Como montar um harness de IA para desenvolvimento SaaS: Orca, Pi Agent e GitHub

Em julho de 2026, um desenvolvedor publicou no Habr uma análise detalhada do próprio sistema de IA para desenvolvimento SaaS, o chamado agent harness. A tese central é que, no trabalho real em produção, quem vence não é o modelo de linguagem mais poderoso, e sim a infraestrutura bem construída em torno dele. No caso do autor, essa infraestrutura reúne o orquestrador Orca, o leve Pi Agent, o GitHub e um pipeline personalizado em VPS.

Por que o harness importa mais que a escolha do modelo?

A discussão sobre qual LLM escolher continua acesa: GPT-5 ou Claude Opus 4.6, Gemini ou Codex. O autor, porém, defende uma tese radical: no desenvolvimento real, a pergunta "qual modelo usar" é secundária. A pergunta principal é "como o modelo se encaixa no fluxo de trabalho".

O agent harness é a camada entre o desenvolvedor e o modelo de linguagem. Ele gerencia o contexto, o roteamento de tarefas, a execução isolada de código, o registro de logs e os ciclos de feedback. Sem essa camada, até o modelo mais poderoso continua sendo apenas um chatbot inteligente, incapaz de operar de forma confiável em ambiente de produção.

Os componentes do setup

O autor descreve uma arquitetura concreta com cinco elementos:

• Orca — orquestrador central: recebe a tarefa, divide-a em subtarefas e encaminha cada uma ao agente ou à ferramenta adequada
• Pi Agent — agente executor leve para tarefas pontuais: ajustes de código, refatoração e verificação de lógica
• GitHub — o repositório funciona como "fonte única da verdade" do sistema e ponto de sincronização para os agentes
• VPS — ambiente de execução isolado: os agentes rodam código em um servidor remoto, sem riscos para a máquina local
• Pipeline personalizado — define o caminho da tarefa, da definição até o merge

Orca e Pi Agent trabalham em dupla. O orquestrador enxerga o quadro completo e distribui o trabalho, enquanto o Pi Agent executa uma instrução específica e bem definida, sem precisar manter todo o contexto do projeto.

Nesse esquema, o GitHub cumpre um papel duplo. O primeiro é o de sempre: armazenar o código. O segundo é servir como ponto de sincronização. Os agentes escrevem em branches e abrem pull requests, e o desenvolvedor revisa as mudanças no tradicional ciclo de code review. A diferença é que, agora, quem executa é a IA.

Como essa abordagem difere do ChatGPT comum

A maioria dos desenvolvedores usa LLMs no modo pergunta e resposta: cola o código no chat, recebe a correção e copia de volta. Isso funciona para tarefas isoladas, mas não se sustenta no desenvolvimento de sistemas.

O harness muda o paradigma: o modelo passa a fazer parte de um fluxo automatizado em que cada etapa é verificada, versionada e registrada. Um erro do agente não se perde: ele fica registrado no sistema e pode ser depurado. A VPS isola a execução, o que permite que vários agentes trabalhem em paralelo sem conflitos na máquina local.

"No trabalho real, não vence apenas o modelo mais forte, e sim o

sistema bem montado em torno dele" — tese central do autor.

O que isso significa

O artigo registra uma mudança importante na prática do desenvolvimento com IA: o ponto de crescimento deixa de ser a qualidade do modelo e passa a ser a maturidade da infraestrutura ao redor dele. Desenvolvedores que investem no harness (orquestração, execução isolada, versionamento) obtêm resultados de produção consistentes. Quem apenas alterna entre ChatGPT e Claude trabalha de forma mais lenta e menos previsível.