Qual é a melhor linguagem de programação para agentes de codificação?
Escolher a “melhor” linguagem de programação para agentes de codificação com IA acaba sendo menos uma questão de eficiência bruta de tokens e mais de correção, ferramentas e convenções do ecossistema. Comentários comparam Python, JavaScript, Go, Rust, Ada, C#, Elixir e outras, observando que tipagem estática, compiladores fortes e bibliotecas “batteries-included” podem ajudar os agentes a se autocorrigir, enquanto ecossistemas muito populares, mas pouco estruturados, podem incentivar código confuso ou frágil. O consenso emergente é que os LLMs modernos têm desempenho semelhante em muitas linguagens, então a escolha mais prática costuma ser aquela com boas ferramentas e padrões claros que o mantenedor humano já conhece bem.
Conclusão geral
- Muitos comentaristas leem os resultados como: o desempenho dos modelos é semelhante entre as principais linguagens; a escolha da linguagem importa menos do que se costuma dizer, pelo menos para correção por si só.
- Outros argumentam que o benchmark ignora o que realmente importa na prática: manutenibilidade, ferramentas e ecossistema.
Desempenho das linguagens e correção
- Várias pessoas destacam que os benchmarks, na prática, coroam Python e JavaScript como as melhores para agentes, embora algumas sintam que o artigo minimiza isso.
- Outros argumentam que Go, Rust, C# e C++ funcionam muito bem com agentes, especialmente quando os modelos são instruídos a evitar recursos “perigosos” ou magia reflexiva.
- Há resistência a superinterpretar um único estudo; alguns observam grande variação entre execuções e problemas idiossincráticos do ecossistema.
Tipagem estática vs dinâmica e ferramentas
- A opinião forte é que tipagem estática rigorosa, bons compiladores e analisadores (Rust, Go, Ada, OCaml, Python tipado, TypeScript, C#) dão melhores ciclos de feedback para agentes e reduzem falhas silenciosas.
- Contraponto: linguagens dinâmicas como Python e JS continuam sendo altamente eficazes, especialmente com verificadores de tipo, linters e suites de testes.
Ecossistema, bibliotecas e “uma única forma de fazer”
- Linguagens com uma “única forma óbvia” e bibliotecas padrão fortes (Go, .NET, Django dentro de Python, Dart/Flutter, stacks de TypeScript) são vistas como particularmente amigáveis para agentes.
- Ecossistemas “batteries included” e bibliotecas curadas reduzem a necessidade de os agentes escolherem dependências de terceiros, estreitando o espaço de busca.
Linguagens de nicho e funcionais
- Experiências mistas com linguagens de nicho ou funcionais: alguns relatam resultados excelentes em Gleam, Lustre, Odin, Roc, OCaml, Ada; outros acham que os modelos alucinam recursos ou têm dificuldade.
- O tamanho dos dados de treinamento importa, mas não é निर्णante; simplicidade da linguagem, estabilidade e ferramentas também influenciam os resultados.
Eficiência de tokens vs custo real
- Vários comentários argumentam que sintaxe compacta em tokens é uma otimização local; a maioria dos tokens vai para raciocínio, orquestração e retries, não para o tamanho bruto do código.
- Estudos e relatos anedóticos sugerem que as diferenças de tokens entre linguagens são modestas; arquitetura, testabilidade e componentização da base de código muitas vezes dominam.
Desvio sobre o estilo do blog
- Um subfio considerável debate o estilo minimalista do artigo: alguns gostam da estética sem excessos; outros acham difícil de ler e argumentam que os usuários não deveriam precisar fornecer seu próprio CSS ou depender do modo de leitura.