo, o código onde o erro acontece e o código que chama. Veja quantas vezes ele acerta de primeira versus quantas ele erra.
O aprendizado aqui não é só 'IA resolve bugs' — é desenvolver a habilidade de formular problemas de forma clara. A clareza que você desenvolve para descrever bugs para a IA vai melhorar também suas habilidades de debugging manual. Você começa a pensar mais estruturadamente sobre o problema antes de sair adicionando logs no escuro.
Semana 4 é sobre multiplicar o impacto do que você aprendeu. Você já sabe usar IA para escrever código — agora vai usar IA para automatizar partes do ciclo de desenvolvimento que você ainda faz manualmente.
Projeto 1 da semana: configure code review automático com IA no seu repositório. Você tem o guia completo em /2026/automatizar-code-review-com-ia. Mesmo que você seja dev solo, ter um reviewer automático que comenta nos seus PRs antes de você fazer merge é uma rede de segurança valiosa e barata.
Projeto 2: automatize a geração de testes para novas funções. Configure um script ou workflow que, quando você cria uma nova função utilitária, sugere automaticamente casos de teste. Pode ser simples — um script Node que lê o arquivo e chama a Claude API pedindo casos de teste — mas a prática de criar automações que amplificam seu trabalho é o hábito central de quem trabalha bem com IA.
Projeto 3: crie um script de análise de qualidade de código que você roda periodicamente na base. Ele usa a Claude API para identificar padrões problemáticos — funções muito longas, duplicação de lógica, dependências circulares — e gera um relatório com sugestões priorizadas. Isso vai além do ESLint, que só vê regras sintáticas, e chega em problemas de arquitetura e design.
Semana 1 — setup e fundamentos: Cursor (plano gratuito), Claude Code (API key com créditos iniciais que a Anthropic oferece), GitHub Copilot (trial de 30 dias). Foco: exploração, não produção. Você não está aqui pra ser rápido ainda — está aqui pra entender.
Semana 2 — prompt engineering: Cursor Pro ($20/mês — vale investir agora). Um projeto real do trabalho ou pessoal que você usa como campo de prática. Não pratique com toy projects — use código real que você já conhece. A familiaridade com o contexto vai te ajudar a avaliar se os resultados fazem sentido.
Semana 3 — workflows avançados: Cursor Pro + Claude Code créditos. Para esse nível, o plano gratuito do Cursor já vai estar travando você. O Agent Mode com modelos premium é o que você precisa para multi-file editing real. Claude Code para tarefas maiores de refactor.
Semana 4 — automatizações: Claude API key para os scripts (orçamento sugerido: $20-30 para a semana de experimentos). GitHub Actions no repositório do trabalho ou pessoal para os workflows de automação. O objetivo é sair dessa semana com pelo menos uma automação funcionando em produção.
A métrica mais simples: tempo para completar uma tarefa de complexidade conhecida. Pegue uma feature de complexidade média que você já fez antes — um CRUD com validação, uma integração de API simples — e meça quanto tempo leva com e sem IA. Se ao final da semana 2 você não está pelo menos 30% mais rápido nessas tarefas, você está fazendo algo errado no processo.
Ao final da semana 3, uma boa referência: você deveria conseguir fazer um refactor de componente de 150 linhas com testes em menos de 20 minutos. Antes das ferramentas de IA, esse tipo de tarefa levava de 1 a 2 horas em média. Não porque era difícil — era lenta. IA elimina a lentidão, não a dificuldade.
A métrica qualitativa mais importante: você está revisando o código que a IA gera e entendendo cada decisão? Se sim, está no caminho certo. Se você está aceitando código sem ler, vai rápido por um tempo e depois vai ter problemas difíceis de diagnosticar. AI-assisted coding que funciona no longo prazo é aquele onde você mantém o controle técnico — a IA multiplica sua velocidade, não substitui seu julgamento.
O panorama completo de como AI coding está transformando o desenvolvimento de software está em /2025/agile-coding-is-here-90-ai-cod. Esse roadmap de 30 dias te coloca no conjunto de devs que estão liderando essa transformação — não esperando ela passar por cima.
Dia 6: tente fazer algo que IA não faz bem. Peça pra IA inventar uma solução para um problema de negócio que você não explicou. Peça pra ela 'adivinhar' o contexto que você não forneceu. Veja como ela alucina, inventa bibliotecas que não existem, gera código que compila mas não faz o que você precisa. Aprender os limites é tão importante quanto aprender o poder.
Dia 7: reflexão da semana. Anote: quais tipos de tarefa a IA fez bem, quais fez mal, o que você precisou fazer manualmente. Esse mapa pessoal de quando confiar e quando questionar é o ativo mais valioso que você vai construir nessas primeiras semanas.