Neste artigo
Aceleração de migração com Claude e Cursor
Esta semana, engenheiros da Datadog compartilharam detalhes sobre como utilizaram o Claude e o Cursor para automatizar a refatoração de um sistema crítico. O objetivo era substituir um modelo de armazenamento obsoleto por uma infraestrutura mais eficiente, utilizando um processo de desenvolvimento orientado a testes (TDD) para garantir a integridade dos dados em produção.
O Stream Router da Datadog, API responsável pelo roteamento de métricas, enfrentava limites severos em seu banco de dados chave-valor (KV). O sistema original exigia que o código reconstruísse relacionamentos complexos em memória, resultando em lentidão extrema, com operações chegando a 45 minutos devido a milhares de requisições sequenciais desnecessárias.
Desafios técnicos e a estratégia de refatoração
Para resolver o gargalo, a equipe redesenhou o esquema de banco de dados para suportar relacionamentos relacionais nativos, permitindo que chaves estrangeiras substituíssem a lógica de processamento em código. O desafio era realizar a transição do banco FoundationDB para PostgreSQL sem interromper o serviço em produção.
Abordagem test-driven com IA
A migração não foi realizada de forma autônoma pelas ferramentas de inteligência artificial. Os engenheiros da Datadog forneciam a implementação antiga, o novo esquema de dados e um teste unitário falhando para cada método, permitindo que o Claude sugerisse correções validadas imediatamente pela suíte de testes.
Pilares da confiança na IA
Três elementos foram cruciais para o sucesso desta migração assistida: modularidade de código, uma suíte de testes abrangente e infraestrutura paralela. A modularidade permitiu que o novo Stream Router implementasse a mesma API sobre PostgreSQL, enquanto a validação contínua comparou respostas de instâncias rodando lado a lado.
TDD com IA é uma estratégia onde testes automatizados servem como critério objetivo de sucesso para cada trecho de código gerado por modelos de linguagem, garantindo que a automação não comprometa a estabilidade do sistema.
Resultados e lições aprendidas
Após a conclusão, o tempo das operações caiu de 45 minutos para apenas um segundo. Além do ganho massivo em performance e redução de custos de banco de dados em 90%, a equipe observou uma simplificação significativa no tratamento de relacionamentos, provando que a IA é um catalisador quando integrada a processos de engenharia robustos.
Limitações de otimização de consultas
Wakim ressaltou que, embora o Claude fosse eficaz em refatorações, ele falhou em otimizações complexas como batching e expressões de tabela comum (CTE). Nesses casos, a intervenção humana foi essencial para evitar que a IA gerasse consultas com excesso de tráfego de rede, apesar de estarem tecnicamente corretas.
A adoção dessa estratégia reforça a importância de entender as ferramentas de auxílio, como explorado em como usar IA no dia a dia da programação. Ter uma base sólida é indispensável para revisar o que as IAs produzem.
FAQ
A IA escreveu o código de forma autônoma na Datadog?
Não. Os engenheiros utilizaram o Claude para gerar a lógica baseada em testes falhando e no esquema de dados, mantendo sempre o controle humano para revisar a arquitetura, validar resultados e aplicar otimizações complexas que o modelo não identificava sozinho.
Qual a importância dos testes na migração?
Os testes atuaram como a única fonte da verdade, servindo como critério de aceitação para o código gerado. Sem uma suíte de testes abrangente, a equipe não teria a confiança necessária para migrar um sistema tão crítico entre diferentes tecnologias de armazenamento.
O que foi necessário otimizar manualmente?
A equipe precisou otimizar manualmente consultas SQL complexas, implementando estratégias como batching e uso de UNNEST. O Claude gerava consultas que funcionavam, mas eram ineficientes, realizando mais requisições do que o necessário para completar a tarefa solicitada.