Guia técnico classifica onze estruturas de código aberto para agentes de inteligência artificial executados com modelos locais
Um guia publicado em setembro de 2026 apresenta um ranking detalhado de onze estruturas de código aberto, conhecidas como harnesses, projetadas para executar agentes de inteligência artificial diretamente em computadores pessoais usando modelos locais. A análise avalia como cada projeto documenta o suporte à inferência local, considerando quatro critérios principais: licença aprovada pela OSI, runtimes locais documentados, status de manutenção e controles de segurança.
O termo harness, no contexto de agentes de IA, refere-se à camada de software que orquestra o modelo de linguagem, executa ferramentas externas, gerencia permissões e alimenta o contexto de volta ao modelo. Em ambientes com modelos locais, essa camada ganha ainda mais importância, pois janelas de contexto reduzidas e capacidade limitada de chamada de ferramentas expõem rapidamente falhas de projeto.
Antes de apresentar o ranking, o guia destaca três regras que se aplicam a qualquer harness utilizado com modelos locais. A primeira é aumentar a janela de contexto, ajustando a variável de ambiente para pelo menos 64 mil tokens. A segunda é escolher um modelo que suporte chamadas de ferramentas, recurso essencial para que o agente possa interagir com o sistema. A terceira é dimensionar a memória de forma realista, considerando que modelos quantizados de pequeno porte exigem entre 16 e 32 gigabytes de memória RAM, enquanto modelos maiores para codificação demandam entre 64 gigabytes de memória unificada ou mais.
O OpenCode lidera o ranking entre as estruturas voltadas para codificação, documentando três caminhos para execução local com Ollama, LM Studio e llama.cpp. A ferramenta oferece mais de 75 provedores suportados e dois agentes internos, sendo um com acesso total e outro somente leitura. Em segundo lugar aparece o Pi, uma estrutura minimalista que oferece ao modelo apenas quatro ferramentas básicas e depende de extensões em TypeScript para funcionalidades adicionais.
O Goose ocupa a terceira posição por documentar o maior número de runtimes locais entre os projetos analisados, incluindo Ollama, LM Studio, Docker Model Runner, Ramalama e Atomic Chat. O projeto foi transferido para a Linux Foundation em dezembro de 2025 e agora está sob governança neutra. O Cline aparece em quarto lugar como a melhor opção baseada em editor, com aprovação obrigatória para cada edição de arquivo e comando executado.
Na quinta posição, o OpenHands oferece orientações específicas para execução local, recomendando o modelo Qwen3.6-35B-A3B e alertando que o contexto padrão do Ollama não comporta nem mesmo o prompt do sistema. O Aider, em sexto lugar, se destaca por lidar bem com modelos que têm dificuldades em chamadas de ferramentas, retornando edições como texto em formato diff.
O Codex CLI, em sétimo lugar, exige que o servidor local exponha a API Responses, um protocolo específico de comunicação com modelos. O Qwen Code, na oitava posição, é indicado para usuários dos modelos abertos Qwen. O Kilo Code aparece em nono lugar como alternativa ao OpenCode. O Hermes Agent, da Nous Research, é descrito como um agente de uso geral com loop de aprendizagem. Por fim, o OpenClaw, o projeto com mais estrelas no GitHub entre os analisados, conecta serviços de mensagens como Telegram, Discord, Slack, WhatsApp, Signal e e-mail a agentes de inteligência artificial.
Entre os principais pontos destacados pelo guia estão a documentação ampla do OpenCode para execução local, a importância de configurar a janela de contexto antes de avaliar o desempenho do modelo, a simplicidade do Pi para modelos pequenos e a necessidade de verificar licenças de cada componente individualmente. A análise reforça que, embora existam diversas opções de código aberto disponíveis, a escolha do harness adequado depende do equilíbrio entre documentação, segurança, manutenção e compatibilidade com o hardware disponível.
