Towards Automatically Pruning Logging Code with Coding Agents: How Far Are We?

Remoção automática de logs: a nova fronteira da manutenção de software que ainda está longe de ser resolvida

Quem trabalha com desenvolvimento de software conhece bem a rotina: adicionar linhas de log para investigar um bug, monitorar o comportamento de uma aplicação ou acompanhar a saúde de um sistema em produção. O que quase ninguém discute com a mesma atenção é o caminho inverso — a remoção desses logs quando eles deixam de ser úteis. Um novo estudo acadêmico coloca essa prática no centro do debate e revela que, apesar do avanço dos agentes de código baseados em inteligência artificial, automatizar essa tarefa de forma confiável ainda é um desafio considerável.

Por que remover logs é tão importante quanto criá-los?

O código de registro, ou logging, é essencial para depuração, monitoramento e manutenção de sistemas. No entanto, o excesso de logs gera ruído, aumenta o custo de processamento em tempo de execução e pode esconder informações realmente relevantes para o diagnóstico de problemas. Em ambientes corporativos, isso se traduz em custos de infraestrutura, dificuldade para identificar falhas e equipes sobrecarregadas por alertas irrelevantes.

Apesar disso, a maioria das pesquisas em engenharia de software tem se concentrado em gerar ou modificar logs automaticamente. A remoção — quando o código de registro deixa de fazer sentido ou se torna obsoleto — permaneceu, até agora, comparativamente pouco explorada.

O que o estudo revelou na prática

Pesquisadores analisaram repositórios reais em Python e Java, extraindo e validando manualmente casos de remoção de logs. Desse esforço, derivaram dois grandes conjuntos de conhecimento:

• 10 padrões de remoção: formas recorrentes pelas quais desenvolvedores eliminam logs, como apagar apenas a linha de registro, remover toda a infraestrutura de logging de um módulo ou substituir o log por outra forma de tratamento.
• 11 motivos de remoção: razões que levam à exclusão, como excesso de verbosidade, redundância com outras ferramentas, mudanças de arquitetura ou simples limpeza de código legado.

A partir disso, os pesquisadores construíram o LogRem, um conjunto de dados com 387 casos reais que cobre remoção direta de instruções de log, remoção de infraestrutura de logging e substituição de logs por alternativas.

Os agentes de IA ainda erram muito

O estudo avaliou quatro agentes de código — ferramentas de IA capazes de ler e editar repositórios — em diferentes configurações de modelo. O resultado é um alerta importante para gest