Mabl anuncia atualizações para Agentic Testing Teammate
O Agentic Testing Teammate trabalha junto com testadores humanos para tornar o processo mais eficiente. Novas atualizações incluem vetorizações de IA e pesquisa semântica de teste, melhorias na cobertura de teste e melhorias no servidor MCP que permitem aos testadores realizar uma série de tarefas diretamente em seu IDE, incluindo análise de impacto de teste, criação inteligente de testes e recomendações de falhas.
“Este novo trabalho se baseia na ideia de que um agente pode se tornar parte integrante de sua equipe de testes”, disse Dan Belcher, cofundador da mabl. “Ao contrário das estruturas de script e dos modelos de linguagem de uso geral, o mabl constrói um conhecimento profundo sobre sua aplicação ao longo do tempo e usa esse conhecimento para torná-la – e à sua equipe – mais eficaz.”
Couchbase 8.0 adiciona três novos recursos de indexação e recuperação de vetores
Esses novos recursos foram projetados para suportar diversas cargas de trabalho vetoriais que facilitam aplicações de IA em tempo actual.
O índice vetorial de hiperescala é baseado no algoritmo de pesquisa do vizinho mais próximo DiskANN e permite a operação em discos particionados para processamento distribuído. O Composite Vector Index oferece suporte a consultas pré-filtradas que podem definir o escopo do vetor específico que está sendo procurado. O Search Vector Index oferece suporte a pesquisas híbridas contendo vetores, pesquisa lexical e critérios de consulta estruturados em uma única solicitação SQL++.
Anthropic expande memória para todos os usuários pagos do Claude
Antrópico anunciado que o recurso de memória recente do Claude está sendo implementado para usuários dos planos Professional e Max, tornando-o disponível para todos os usuários pagos agora.
A memória foi anunciada inicialmente no início de setembro, mas estava disponível apenas para usuários Crew e Enterprise.
A memória permite que Claude se lembre de seus projetos e preferências para que você não exact reexplicar contextos importantes durante as sessões. “Um ótimo trabalho se desenvolve com o tempo. Com a memória, cada conversa com Claude melhora a próxima”, escreveu a Anthropic em seu anúncio inicial.
Harness traz vibração de codificação para migração de banco de dados com o novo recurso de autoria de migração de banco de dados baseado em IA
A Harness tem a missão de tornar mais fácil para os desenvolvedores fazerem migrações de banco de dados com seu novo Recurso de criação de migração de banco de dados com tecnologia de IA. Esse novo recurso permite que os usuários descrevam alterações de esquema em linguagem pure para receber uma migração pronta para produção.
Por exemplo, um desenvolvedor poderia perguntar “Crie uma tabela chamada animais com colunas para gênero_espécie e nome_comum. Em seguida, adicione uma tabela relacionada chamada pássaros que rastreie a velocidade no ar sem carga e o nome próprio. Adicione linhas para Capitão Canário, andorinha africana e andorinha europeia”.
A plataforma da Harness analisaria então o esquema e as políticas atuais, geraria uma migração compatível com versões anteriores, validaria a mudança para segurança e conformidade, submeteria-a ao Git para teste e criaria migrações de reversão.
Crimson Hat Developer Lightspeed traz assistência de IA para o Developer Hub e package de ferramentas de migração da Crimson Hat
Desenvolvedor Crimson Hat Lightspeed foi integrado ao Crimson Hat Developer Hub e ao package de ferramentas de migração para aplicativos (MTA).
No Crimson Hat Developer Hub, ele atua como um assistente para acelerar tarefas não relacionadas à codificação, como explorar abordagens de design de aplicativos, escrever documentação, gerar planos de teste e solucionar problemas de aplicativos.
No package de ferramentas de migração, o Crimson Hat Developer Lightspeed automatiza a refatoração do código-fonte dentro do IDE. Ele aproveita a análise de código estático do MTA para entender os problemas de migração e como corrigi-los, e também melhora com o tempo, aprendendo o que tornou as alterações anteriores bem-sucedidas.
GitKraken lança Insights para ajudar empresas a medir o ROI da IA
GitKraken, empresa especializada em melhorar a experiência do desenvolvedor, anunciou o lançamento do GitKraken Insights para fornecer às empresas melhores insights sobre o impacto da IA na produtividade do desenvolvedor.
Segundo a empresa, embora muitas equipes de engenharia tenham adotado a IA neste momento, ainda é um desafio comprovar o ROI da IA. GitKraken também acredita que as métricas de engenharia tradicionais não foram projetadas para a period da IA.
“As métricas DORA podem informar se a frequência de implantação mudou, mas não podem dizer por quê”, escreveu a empresa em um weblog. “A contagem de solicitações pull pode aumentar, mas isso acontece porque os desenvolvedores são mais produtivos ou porque a IA está gerando código que requer mais ciclos de revisão?”
GitKraken Insights reúne várias métricas diferentes – métricas DORA, análise de qualidade de código, rastreamento de dívida técnica, medição de impacto de IA e indicadores de experiência do desenvolvedor – para traçar um quadro do que está acontecendo no ciclo de vida de desenvolvimento.
MariaDB unifica bancos de dados transacionais, analíticos e vetoriais na versão MariaDB Enterprise Platform 2026
O lançamento da plataforma empresarial 2026 do MariaDB foi anunciado esta semanacom a promessa de que atuará como “a plataforma de banco de dados definitiva para a construção de aplicativos inteligentes da próxima geração”.
Para oferecer suporte à IA de agência, a empresa adicionou RAG nativo para aterrar LLMs com contexto do MariaDB sem a necessidade de incorporações, armazenamentos de vetores ou pipelines de recuperação. A empresa também adicionou agentes prontos para uso na plataforma, incluindo um copiloto de desenvolvedor que se conecta ao banco de dados e pode responder a consultas em linguagem pure, e um copiloto DBA que pode gerenciar tarefas como ajuste de desempenho e depuração.
Além disso, a empresa adicionou um servidor MCP integrado para que os agentes possam interagir com os bancos de dados MariaDB. A interface MCP no MariaDB permite que os usuários integrem pesquisa vetorial, LLMs e operações SQL padrão, e permite que os agentes lancem bancos de dados sem servidor na nuvem.
Portal Spotify agora com disponibilidade geral e repleto de recursos para melhorar a experiência do desenvolvedor
Portal Spotify para bastidores fornece aos desenvolvedores uma versão pronta para uso do Backstage, sua solução de código aberto para a construção de portais internos de desenvolvedores (IDPs).
Aikaque é um assistente de IA do Portal, agora pode se conectar a servidores MCP de terceiros e acionar ações no Portal. O próprio AiKA também funciona como um servidor MCP, permitindo que os desenvolvedores o conectem a ferramentas como Cursor ou Copilot e acessem os dados do Portal.
“A disponibilidade geral do Portal Spotify marca um momento essential na forma como as organizações constroem, medem e otimizam a experiência do desenvolvedor. O que começou como uma ferramenta interna para engenheiros do Spotify é agora uma plataforma completa para empresas, combinando a confiabilidade do Backstage, o perception da Confidence e a velocidade dos fluxos de trabalho orientados por IA”, escreveu o Spotify.
Sonar anuncia nova solução para otimizar conjuntos de dados de treinamento para codificação de LLMs
Sonar, empresa especializada em qualidade de código, anunciado uma nova solução que irá melhorar a forma como os LLMs são treinados para fins de codificação.
De acordo com a empresa, os LLMs usados para ajudar no desenvolvimento de software program são frequentemente treinados em código-fonte aberto disponível publicamente, contendo problemas de segurança e bugs, que são amplificados ao longo do processo de treinamento. “Mesmo uma pequena quantidade de dados falhos pode degradar modelos de qualquer tamanho, degradando desproporcionalmente sua produção”, escreveu Sonar em um anúncio.
O SonarSweep (agora em acesso antecipado) visa mitigar esses problemas, garantindo que os modelos aprendam com exemplos seguros e de alta qualidade.
Ele funciona identificando e corrigindo problemas de qualidade e segurança do código nos próprios dados de treinamento. Depois de analisar o conjunto de dados, ele aplica um processo de filtragem rigoroso para remover códigos de baixa qualidade e, ao mesmo tempo, equilibra o conjunto de dados atualizado para garantir que ainda oferecerá aprendizado diversificado e representativo.