A Spotify ampliou o uso de desenvolvimento assistido por IA e mais que dobrou as mudanças mensais mescladas, de cerca de 8.100 para 17.000 ano a ano em agosto. Com o aumento do volume de alterações nos sistemas de produção, a empresa ajustou controles de qualidade e confiabilidade para lidar com a nova escala.
A companhia opera quase 3.000 serviços de produção para 777 milhões de usuários ativos mensais e relata desafios em processamento de conteúdo, automação de frota e capacidade de computação. Entre as respostas estão melhorias em monitoramento e testes, salvaguardas de rollout e capacidade de rollback, além da adoção do Honk, um agente de codificação em background que executa o Claude via Agent SDK em pods no Kubernetes.
Pesquisadores apresentaram na conferência KDD o estudo “GEO: Generative Engine Optimization”, voltado a melhorar a visibilidade de conteúdos nas respostas de mecanismos generativos. Nos testes descritos, intervenções específicas aumentaram a presença em até 40%, variando conforme o tema pesquisado.
O movimento é comparado ao SEO, mas com uma diferença: ao perguntar a uma inteligência artificial, muitas vezes o usuário recebe uma resposta pronta em vez de uma lista de opções. O texto destaca ainda como a construção de um “rastro público” — entrevistas, artigos, participações e fontes — pode influenciar o que sistemas como os buscadores associados ao ChatGPT encontram e citam, exigindo que assessorias e relações públicas considerem como esses dados são lidos e organizados.
A Starlink já permite que celulares se conectem diretamente aos satélites por meio da tecnologia Direct to Cell, sem a antena usada no serviço residencial. A proposta evoluiu de mensagens de texto para acesso a dados e chamadas via aplicativos, com operação feita em parceria com operadoras de telefonia que disponibilizam parte das frequências.
No Brasil, Vivo e Starlink participam de um ambiente experimental autorizado pela Anatel, com permissão válida até abril de 2029, mas ainda sem oferta comercial ampla. Enquanto isso, a SpaceX recebeu autorização da FCC para implantar até 15 mil satélites de nova geração, com novas frequências para ampliar cobertura e capacidade, inclusive em ambientes internos, aproximando a tecnologia de serviços móveis mais avançados.
A Microsoft revelou o Maia 300, novo chip de IA para servidores, com foco em aumentar a eficiência energética no processamento de inferência. O componente promete processar 40% mais tokens por megawatt do que infraestruturas baseadas em GPUs, permitindo atender mais demandas de IA com a mesma capacidade elétrica.
O Maia 300 dá sequência ao Maia 200 e é voltado para conversas extensas, tarefas que exigem raciocínio e agentes capazes de executar várias ações em sequência. A arquitetura usa chiplets fabricados no processo N2P da TSMC, organiza componentes para manter dados próximos do uso e traz 288 GB de memória HBM4 por acelerador, além de uma configuração completa com 96 aceleradores e promessa de até sete vezes mais tokens que um rack Maia 200; a implantação está prevista para começar em 2027.
A startup Ambi, fundada por Peter Mo, levantou US$ 26 milhões em múltiplas rodadas de investimento para criar um aplicativo com IA que fornece inteligência e insights em tempo real ao “ouvir” o usuário continuamente. O objetivo é capturar contexto durante reuniões e oferecer sugestões proativas com base no calendário, nas reuniões, na base de conhecimento e em dados da web.
A Ambi está lançando apps para iPhone, Mac e Apple Watch que funcionam como capturadores de anotações de reunião, com opção de manter a escuta ativa para registrar contexto ao longo do dia. A empresa também planeja um app de desktop capaz de observar o trabalho do usuário e armazenar partes na memória para sugestões mais personalizadas, além de um dispositivo próprio com tela, alto-falante, câmera e microfones para capturar contexto, em meio a preocupações de privacidade e segurança.
A evolução da inteligência artificial nas empresas está levando do modelo reativo de perguntas e respostas para a era da IA agêntica, com sistemas formados por múltiplos agentes digitais que raciocinam, consultam bancos de dados, chamam APIs externas e coordenam tarefas em segundo plano. Com isso, a infraestrutura deixa de atender apenas ao funcionamento do modelo e passa a precisar de camadas de orquestração, segurança, gerenciamento de memória, bancos de dados vetoriais, middleware e APIs.
A mudança de paradigma também altera a forma de dimensionar recursos: em vez de uma proporção histórica de 1 CPU para 4 ou 8 GPUs focadas em inferência, cenários de alta concorrência podem fazer a demanda por CPU superar a do acelerador gráfico. A avaliação de capacidade passa a considerar throughput por rack sob restrições reais de energia, conectividade de baixa latência e densidade de núcleos para evitar gargalos de latência e custos operacionais elevados.
A Microsoft anunciou o Azure Maia 300, nova geração de seu chip próprio de inteligência artificial, que deve virar a principal plataforma de processamento de IA dos produtos e sistemas da companhia a partir de 2027. A empresa posiciona o Maia 300 como um sistema completo para executar tarefas de agentes, indo além das respostas típicas de um chatbot.
O chip promete mais de 40% de ganho em tokens por megawatt na comparação com sistemas líderes baseados em GPUs, medindo eficiência entre conteúdo processado e energia consumida. A estratégia combina chip, software, redes e data centers para otimizar inferência e lidar com contextos extensos e tarefas que exigem muita memória, com foco em agentes que raciocinam, agem e colaboram em várias etapas.
Talorys é um assistente de IA pessoal open-source e gratuito que roda inteiramente dentro da conta do usuário na Cloudflare. Ele oferece chat com streaming, memória editável e gerenciável, além de recursos como tarefas, notas e projetos com CRUD pela interface e também via comandos no chat.
O projeto ainda inclui automações com lembretes únicos e recorrentes, digests diários e rotinas opcionais, entregues em um centro de notificações no app. O sistema usa um Worker privado com Durable Object para armazenar dados em SQLite e aciona o Workers AI para inferência, enquanto o restante (tarefas, notas, memórias e lembretes) continua funcionando mesmo se o Workers AI estiver indisponível ou se a cota gratuita for atingida.
O Google anunciou nesta quinta-feira (08) um novo agente de IA do Gemini, projetado para concentrar tarefas de trabalho em uma única ferramenta. Abastecido pela família de modelos Gemini, o agente realiza ações automatizadas entre diferentes apps e também funciona como base de conhecimento para responder dúvidas como um especialista.
A mesma solução pode ser usada no dia a dia e, em tarefas mais complexas, pode criar subagentes para dividir o trabalho sem perder memória ou instruções padronizadas. A interface reúne conversas e tarefas agendadas ou pendentes, com acesso pelo computador ou celular e comandos para ativação em apps como Google Workspace e Slack, com execução na nuvem; por enquanto, o agente está em prévia para empresas parceiras.
A Microsoft realizou seu primeiro evento ao vivo em dois anos e apresentou o Surface Laptop Ultra, além de mudanças no Windows 11 voltadas a fluxos com IA local e agentes. O novo notebook, anunciado em maio de 2026, passa a usar o Nvidia RTX Spark SoC, terá preço inicial de US$ 2.599 e começa a ser enviado em 16 de outubro, com pré-venda aberta.
O Surface Laptop Ultra traz configurações com GPU Blackwell de 5120 ou 6144 cores e até 128GB de memória LPDDR5x unificada, com foco em permitir desenvolvimento e execução de IA local. No evento, também foi revelado o Surface RTX Spark Dev Box, uma caixa de US$ 5.999 com Windows 11 otimizado para desenvolvimento, 128GB de memória unificada e GPU Nvidia RTX, com promessa de 1 petaflop de desempenho para IA.
O nanoMuse lançou a versão 0.1.40 Clear como um agente pessoal open-source para rodar no celular, no desktop e na web. O projeto descreve um agente que executa tarefas em vez de apenas responder perguntas, continua trabalhando com o app fechado e mantém memória do usuário, com conversas compartilhadas entre os dispositivos.
O nanoMuse reúne em um mesmo repositório o app do telefone, o app de desktop, o console web e o relay que conecta tudo, sob licença GPL-3.0-or-later. O uso pode ser feito via relay da comunidade com uma cota fornecida no login, ou com chave própria e relay self-hosted, com arquivos e capturas permanecendo onde foram gerados.
Um acelerador de IA open-source chamado openTPU foi apresentado como um projeto que usa “auto-arch-tournament” para testar até onde agentes de IA conseguem ir no design de hardware e se podem construir o chip que executa a própria inferência. O projeto reúne, em um monorepo, desde o hardware em SystemVerilog até a linguagem de kernel, o compilador e o software host que controla uma placa real via PCIe.
O openTPU roda dez modelos com pesos reais em uma placa Inspur YPCB-00338 (Xilinx Kintex-7 xc7k480t, com dois canais DDR3) e afirma produzir os mesmos tokens do simulador, bit a bit. Medidas em diferentes datas de 2026-09-29 a 2026-10-01 indicam ganhos de desempenho em “decode” e “prefill”, além de rotas para lidar com modelos maiores via streaming de especialistas pela memória do host.
O assistente pessoal de IA da Meta, o Muse, virou sucesso entre consumidores e já foi baixado por milhões, conectando-se a contas bancárias, mensagens e dados de saúde para executar tarefas. Com a popularização, pesquisadores passaram a analisar arquivos internos do app e divulgaram instruções operacionais que mostram como o sistema organiza e apresenta informações aos usuários.
Entre os pontos descritos está a capacidade de criar uma “página para cada pessoa” na vida do usuário, reunindo dados sobre família, parceiros, amigos, colegas e outros contatos. A documentação citada também fala em registrar fatos e datas relevantes, além de detalhes do relacionamento e sugestões para “fortalecer” conexões, com o sistema usando evidências disponíveis e prevendo confirmação humana para ações como enviar e-mail ou fazer compras.
A MongoDB lançou o Atlas Agent Engine, uma camada unificada de execução, memória e governança para agentes de IA em produção, durante seu Investor Day no Nasdaq MarketSite, em Nova York. A empresa afirma que, embora agentes funcionem bem em provas de conceito, a passagem para o ambiente real costuma travar por causa de recuperação de dados, memória persistente e exigências de segurança e governança.
O Atlas Agent Engine usa a Voyage AI para recuperação, com modelos de embedding e reranking, e permite adotar as camadas de memória e governança de forma independente ou junto ao runtime. A plataforma também busca reduzir riscos como ações difíceis de governar, agentes que “esquecem” e dependência de um único modelo ou framework, oferecendo controle centralizado e disponibilidade em preview pública.
O Jevmem foi lançado como uma “automatic project memory” para o Claude Code, com suporte também para Cursor e Codex. A ferramenta registra automaticamente decisões, restrições, bugs e todos das conversas em um arquivo JEVMEM.md, marcando linhas antigas como [superseded] em vez de apagá-las quando o usuário muda de ideia.
Na próxima sessão, as linhas relevantes voltam para o contexto do Claude. O Jevmem usa Postgres 16 como armazenamento principal (com SQLite em cenários de carga), permite configurar políticas em jevmem.config.json e inclui etapas de segurança como “scrub” de credenciais e auditoria em CI para bloquear instruções potencialmente maliciosas.
O Graphify, ferramenta open source lançada em abril de 2026, transforma codebases, documentos e dados não estruturados em knowledge graphs multimodais consultáveis para otimizar fluxos de engenharia com IA. O projeto, licenciado sob MIT e Apache-2.0, segue um ritmo acelerado de atualizações semanais e já ganhou milhares de estrelas no GitHub nos primeiros 10 dias.
A ferramenta ataca limitações de contexto e memória de agentes de coding ao extrair elementos estruturais via AST com tree-sitter e combinar sinais semânticos de documentação para construir um grafo unificado. As melhorias recentes incluem preservação avançada de atributos de blocos do Terraform e resolução de métodos entre arquivos, além de integração com assistentes via servidores MCP para reduzir tokens em comparação à leitura ingênua de arquivos.
Um especialista da OpenAI defendeu que agentes de IA em produção não devem ser avaliados apenas por respostas do modelo, mas sim por como o sistema registra e controla ações persistentes. Ele descreveu um tipo de falha em que a interação parece bem-sucedida para o usuário, porém o “registro durável” por trás da memória do agente fica incompleto, deixando lacunas no contexto das próximas etapas.
O foco do debate foi o “agent harness”: um conjunto de controles que define quem é o dono do estado, qual pipeline/workflow é a fonte da verdade e como a ordem de mutações é garantida. A proposta é que o modelo apenas “proponha”, enquanto o harness decide o que pode ser comprometido e a “receipt” comprove o que foi aprovado e executado na borda visível ao usuário.
O Google lançou o Agent Development Kit (ADK) para Kotlin 1.0, um framework pronto para produção para construir agentes de IA em Kotlin, Android e aplicações JVM/servidor. A novidade busca paridade de recursos com o ADK do Google para Python e Java, trazendo também capacidades específicas para IA no dispositivo e cenários híbridos.
Com o ADK para Kotlin 1.0, desenvolvedores podem orquestrar agentes usando APIs idiomáticas de Kotlin, incluindo suporte a ferramentas, persistência, memória e fluxos com human-in-the-loop. O kit inclui recursos como sistemas hierárquicos multiagente, gerenciamento de sessões com pausa/serialização/retomada, interoperabilidade com Java e declarações de ferramentas via anotações como @Tool e @Param com geração de schemas em tempo de compilação via KSP.
O app de agentes de IA da Meta, o Muse, foi promovido no Instagram e no WhatsApp e já ultrapassou 900 mil downloads na primeira semana, segundo a Sensor Tower. A ferramenta promete “passar tarefas do dia a dia” como buscar ofertas, reservar e gerenciar a caixa de entrada, conectando-se a fontes como e-mail e conta bancária.
Após alguns dias de uso, o texto relata preocupação com a coleta de dados: o app incentiva o usuário a conectar mais informações para personalização e mantém uma “Memory” com preferências e compromissos. O Muse também usa interações do usuário para treinamento de modelos de IA de forma automática, com a opção de desativar a contribuição em “Data controls”, mas sem um botão para desligar totalmente a função de memória.
A Anthropic relançou o recurso Projetos no Claude Code como um centro de comando para gerenciar múltiplos agentes de IA trabalhando simultaneamente na nuvem. A ferramenta passa a ter uma interface de conversação para coordenar fluxos longos e complexos: o Claude define o escopo, divide em subtarefas e reúne os resultados de forma autônoma.
O sistema organiza o trabalho em “threads” com sessões separadas, cada uma com uma cópia própria do código, e identifica conflitos como em uma Pull Request. Os Projetos também compartilham memória entre as sessões e permitem configurar modelo de IA, conectores, plugins e níveis de esforço, além de acompanhar o andamento e continuar tarefas com uma biblioteca de arquivos e artefatos.
Uma série do .NET Blog mostra como transformar um modelo em um agente em C# usando o Microsoft Agent Framework harness. O exemplo começa com um IChatClient e o envolve com AsHarnessAgent, definindo instruções e ferramentas como get_stock_price, além de recursos como planejamento e chamadas automáticas de funções.
Ao longo de quatro sessões de setembro, o projeto evolui de um agente mínimo para um assistente de educação financeira com web search, acesso a arquivos, memória durável, aprovações para ações arriscadas, skills, execução de código e observabilidade. A proposta é evitar que desenvolvedores reconstruam do zero o “loop” de orquestração, usando o harness para inspecionar, avaliar, governar e preparar o agente para deployment em Microsoft Foundry.
O TradingAgents, framework multiagentes para trading com LLMs, teve a versão v0.4.0 lançada com correções de look-ahead e ajustes de “point-in-time” em fontes como FRED (macro), sentimento social e memória de decision-log. A atualização também inclui sinais de decisão mais claros, retomada de checkpoints via CLI, grounding de preço do trader e suporte aos modelos GPT-5.6 e GLM-5.3, com lista completa no CHANGELOG.md.
O projeto foi totalmente aberto no GitHub e organiza papéis especializados, como Fundamentals Analyst, Sentiment Analyst, News Analyst, Technical Analyst, além de equipes de risco e um Portfolio Manager que aprova ou rejeita propostas de transação. O TradingAgents é voltado a pesquisa e não se destina a aconselhamento financeiro, investimento ou trading, com desempenho variando conforme modelos, parâmetros e qualidade dos dados.
Agentes como Claude Code e Instinct estão migrando do computador local para rodar em VMs acessadas pelo celular, com as empresas fornecendo a infraestrutura para executar as tarefas. No Claude Code, a sessão no telefone é conduzida por uma Firecracker microVM com um kernel e um init em Rust, enquanto a inferência ocorre em outro lugar e é entregue via Server-Sent Events (SSE) sobre HTTPS/2.
O Instinct, por sua vez, não opera uma frota própria de VMs: ele aluga sandboxes da E2B, que inicializam um Ubuntu com systemd e um ambiente gráfico. A “memória” do agente fica em um diretório /memory, organizada como um repositório Git de arquivos Markdown persistido em S3, com credenciais temporárias para reduzir impacto caso uma sandbox vaze.
O engrim propõe uma “memória episódica” local-first baseada em SQLite para CLIs e agentes de IA, mantendo decisões, restrições e estado do projeto ao alternar entre modelos e ambientes no mesmo repositório. A proposta é evitar a perda de contexto causada por janelas de contexto maiores e pelo custo que cresce a cada turno, substituindo isso por uma memória curada de trabalho.
O engrim combina busca full-text com SQLite FTS5 e embeddings vetoriais (model2vec) em um motor híbrido de recuperação, com suporte a ambientes como Google Antigravity, Claude Code, Cursor MCP e Codex CLI via MCP tools. O projeto também descreve instalação e configuração automática (por exemplo, com engrim setup e engrim setup --all) e testes citados com 105 sessões contínuas e migração não destrutiva de dados ao adicionar campos como origin_agent.
O GitHub Podcast reuniu Marlene Mhangami, GPS e o time do GitHub para destrinchar termos de IA que estão entrando no desenvolvimento de software, como loop engineering, Ralph loops, squads, harness engineering e hill climbing. A conversa também abordou conceitos como forward deployed engineer e as diferenças entre closed models, open weights e open source models.
Loop engineering, por exemplo, propõe criar sistemas repetíveis para agentes em vez de prompts pontuais, com validação e escalonamento quando algo “trava”. Já squads e fleets descrevem fluxos com múltiplos agentes em papéis diferentes ou em paralelo, enquanto harnesses são o conjunto de ferramentas, permissões, memória e orquestração que colocam o modelo para funcionar; hill climbing entra como a prática de melhorar agentes e harnesses com feedback e evals.
A Amazon anunciou o Kiro Crew, um sistema open source para executar múltiplos agentes de programação Kiro em sessões, ferramentas e tarefas diferentes. Com um workspace persistente, desenvolvedores podem delegar atividades assíncronas a agentes de IA para continuar trabalho como investigação de incidentes, triagem de tickets, migrações e monitoramento de PRs sem supervisão ativa.
O Kiro Crew mantém contexto do projeto com memória compartilhada, habilidades reutilizáveis, jobs agendados e agentes em concorrência, além de permitir delegação para subagents e integração com ferramentas externas via MCP e webhooks. Desenvolvido internamente na Amazon (antes como MeshClaw) e relatado como adotado por mais de 39.000 desenvolvedores, o projeto roda localmente ou em infraestrutura controlada pelo desenvolvedor, usa o Kiro CLI e é distribuído sob licença Apache 2.0 para macOS, Linux e Windows.
Agentes com LLM têm se mostrado eficazes para navegar grandes bases de código e ajudar em pesquisas de vulnerabilidades, mas o pesquisador relata um problema recorrente: após horas de investigação, o modelo perde o fio do que foi estabelecido e pode retomar abordagens já descartadas ou continuar raciocinando com observações que deixaram de ser válidas.
Para reduzir esse tipo de inconsistência, ele passou a tratar a “memória” do LLM como um problema de análise de programa: em vez de pedir que o modelo reconstrua o estado a partir de um histórico, a ideia é manter conclusões derivadas automaticamente. Assim, surgiu um motor em Datalog para LLMs, chamado Lemmalog, em que o LLM interpreta saídas como texto, código e dados do depurador, enquanto a base lógica mantém fatos, aplica regras e invalida conclusões quando observações mudam.
O Open Executive, da sentelabs.ai, apresenta um sistema de IA que funciona como uma “equipe executiva virtual” para empresas, reunindo aconselhamento em áreas como estratégia, finanças, pessoas, jurídico, operações, marketing, produto e comunicação com o conselho. A proposta é gerar respostas com uma voz executiva única, sustentada por oito agentes especialistas e com arquitetura interna que não é exposta ao usuário.
O sistema também mantém memória episódica de decisões e iniciativas entre sessões e inclui um agendador para acionar follow-ups e tarefas sensíveis ao tempo. O projeto descreve o uso de camadas de recuperação (RAG) com base em conhecimento embutido e documentos da empresa, além de uma API FastAPI e uma UI em Next.js para permitir o uso do “executivo” no dia a dia.
Falhas de agentes de IA em produção têm menos a ver com raciocínio e mais com a incapacidade de gerenciar o que entra no contexto: histórico de conversas, prompts grandes, definições extensas de ferramentas e saídas que crescem a cada interação. Com o acúmulo, o agente “afoga” em sua própria memória e paga um custo de tokens que aumenta a cada turno, levando a esquecimentos dentro e entre conversas.
A pesquisa defende que o problema não deve ser tratado apenas como armazenamento e busca, mas como uma questão de ciclo de vida e arquitetura do contexto. O trabalho propõe a disciplina Agentic Context Management (ACM), com cinco primitivas (arquitetar, ingerir, delimitar, antecipar e compactar/consolidar), além de uma implementação de referência chamada Maximem Synap, que reporta 92% no LongMemEval e 93,2% no LoCoMo.
A JetBrains lançou o Junie Local, uma versão gratuita do agente de codificação Junie para rodar inteiramente na máquina do desenvolvedor, sem depender de modelos em nuvem. A proposta é manter o código local, evitar custos por requisição de API e permitir trabalho em ambientes sem internet.
O Junie Local faz o download do modelo e do motor de inferência ao executar /local, inicia um servidor local e troca o agente automaticamente. Ele usa o Qwen3.6-27B em 4-bit e exige macOS 26, pelo menos 64 GB de memória unificada e um Apple M5 (ou mais recente), com cerca de 20 GB de downloads; a JetBrains afirma que esse requisito alto é o custo para rodar um modelo de 27B com boa qualidade hoje.
A Nvidia publicou uma pesquisa defendendo que, em tarefas de longo horizonte, o “harness” — o software que envolve o modelo com ferramentas, gestão de memória e regras — pesa mais do que o modelo em si. Com um harness customizado, ajustado para lidar melhor com memória e com um componente “supervisor”, pesquisadores fizeram o Claude Opus 5 atingir 100% no benchmark interativo ARC-AGI-3, um conjunto de jogos 2D sem instruções em que o agente precisa descobrir como jogar e vencer. Sem esse harness, o desempenho caiu para 30%, o melhor resultado entre os modelos testados.
A pesquisa reforça a ideia de que agentes de IA não são apenas o “cérebro” do LLM, mas um sistema que inclui contexto, feedback e runtime fornecidos pelo harness. A Nvidia também cita que, em testes com o mesmo benchmark, a OpenAI ajustou configurações do harness e triplicou as pontuações, mas sem chegar a 100%, sugerindo que o supervisor ajuda a redirecionar o agente quando ele se perde. O trabalho menciona ainda o uso de um harness próprio chamado Agentic Variation Operators (AVO) e a tese de que harnesses diferentes podem mudar custos e controle do ecossistema.
A DoorDash está avançando de previsões pontuais para uma plataforma de recomendações mais “agentic”, com foco em contexto do consumidor em escala. Em apresentação no QCon AI, Sudeep Das, Head de Machine Learning & AI para New Business Verticals, descreveu o uso de uma memória nativa de linguagem para reter preferências e informações relevantes do usuário.
A empresa também citou o uso de RQ-VAE semantic IDs para representar o catálogo e uma busca “grounded” para melhorar a aderência das recomendações. O objetivo é elevar métricas de relevância e conversão, apoiando sistemas de personalização e busca em áreas como grocery, conveniência, álcool e varejo.
O ThoughtDAG, apresentado no Hacker News, é um “editable context graph” para conversas com LLMs, com foco em tornar o histórico e as mudanças de contexto visíveis e rastreáveis. A proposta permite inspecionar o que entra na próxima solicitação, mostrando como alterações em arestas do grafo afetam o que o modelo recebe e o resultado gerado.
O sistema destaca que o efeito aparece apenas em condições experimentais e que o contexto pode ser “poluído” quando ramos não relacionados são incluídos, alterando a resposta mesmo com o prompt permanecendo igual. Com o grafo, o usuário consegue revisar o que foi removido ou conectado, além de prever o que o modelo vai receber, mantendo “wires” explícitos e sem memória oculta.
:quality(85)/1c4f62f5-cc61-4eea-9924-59319982ef29.jpg)
:quality(85)/844bd97d-40f0-45b6-8293-94b5c1289832.jpeg)
:quality(85)/7959b5fa-bef0-473c-a9b3-6662703746f4.jpg)
:quality(85)/29775db9-4492-4bdb-8689-9f442e3775af.jpg)
