Quinn Slack e Beyang Liu — o problema é o "big code"

"It's all about context, context, context, whether you're feeding that into the model at inference time, whether you're fine-tuning on that … It's all about the context." — Quinn Slack, Changelog Interviews #580

O essencial em 30 segundos

Quinn Slack (CEO) e Beyang Liu (CTO) fundaram a Sourcegraph em 2013 com uma tese que parecia óbvia e que quase ninguém estava resolvendo: o gargalo da engenharia de software não é escrever código, é entender o código que já existe. Eles chamaram isso de "big code" — a realidade de que empresas modernas operam bases de código gigantescas, espalhadas por múltiplos repositórios, linguagens e formatos, com mais código do que qualquer humano consegue ler. A resposta deles foi uma ferramenta de busca de código universal, que constrói um entendimento profundo de tudo o que existe na base de código de uma organização. Por anos, esse entendimento serviu a humanos. Com a chegada dos LLMs, Slack e Liu fizeram a virada que define a relevância atual da empresa: o mesmo grafo de contexto que ajudava engenheiros a navegar o código passou a alimentar a IA. Lançaram Cody, um assistente de código que combina LLMs com a tecnologia de busca da Sourcegraph para dar ao modelo o contexto da base de código inteira. A tese central — "it's all about context" — é, para quem opera um time de engenharia, talvez a lição mais prática de toda a onda de agentes de código.

Quem são

Quinn Slack aprendeu a programar sozinho aos nove anos. Estudou ciência da computação em Stanford, contribuiu com projetos de código aberto (escreveu, entre outras coisas, autenticação TLS por senha para o curl), e foi o primeiro engenheiro do Bleacher Report. Passou pela Palantir e co-fundou a Blend Labs, uma empresa de tecnologia para o setor de crédito imobiliário, antes da Sourcegraph. É a metade de operador e voz pública da dupla — quem aparece em podcasts, escreve sobre estratégia e conduz a empresa pelo lado comercial.

Beyang Liu também estudou ciência da computação em Stanford, onde publicou pesquisa em modelos gráficos probabilísticos e visão computacional no Stanford AI Lab. Começou a carreira como engenheiro no Google. Foi lá que nasceu a semente da Sourcegraph: Liu se acostumou às ferramentas internas de busca de código do Google — o lendário Code Search interno — e sentiu, ao sair, a falta brutal daquilo no resto da indústria. Liu é a metade técnica, o CTO que pensa o problema do entendimento de código em sua forma mais fundamental.

Os dois se conheceram trabalhando na Palantir, onde perceberam algo que viraria a tese da empresa: a maioria dos desenvolvedores não tinha acesso a busca de código poderosa e dependia de reuniões e navegação manual para entender bases de código grandes. Fundaram a Sourcegraph em 2013. A empresa levantou cerca de US$ 223 milhões ao longo de várias rodadas, chegando a uma avaliação de US$ 2,625 bilhões na Série D de 2021, liderada pela Andreessen Horowitz, com a Sequoia entre os investidores anteriores. Em 2021, já contava cerca de 800 mil desenvolvedores na plataforma e dezenas de bilhões de linhas de código indexadas.

Um movimento recente vale registro pela honestidade que exige: em dezembro de 2025, Sourcegraph e Amp se tornaram empresas separadas. Slack e Liu deixaram a liderança do negócio de busca de código (que passou a ser conduzido por Dan Adler como CEO) para fundar a Amp Inc., focada em agentes de código de fronteira. Os fundadores seguiram a corrente da própria tese: se contexto é tudo e os agentes são o novo consumidor desse contexto, o lugar deles passou a ser construindo o agente.

A grande contribuição

A grande contribuição de Slack e Liu é ter nomeado e atacado o "big code problem" mais de uma década antes de ele virar consenso. A intuição é simples e contraintuitiva ao mesmo tempo. A cultura da indústria celebra escrever código; a Sourcegraph apostou que o problema real é ler. Dados que a própria empresa levantou mais tarde dão substância ao argumento: desenvolvedores passam apenas cerca de 20% do tempo escrevendo código novo para os produtos principais, número que cai para 14% quando se contam reuniões e documentação. Eles passam quase tanto tempo lendo, interpretando e corrigindo código quanto escrevendo. Se a maior parte do esforço é compreensão, então a ferramenta mais alavancada não é a que ajuda a digitar — é a que ajuda a entender.

A segunda contribuição é arquitetural: a ideia de um índice de código universal, que atravessa repositórios. Antes da Sourcegraph, busca de código era algo que você fazia dentro de um repositório, com grep ou com a busca limitada do seu host de Git. Mas o "big code" não vive em um repositório — vive em centenas, em múltiplas linguagens, com dependências cruzadas. A Sourcegraph construiu busca e "code intelligence" (ir para definição, encontrar referências, navegar símbolos) que funcionam em escala empresarial, por cima de toda a base de código de uma organização. Isso transforma o entendimento de código de um ato de memória individual em uma capacidade compartilhada e consultável.

A terceira contribuição, e a que conecta a empresa diretamente ao tema dos agentes de código, é a virada de Cody. Quando os LLMs chegaram, Slack e Liu perceberam que tinham, sem querer, construído a peça que faltava. Um LLM sozinho é poderoso, mas ignorante sobre a sua base de código: ele não sabe como a sua empresa nomeia as coisas, onde estão as convenções, qual função chama qual. Cody, lançado em dezembro de 2023, usa o grafo de código da Sourcegraph para recuperar o contexto certo e injetá-lo no LLM, de modo que a IA responda como alguém que conhece a sua base — e não como um estranho genial. É a materialização do mantra "context, context, context".

As ideias-chave

O problema é compreensão, não digitação

A tese de fundação inverte a métrica de produtividade do desenvolvedor. Slack resume a origem da empresa de forma direta: "It was way too damn hard to build software. There's so much code, there's so many devs, there's so much complexity." Se 80% do trabalho é entender o que já existe, otimizar os 20% de escrita rende pouco. A alavanca está na compreensão. Para um operador com time de engenharia, isso reorganiza prioridades: investir em descoberta, busca e documentação navegável pode render mais do que comprar mais um autocomplete.

Big code: o código cresce mais rápido do que a capacidade de entendê-lo

A Sourcegraph documentou que 77% dos desenvolvedores dizem que sua base de código cresceu cinco vezes nos últimos três anos. E com agentes de IA escrevendo código, o problema acelera: em pesquisa da empresa, 95% dos desenvolvedores relatam usar IA para escrever código, mas 76% dizem estar preocupados com a capacidade de gerenciar o novo código que a IA vai gerar. Essa é a ironia central da era atual e o melhor argumento de venda da tese: a IA resolve o gargalo da escrita e, ao fazê-lo, agrava o gargalo da compreensão. Quanto mais código a máquina produz, mais código alguém — humano ou agente — precisa entender, revisar e manter.

O agente precisa do mesmo contexto que um humano novo precisa

A melhor formulação de Slack sobre por que agentes precisam de contexto de base de código é uma analogia com onboarding. Nas palavras dele: quando um humano começa em um emprego novo de engenharia, "you get your employee badge, you go read through the code, read through the docs … That's how humans get that information. And AI needs all that same information." É uma ideia desarmante de óbvia e constantemente ignorada. Joga-se um LLM contra uma base de código sem dar a ele o equivalente ao crachá e às duas semanas de leitura, e depois reclama-se que ele "alucina". O contexto não é um detalhe de implementação — é a condição de competência do agente.

Contexto é a infraestrutura, o modelo é commodity

A aposta de longo prazo de Slack é que o diferencial não está no modelo, mas no contexto que você consegue entregar a ele: "It's all about context, context, context, whether you're feeding that into the model at inference time, whether you're fine-tuning on that." Os modelos de fronteira ficam intercambiáveis e cada vez mais baratos; o que é difícil de replicar é um entendimento profundo, atualizado e consultável da sua base de código específica. Quem possui o grafo de contexto possui a vantagem durável. É uma tese de fosso (moat) que ressoa com qualquer operador: a infraestrutura proprietária vale mais que o componente comoditizado.

Em suas palavras

"It was way too damn hard to build software. There's so much code, there's so many devs, there's so much complexity." — Quinn Slack, Changelog Interviews #580

"The human, if you started a new software engineering job, you get your employee badge, you go read through the code, read through the docs … That's how humans get that information. And AI needs all that same information." — Quinn Slack, Changelog Interviews #580

"Taking code search, which fundamentally builds this deep understanding of all the code in your organization … Now, how do we make that information useful to the AI?" — Quinn Slack, Changelog Interviews #580

"It's all about context, context, context, whether you're feeding that into the model at inference time, whether you're fine-tuning on that … It's all about the context." — Quinn Slack, Changelog Interviews #580

Limites e críticas

A tese da Sourcegraph é sólida, mas tem tensões que um operador precisa enxergar antes de comprar. A primeira é de posicionamento competitivo. Por mais de uma década a Sourcegraph foi a referência em busca de código, mas o mercado de assistentes de IA explodiu com concorrentes que embutem contexto de forma cada vez mais nativa nos editores — e os próprios LLMs ganharam janelas de contexto enormes e capacidade de busca agêntica no repositório. Isso levanta uma pergunta legítima: quanto da infraestrutura de indexação especializada ainda é necessária quando o agente consegue, sozinho, fazer grep e ler arquivos sob demanda? A resposta da Sourcegraph é que em escala empresarial — centenas de repositórios, bilhões de linhas — a busca ingênua não escala e o índice continua valendo. É um argumento bom, mas é uma fronteira em disputa, não um fato encerrado.

A segunda tensão é estratégica e a própria empresa a tornou pública: a separação entre Sourcegraph e Amp em dezembro de 2025. Que os fundadores tenham saído para construir um agente de código sinaliza que eles próprios apostam que o futuro do valor migrou do "dar contexto a humanos" para "construir o agente que consome o contexto". Isso é coerente com a tese, mas também é um voto de menor confiança no negócio original de busca como produto autônomo de longo prazo. Para quem avalia adotar a ferramenta, vale entender qual das duas empresas você está comprando e para qual problema.

A terceira é de modelo de negócio. A Sourcegraph descontinuou os planos gratuito e pro de Cody em julho de 2025 e fechou repositórios antes abertos, movendo-se firmemente para o enterprise. Faz sentido comercial, mas significa que a ferramenta deixou de ser uma escolha óbvia para times pequenos e passou a mirar grandes organizações — exatamente onde o "big code" dói mais. Para um portfólio com times de engenharia de tamanho médio, isso obriga uma conta de custo-benefício honesta: o ganho de contexto justifica o preço enterprise, ou as capacidades nativas dos editores e modelos já cobrem 80% do valor?

A quarta crítica é a do lado vendedor da estatística. Os dados de "big code" vêm de pesquisas patrocinadas pela própria Sourcegraph. Os números são plausíveis e batem com a experiência de qualquer um que tenha mantido uma base grande, mas é prudente lê-los como argumento de marketing tanto quanto como pesquisa — a empresa tem interesse direto em que o problema pareça grande.

Como aplicar no seu dia a dia

A tese de Slack e Liu muda diretamente como usar agentes de IA num time de engenharia. O insight operacional é que a qualidade do agente é função da qualidade do contexto que você dá a ele, não só do modelo que você escolhe. Antes de trocar de modelo ou comprar a ferramenta mais nova, pergunte: o agente tem acesso ao contexto certo da sua base? Tem as convenções, a documentação, o histórico das decisões? Se a resposta é não, nenhum modelo de fronteira resolve.

Na prática, isso vira três disciplinas. Primeira: trate a navegabilidade da base de código como infraestrutura de IA, não como higiene opcional. Documentação atualizada, convenções explícitas, código bem organizado deixam de ser "boas práticas" e viram pré-requisito para que agentes produzam trabalho aproveitável. A analogia do crachá de Slack é literal: antes de delegar trabalho a um agente, pergunte se ele tem o que um humano novo precisaria para fazer a tarefa.

Segunda: o problema do "big code" agravado pela própria IA é uma preocupação ativa de governança. Como agentes geram código rápido, a base cresce mais depressa do que a capacidade do time de entendê-la. Trate a compreensão e a revisão como o gargalo real, não a escrita. Isso significa investir em padrões que mantenham a base legível e em revisão disciplinada — porque o custo de manter código que ninguém entende é o passivo que mais cresce em silêncio num produto de software.

Terceira: separe promessa de entrega ao avaliar ferramentas de contexto e busca. A pergunta "o agente já não faz isso sozinho com busca no repositório?" é honesta e vale fazê-la em todo piloto. A decisão de comprar uma camada de contexto especializada se justifica quando a escala dói de verdade — múltiplos repositórios, muita linguagem, muita gente — e não por reflexo. Numa base pequena e isolada, talvez não compense; numa que cresce e ganha repositórios, a conta muda. Avalie caso a caso, com piloto fechado e métrica de aceite definida antes, do mesmo jeito que avalia qualquer fornecedor.

Para ir além

Comece por: a entrevista de Quinn Slack no Changelog Interviews #580 ("Leading in the era of AI code intelligence"), onde está a maior parte das ideias e citações deste texto, incluindo a analogia do crachá e o mantra do contexto.

Depois: o relatório "Big Code in the AI era" da Sourcegraph, lido com olhar crítico de operador — bons números, fonte interessada. E os episódios mais antigos com Beyang Liu (por exemplo no Software Engineering Daily e no Tech Lead Journal) para entender a origem técnica da busca de código universal.

Avançado: acompanhe a separação Sourcegraph/Amp e a aposta de Slack e Liu em agentes de fronteira via Amp Inc., que é a tese de "context is the moat" levada à sua conclusão. Compare com a abordagem de agente autônomo da Cognition para ver as duas escolas convergindo no mesmo problema por caminhos diferentes.

Conexões no vault

• IA e Tecnologia — visão geral da área
• cursor-aman-sanger-michael-truell — o copiloto no editor; contraste com a aposta da Sourcegraph em contexto de base de código em escala empresarial
• cognition-scott-wu — Devin e os agentes autônomos; "big code" é exatamente o contexto que falta para agentes funcionarem em codebases reais
• swyx — a profissão de "AI Engineer" e a disciplina de dar contexto aos modelos
• andrej-karpathy — sobre o que os LLMs por baixo de Cody realmente conseguem fazer com e sem contexto