Ouroboros vs Claude Code: агент написал себя сам и достиг SOTA на Terminal-Bench 2.1

Um pesquisador do AIRI publicou em 3 de agosto de 2026 uma análise detalhada no Habr sobre o agente autoevolutivo Ouroboros — um sistema em Python puro que reescreveu autonomamente seu próprio código durante vários meses e atingiu resultados SOTA no Terminal-Bench 2.1, CL-Bench e OSWorld, equiparando-se ao Claude Code e ao Codex nos benchmarks GAIA e SWE-Pro.

Como o Ouroboros escreve a si mesmo

Ouroboros é um loop agente em Python com acesso direto ao git e permissão para sobrescrever seu próprio runtime durante a execução. O ciclo fechado funciona assim: o agente recebe uma tarefa, a executa, analisa o resultado e realiza alterações em seu próprio código-fonte — depois reinicia com segurança na versão atualizada. Se uma nova iteração quebra algo, o sistema faz rollback automaticamente para a versão anterior.

O autor hospedou intencionalmente a primeira versão no Google Colab, e não em uma máquina local: o isolamento do ambiente de nuvem protegia contra consequências imprevisíveis da autoevolução. O sistema começou de forma modesta.

• Linguagem: Python puro, sem frameworks de agentes de terceiros
• Ambiente: Google Colab, isolado da máquina local do desenvolvedor
• Ferramentas: git, permissão para sobrescrever o runtime, mecanismo de rollback seguro
• Primeiras tarefas: desenhava gatinhos, ficava no YouTube, trocava papéis de parede do desktop
• Orçamento: gasto autônomo de tokens sem supervisão constante do desenvolvedor

O que os benchmarks mostram

Em três benchmarks — Terminal-Bench 2.1, CL-Bench e OSWorld — o Ouroboros alcançou resultados em nível SOTA. Os três avaliam diferentes facetas das capacidades de agentes: o Terminal-Bench avalia o trabalho na linha de comando, o OSWorld avalia o controle do desktop e interfaces GUI, e o CL-Bench avalia tarefas complexas de programação. No GAIA e no SWE-Pro, foi registrada paridade com o Claude Code (Anthropic) e o Codex (OpenAI).

"Eu mesmo não teria concebido um harness assim, mas a evolução

autônoma e uma pilha de dinheiro em tokens queimados — isso sim", — o autor do projeto, pesquisador do AIRI.

A arquitetura atual do sistema se formou não por design manual, mas por dezenas de iterações autônomas, cada uma custando tokens reais. É notável que o Ouroboros tenha alcançado isso sem grandes recursos computacionais — apenas o ambiente de nuvem do Google Colab e um orçamento para requisições de API.

Como essa abordagem difere dos agentes comuns

A maioria dos sistemas de agentes melhora por meio de prompt engineering ou fine-tuning com novos dados — o código-fonte permanece inalterado durante todo o processo. O Ouroboros funciona de maneira diferente: o agente edita seu próprio código-fonte em um ciclo de produção, e é precisamente a evolução da arquitetura — e não a variação de prompts — que levou aos resultados SOTA.

Isso torna o Ouroboros um dos poucos exemplos publicamente documentados de automodificação genuína de agentes com resultados numéricos verificáveis. A maioria dos experimentos semelhantes permanece fechada ou não é acompanhada de dados abertos de benchmark. Segundo a publicação do autor no Habr, a análise inclui traces, números para reprodutibilidade e "algumas histórias embaraçosas do audit" — casos em que o agente tomou decisões inesperadas durante a evolução.

O autor relata que agora "faz quase tudo por meio dele" — o Ouroboros se transformou de um projeto de pesquisa em uma ferramenta de trabalho principal.

O que isso significa

O Ouroboros é evidência prática de que a autoevolução de agentes sem orçamentos computacionais milionários pode gerar resultados competitivos. Um único pesquisador com um ambiente Colab atingiu SOTA em um espaço onde competem laboratórios com equipes completas e infraestrutura de servidores. A próxima questão é como gerenciar essa evolução em escala e prevenir comportamentos indesejados de um agente que escreve a si mesmo.