Ask HN: Qual é a sua configuração agentic de IA atual?

Os desenvolvedores estão convergindo rapidamente para algumas ferramentas dominantes — especialmente Claude Code, Codex, DeepSeek e Qwen — enquanto experimentam de tudo, desde ajudantes simples baseados em chat até elaboradas “fábricas de software” de agentes coordenados. Muitos descrevem o uso de várias assinaturas, harnesses (Pi, OpenCode, T3 Code, herdr, Orca etc.) e orquestradores personalizados para paralelizar programação, pesquisa e automação pessoal, mas também relatam sobrecarga cognitiva, dores de cabeça com QA e contas de tokens crescentes. Uma minoria notável prefere ficar em um único modelo leve ou evita LLMs por completo, citando privacidade, segurança e preocupações com atrofia de habilidades, e há uma ênfase crescente em sandboxing, inferência local e manter humanos firmemente no loop de revisão.

Assinaturas e modelos

  • Muito comum: Claude pago (Opus 5.5/Sonnet/Fable) e planos do ChatGPT/Codex; algumas pessoas acumulam vários planos de US$100–US$200 entre diferentes fornecedores.
  • Outras mantêm o mínimo: um único plano de US$20, ou apenas Copilot/Claude/Gemini pagos pela empresa; uma minoria visível não paga nada e fica nos planos gratuitos ou em modelos locais.
  • Modelos de pesos abertos são muito usados: DeepSeek 4.1 Flash, GLM-5.3, Qwen 3.6/3.8, Kimi, Mistral, Gemma etc. via OpenRouter ou provedores europeus menores.
  • Padrão comum: modelo de “fronteira” para planejamento/revisão, modelos mais baratos ou locais para implementação em massa, sumarização ou jobs em lote.

Harnesses e fluxos de trabalho

  • Claude Code e Codex desktop/CLI são os harnesses de programação dominantes; muitos dizem que “são suficientes” e estão melhorando rapidamente.
  • Alternativas: OpenCode, Pi/oh-my-pi, DeepSeek Harness, Antigravity, Kiro, Maki, Hermes, Muse Code, integrações com Zed/JetBrains/Cursor e multiplexadores de terminal (tmux, Herdr, Rex, Orca, T3 Code).
  • Várias pessoas construíram harnesses personalizados (muitas vezes open source) ajustados à própria UX: painéis kanban, UIs de cards/canvas, integrações com Emacs ou frontends para Slack/Telegram.

Orquestração, subagentes e “fábricas de software”

  • Muitos dependem de recursos integrados de subagentes em Claude Code, Codex, DeepSeek Harness, Pi etc. para tarefas distribuídas e revisão de código.
  • Um grande conjunto usa orquestradores ou plataformas explícitas: OpenClaw, Hermes Agent, Grok Bot, Dots, Muse, ctlflow, Paseo, Gas Town, fábricas no estilo Kiro etc.
  • Bastante gente montou suas próprias “fábricas de software”: agentes guiados por issues do Jira/Linear/GitHub, quadros kanban ou cards de sprint; os agentes abrem PRs, executam testes, fazem revisões adversariais e repetem o ciclo até a aprovação humana.
  • Outros são céticos em relação a swarms, chamando-os de queimadores de tokens, frágeis ou desnecessários em comparação com um único agente forte mais a orientação humana.

Local vs nuvem, custo e desempenho

  • Alguns rodam tudo localmente (Mac MLX, rigs RTX/Strix Halo/DGX Spark) com Qwen/Gemma/GLM/DeepSeek, citando privacidade, controle e baixo custo marginal.
  • Outros preferem assinaturas na nuvem, argumentando que os pacotes de assinatura superam a precificação por API e evitam a dor de cabeça de hardware; alguns gastam US$400–US$1000/mês, mas muitos operam confortavelmente com US$10–US$40.
  • O tópico destaca trade-offs: modelos fechados de fronteira ainda são, em geral, mais fortes e mais concisos; os pesos abertos estão rapidamente ficando “bons o bastante” para muitas tarefas de programação e automação.

Segurança, isolamento e atitudes

  • Estratégias de isolamento vão de “cru no meu laptop” a sandboxes elaboradas: bubblewrap, Docker/microVMs, usuários Unix dedicados, VMs libvirt, workspaces Coder ou configurações customizadas de gVisor/gateway com proxies de credenciais e allowlists de URLs.
  • Alguns se preocupam explicitamente com banimentos de conta, filtros de segurança, retenção de dados ou prompt injection; outros são mais relaxados.
  • As opiniões sobre IA variam muito: de “me promoveu de programador a arquiteto” e produtividade quase viciante, passando por adoção cautelosa porém entusiasmada, até pessoas que se recusam a usar LLMs por completo por questões éticas, segurança ou medo de terceirização cognitiva.