Análise e renderização 53% mais rápidas, 61% menos alocações

13 de março de 2026 – Link Blog

Shopify/liquid: Desempenho: análise e renderização 53% mais rápidas, 61% menos alocações (via) PR do CEO do Shopify, Tobias Lütke, contra o Liquid, o mecanismo de template Ruby de código aberto do Shopify que foi inspirado no Django quando Tobi o criou em 2006.

Tobi encontrou dezenas de novas microotimizações de desempenho usando uma variante da pesquisa automática, o novo sistema de Andrej Karpathy para ter um agente de codificação executando centenas de experimentos semiautônomos para encontrar novas técnicas eficazes para treinar nanochat.

A implementação do Tobi começou há dois dias com este arquivo de prompt autoresearch.md e um script autoresearch.sh para o agente executar para executar o conjunto de testes e relatar as pontuações de benchmark.

O PR agora lista 93 commits de cerca de 120 experimentos automatizados. A descrição do PR lista o que funcionou em detalhes – alguns exemplos:

• Tokenizer StringScanner substituído por String#byteindex. Byte único byteindex a pesquisa é cerca de 40% mais rápida do que a baseada em regex skip_until. Isso por si só reduziu o tempo de análise em aproximadamente 12%.
• Byte puro parse_tag_token. Eliminou o caro StringScanner#string= reset que foi chamado para cada {% %} token (878 vezes). A verificação manual de bytes para extração de nome de tag + marcação é mais rápida do que redefinir e verificar novamente via StringScanner. (…)
• Número inteiro pequeno armazenado em cache to_s. Strings congeladas pré-computadas para 0-999 evitam 267 Integer#to_s alocações por renderização.

Tudo isso resultou em uma melhoria de 53% nos benchmarks – realmente impressionante para uma base de código que foi aprimorada por centenas de colaboradores ao longo de 20 anos.

Acho que isso ilustra uma série de ideias interessantes:

• Ter um conjunto de testes robusto – neste caso 974 testes unitários – é uma desbloqueio massivo para trabalhar com agentes de codificação. Este tipo de esforço de investigação não seria possível sem primeiro ter um conjunto de testes experimentados e testados.
• O padrão de pesquisa automática – onde um agente faz brainstorming de uma infinidade de melhorias potenciais e depois faz experiências com elas, uma de cada vez – é realmente eficaz.
• Se você fornecer a um agente um script de benchmarking, “tornar isso mais rápido” se tornará uma meta acionável.
• CEOs podem codificar novamente! Tobi sempre foi mais prático do que a maioria, mas esta é uma contribuição muito mais significativa do que se poderia esperar do líder de uma empresa com mais de 7.500 funcionários. Tenho visto esse padrão acontecer muito nos últimos meses: os agentes de codificação tornam viável para pessoas em funções de alta interrupção trabalharem produtivamente com o código novamente.

Aqui está o gráfico de contribuição de Tobi no GitHub no ano passado, mostrando um aumento significativo após aquele ponto de inflexão de novembro de 2025, quando os agentes de codificação ficaram realmente bons.

Ele usou Pi como agente de codificação e lançou um novo plugin pi-autoresearch em colaboração com David Cortés, que mantém o estado em um autoresearch.jsonl arquivo como este.