Desenvolvimento
Orquestração de agentes de IA sem virar gerente de abas
15 de novembro de 2026
Por que isso importa
A orquestração de agentes de IA fica interessante quando você começa a gastar mais energia acompanhando tarefas do que decidindo o que construir. Um agente implementa, outro investiga, um terceiro pede orientação. A execução acontece em paralelo, mas alguém continua carregando na cabeça o estado de tudo. Frequentemente, esse alguém é você.
O que me interessa no setup de Kun Chen é a tentativa de tirar essa coordenação da memória humana. Ele apresenta um ponto central de conversa, trabalhadores em sessões separadas e mecanismos para devolver decisões ao responsável pelo produto. Minha leitura é que copiar essa relação entre responsabilidades vale mais do que reproduzir a aparência do terminal.
Para quem desenvolve produtos ou mantém vários projetos, a pergunta prática é quanto trabalho de acompanhamento desaparece. A proposta abaixo transforma essa pergunta em um piloto de cinco dias, com critérios para ampliar o uso, corrigir o processo ou simplificar o ambiente.
Pontos principais
- 06:24 Herdr organiza sessões dentro do terminal e permite reencontrar o trabalho por acesso remoto. Isso resolve continuidade de acesso; decidir prioridades continua sendo outra responsabilidade. A versão de terminal tem uma página oficial própria.
- 08:31 A multiplicação de sessões aparece como fonte de sobrecarga. O problema descrito é lembrar o objetivo, o andamento e a próxima ação de cada agente. Uma interface com mais abas pode preservar esse trabalho mental.
- 10:08 Firstmate delega uma consulta enquanto permanece disponível para receber outros pedidos. Essa separação entre coordenação e execução é o comportamento central demonstrado, também descrito no repositório do projeto.
- 11:45 A confiança foi construída com observação e ajustes graduais. Kun relata conflitos e delegações inadequadas no começo. É um argumento para aumentar a autonomia conforme o processo demonstra consistência.
- 14:32 Lavish transforma uma discussão de arquitetura em um artefato visual interativo. O ganho proposto está em facilitar escolhas e comentários humanos. A documentação oficial apresenta esse ciclo de colaboração sobre HTML.
- 16:09 O coordenador precisa interpretar referências a projetos e decisões anteriores. Kun também descreve regras para escolher trabalhadores e modelos. Disponibilidade de cota entra nessa escolha, junto com a exigência da tarefa.
- 22:09 O trabalho humano se concentra em apresentar intenções e resolver ambiguidades. Para isso funcionar, o coordenador precisa reconhecer quais decisões consegue tomar e quais deve devolver ao usuário.
- 30:44 Pi aparece como ambiente preferido pela possibilidade de personalização. Isso acrescenta uma dimensão à escolha da ferramenta: quanto esforço vale dedicar a adaptar o ambiente ao seu jeito de trabalhar?
- 35:40 Firstmate é apresentado como instruções e scripts que o próprio agente consegue inspecionar e alterar. Minha ressalva prática é registrar essas mudanças: uma alteração no coordenador pode afetar vários projetos depois.
- 39:26 O fluxo no-mistakes verifica mudanças em um ambiente separado, passando por revisão, testes e outras etapas. O projeto oficial descreve essa validação antes de encaminhar a alteração. Mesmo aprovado, um código ainda pode conter defeitos.
- 45:54 A entrevista aborda o risco de passar tempo demais melhorando ferramentas. Kun relata ter vivido esse desvio. Para avaliar o setup, é preciso contar também as horas gastas mantendo o próprio setup.
- 51:51 AXI introduz a preocupação com interfaces eficientes para agentes. Os resultados apresentados pertencem aos cenários avaliados pelo autor. Os princípios e benchmarks publicados ajudam a formular testes locais, sem estabelecer uma vantagem universal de CLI sobre MCP.
Como aplicar
Orquestração de agentes de IA com orçamento de atenção
Eu começaria mantendo o ambiente que você já usa. Escolha um projeto conhecido, tarefas pequenas e uma semana de observação. Os limites e números abaixo são uma proposta de piloto, não resultados obtidos com o setup de Kun.
Defina uma entrega verificável. Por exemplo: corrigir um importador CSV que cria registros duplicados quando o mesmo arquivo é processado duas vezes. O critério de aceite deve descrever o comportamento esperado e como reproduzi-lo. Isso permite avaliar a entrega sem depender do relato otimista do agente.
Execute um piloto de cinco dias
- Dia 1: registre a situação atual. Faça duas tarefas pelo seu fluxo habitual. Anote minutos de intervenção, interrupções, retrabalho e resultado aceito. Inclua o tempo gasto recuperando contexto.
- Dia 2: introduza um coordenador e um trabalhador. Encaminhe pedidos pelo coordenador e mantenha um registro persistente de objetivo, responsável, estado e próximo passo. Confira se você consegue retomar o trabalho depois de fechar a conversa.
- Dia 3: permita duas execuções independentes. Escolha tarefas em áreas separadas. Se ambas dependem da mesma decisão ou alteram o mesmo trecho, mantenha a sequência até resolver a dependência.
- Dia 4: teste um bloqueio previsível. Em um ambiente de teste, apresente uma tarefa com um requisito ausente. Observe se o coordenador identifica a informação necessária e formula uma pergunta útil, em vez de acumular tentativas.
- Dia 5: compare o trabalho aceito. Some acompanhamento, revisão final, correções e manutenção do ambiente. Compare tarefas de dificuldade semelhante e registre também o consumo ou a cobrança correspondente.
Escreva o acordo de delegação
Um pedido inicial pode estabelecer este contrato:
Objetivo: impedir duplicações na importação CSV. Aceite: importar duas vezes o mesmo arquivo preserva a quantidade correta de registros. Mantenha no máximo dois trabalhadores ativos. Registre objetivo, responsável, estado e evidência de conclusão. Após duas tentativas sem progresso, apresente o bloqueio e uma recomendação. Peça minha decisão quando houver mudança de comportamento do produto. Deixe a alteração pronta para revisão antes do merge.
Ajuste esse contrato depois de observar falhas concretas. Em sistemas multiagentes, instruções extensas também precisam de manutenção. Para cada regra nova, registre qual problema ela resolve e como perceber se funcionou.
Use estados que indiquem uma ação:
| Estado | Informação necessária | Ação humana | |---|---|---| | Executando | Objetivo e responsável | Nenhuma | | Bloqueado | Impedimento e informação ausente | Desbloquear | | Decisão necessária | Alternativas e recomendação | Escolher | | Pronto para revisão | Mudança e evidências | Aceitar ou devolver |
Meça o custo humano por entrega
Calcule minutos de atenção humana ÷ entregas aceitas. Inclua o tempo de configurar e consertar a orquestração durante o piloto. Registre separadamente defeitos encontrados depois do aceite, para que uma revisão superficial não pareça economia.
Exemplo hipotético: seis entregas com 90 minutos de atenção custam 15 minutos cada. Oito entregas com 140 minutos custam 17,5. Houve aumento de produção acompanhado de maior demanda humana por entrega. Esse resultado pode ser aceitável diante de um prazo, mas exige uma escolha consciente.
Para agentes de IA para programação, acompanhe também quantas entregas voltam por requisito mal compreendido. Esse indicador ajuda a distinguir problemas de coordenação de problemas de implementação.
Acrescente ferramentas conforme o problema aparece
Se você perde sessões, avalie o gerenciador de terminal. Se perde decisões em conversas longas, experimente um artefato visual. Se as respostas das ferramentas trazem informação demais, compare interfaces usando a mesma tarefa, o mesmo modelo e condições semelhantes.
Ao experimentar agentes autônomos de IA, aumente a concorrência uma unidade por vez. Minha regra para manter uma camada nova seria demonstrar que ela reduz acompanhamento ou melhora entregas aceitas sem criar retrabalho desproporcional. O setup precisa deixar espaço na agenda para desenvolver o produto.
Recursos citados
- Firstmate · Código aberto; coordenador baseado em instruções, skills e scripts. Modelos podem gerar custos.
- Herdr TUI · Versão de terminal demonstrada no vídeo; distinta do aplicativo Herdr atual.
- WezTerm · Emulador de terminal usado no setup; nome distorcido na transcrição.
- Pi · Ambiente extensível para agentes de programação; uso dos modelos pode ser cobrado.
- Lavish · Artefatos HTML interativos para discutir planos e decisões com agentes.
- no-mistakes · Validação de mudanças em worktree separado; execução dos agentes pode gerar custos.
- AXI — Agent eXperience Interface · Princípios, catálogo de interfaces e benchmarks publicados pelo autor.
- gh-axi · Interface para operações no GitHub projetada para agentes.
- chrome-devtools-axi · Interface de automação de navegador apresentada na discussão sobre eficiência.
- OpenCode · Agente de programação de código aberto; modelos e serviços opcionais podem ser pagos.
- CodeRabbit (pago) · Patrocinador relacionado ao tema de revisão; oferece planos pagos e revisão gratuita para repositórios públicos.
- Material do setup de Kun Chen · Material anunciado como gratuito; a página solicita nome e e-mail.