Hob, app open-source, traz o modo Claude Cowork para o seu notebook, sem nuvem

O desenvolvedor Christian apresentou no Hacker News o Hob, um app desktop gratuito, com licença MIT, para Mac, Windows e Linux. Ele faz com arquivos locais o mesmo que os apps do Claude e do ChatGPT: lê e altera documentos em uma pasta, analisa imagens, executa código em sandbox e gera gráficos. A diferença é que o modelo roda na sua máquina. O post somou 162 pontos e 39 comentários, e o código-fonte está no repositório FrigadeHQ/hob.

O que faltava nos clientes locais existentes

Antes de começar, o autor testou todos os apps de IA local que conseguiu encontrar. Nenhum fazia o principal: trabalhar com arquivos como os assistentes na nuvem. O mais avançado que ele viu era colar um arquivo de texto em uma janela de contexto pequena. Esse esquema já quebrava com um arquivo de poucos kilobytes. Imagens e PDFs grandes, segundo ele, ninguém analisava de forma decente.

As soluções mais elaboradas, pelo que o autor observou, recorriam por padrão a modelos hospedados, abertos ou fechados. Isso tira o sentido da privacidade de rodar tudo localmente. Alguns projetos ainda empurravam o usuário para contas e para um modelo open-core. O Hob segue o princípio oposto: chats e arquivos não saem do sistema, e a internet só é necessária para a pesquisa na web (que pode ser desativada nas configurações) e para os conectores MCP que o próprio usuário adiciona. Sem rede, o app funciona de forma totalmente autônoma.

Como o

Hob foi construído: Electron, llama.cpp e três camadas de isolamento

O app é escrito em Electron e se comunica com o llama.cpp, executado em um processo separado. Na primeira inicialização, o Hob detecta se há uma placa de vídeo compatível e escolhe o melhor modelo aberto para o hardware. Se não houver placa, ele passa para a CPU. O autor admite que essa parte deu trabalho: havia placas que, no papel, atendiam aos requisitos, mas travavam já na primeira requisição.

O código escrito pelo modelo é executado em uma sandbox. Ela só pode gravar na pasta do chat atual e não tem acesso à rede, a menos que o usuário permita. Cada plataforma usa um mecanismo próprio:

• macOS: sandbox-exec
• Linux: Landlock
• Windows: processo com baixo nível de integridade (low-integrity)

Por meio desses scripts, o modelo cria ferramentas pontuais: processamento de dados, conversão de documentos e geração de gráficos.

Modelos pequenos e ferramentas

Segundo o autor, o mais difícil foi fazer modelos pequenos chamarem ferramentas de forma confiável. Os modelos de quatro bilhões de parâmetros escreviam tranquilamente "aqui está o seu gráfico" sem nunca acionar a ferramenta de criação de diagramas, ou ficavam presos em um loop infinito de chamadas. Ajustar prompts quase não ajudou nos modelos pequenos. A maior parte do tempo foi dedicada a limitadores programáticos em torno das chamadas.

O conjunto completo do que o projeto inclui:

• Modelos de uso geral: Gemma 4 e gpt-oss, com pesos abertos
• Reconhecimento de imagens: um modelo Qwen3-VL pequeno
• Entrada de voz: modelo Whisper local
• Pesquisa na web: baseada em SearXNG, pode ser desativada nas configurações
• Suporte a conectores MCP adicionados pelo usuário
• Operações de criação, leitura, alteração e exclusão de arquivos no sistema de arquivos local
• Código Python em sandbox isolada: processamento de dados, conversão de documentos, gráficos
• Seleção automática do melhor modelo para o hardware na primeira execução
• Modo totalmente offline
• Licença MIT, plataformas Mac, Windows e Linux

Para quem serve e o que esperar da qualidade

O autor não nega que os modelos locais são mais fracos que os carros-chefe da nuvem. Mas, para a maioria das tarefas do usuário comum, ele considera que raramente é preciso o modelo de fronteira mais recente. Pelas medições do próprio autor, sistemas com 16 GB de memória RAM ou mais se saem bem, e, com placa de vídeo dedicada ou mais memória, o resultado se aproxima bastante do que um modelo hospedado entrega de fábrica. Trata-se de uma avaliação do próprio desenvolvedor: ainda não há benchmarks independentes, e ele pede explicitamente que a comunidade teste o Hob em outras configurações.

A conclusão prática para o leitor é a seguinte. Se você trabalha com contratos, planilhas financeiras ou documentos internos que não podem ir para a nuvem, vale instalar o Hob e testá-lo com os arquivos típicos do seu dia a dia. Verifique três pontos: a estabilidade da chamada de ferramentas no seu modelo, o comportamento em uma máquina sem placa de vídeo dedicada e a qualidade da análise de PDFs grandes. Para equipes que desenvolvem seus próprios produtos com agentes, vale olhar o código: a combinação de processo isolado do llama.cpp, sandboxes no nível do sistema operacional e limitadores de chamadas de ferramentas resolve problemas que, cedo ou tarde, aparecem para qualquer um que teste agentes em modelos pequenos.