Как собрать AI-харнесс для SaaS-разработки: связка Orca, Pi Agent и GitHub

Um desenvolvedor publicou no Habr em julho de 2026 uma análise detalhada do seu próprio sistema de IA para desenvolvimento SaaS — um chamado agent harness, ou harness. A tese principal: em trabalho real de produção, não vence o modelo de linguagem mais poderoso, mas a infraestrutura corretamente construída ao seu redor, incluindo o orquestrador Orca, o leve Pi Agent, GitHub e um pipeline VPS customizado.

Por que o harness é mais importante que a escolha do modelo?

O debate sobre a seleção de LLM nunca cessa: GPT-5 ou Claude Opus 4.6, Gemini ou Codex. Mas o autor coloca uma tese radical: no desenvolvimento real, a questão "qual modelo escolher" é secundária. Primária é a questão "como o modelo está integrado no fluxo de trabalho".

Agent harness é uma camada entre o desenvolvedor e o modelo de linguagem que gerencia contexto, roteamento de tarefas, execução de código isolada, logging e ciclos de feedback. Sem ele, até o modelo mais poderoso permanece um chatbot inteligente, incapaz de funcionar confiável em um ambiente de produção.

De quais componentes é composto o setup

O autor descreve uma arquitetura específica de cinco elementos:

• Orca — orquestrador central: recebe uma tarefa, a divide em subtarefas e roteia para o agente ou ferramenta apropriada
• Pi Agent — agente de execução leve para tarefas pontuais: correções de código, refatoração, verificação de lógica
• GitHub — repositório como a "única fonte de verdade" do sistema e ponto de sincronização para agentes
• VPS — ambiente de execução isolado: agentes executam código em servidor remoto sem risco para a máquina local
• Pipeline customizado — descreve o fluxo da tarefa desde a atribuição até o merge

Orca e Pi Agent funcionam em dupla: o orquestrador vê o panorama geral e distribui o trabalho, Pi Agent executa uma instrução específica e claramente definida sem necessidade de manter todo o contexto do projeto.

GitHub desempenha um papel duplo neste esquema. Primeiro — o familiar repositório de código. Segundo — ponto de sincronização: agentes escrevem em branches, criam pull requests, e o desenvolvedor revisa mudanças em um loop clássico de revisão de código, só que agora com IA do lado da execução.

Como essa abordagem difere do ChatGPT comum

A maioria dos desenvolvedores usa LLM no modo "pergunta-resposta": cola código no chat, recebe correção, copia de volta. Isso funciona para tarefas isoladas, mas falha em desenvolvimento de sistema.

O harness muda o paradigma: o modelo se torna parte de um fluxo automatizado onde cada passo é verificado, versionado e logado. Um erro do agente não é perdido — é capturado no sistema e pode ser debugado. Isolamento VPS: múltiplos agentes podem trabalhar em paralelo sem conflitos na máquina local.

"No trabalho real, não é apenas o modelo mais forte que vence, mas um

sistema corretamente montado ao seu redor" — tese chave do autor.

O que isso significa

O artigo captura uma mudança importante na prática de desenvolvimento de IA: o ponto de crescimento deixa de ser a qualidade do modelo, mas a maturidade da infraestrutura ao seu redor. Desenvolvedores que investem em harness — orquestração, execução isolada, versionamento — obtêm resultados estáveis de produção. Aqueles que simplesmente alternam entre ChatGPT e Claude trabalham mais lentamente e de forma menos previsível.