MWS reduziu o tempo de inicialização de um agente de IA de 37,6 para 16,8 segundos: uma análise do harness
Um agente é a soma do modelo com o harness: prompt, memória, ferramentas e ciclo de verificações. Em um meetup, a MWS mostrou o que acontece quando essa estrutura atende uma empresa inteira: o usuário esperava 37,6 segundos pela primeira resposta, embora o modelo respondesse em 2–4. O restante era consumido pelo Kubernetes. Slots pré-aquecidos e armazenamento compartilhado reduziram a espera para 16,8 segundos.
Processado por IA de Habr AI; editado por Hamidun News
Enquanto alguns desenvolvedores configuram um harness local no notebook, outros já o colocam em produção para milhares de usuários. Um autor do Habr foi ao meetup da MWS «Русское техно 2» e registrou o que acontece quando é preciso escalar a estrutura ao redor do modelo. A seguir, os principais pontos, com uma ressalva: os números foram apresentados pelos palestrantes e não podem ser verificados de forma independente.
O harness é quase tudo, exceto o modelo
Uma LLM sem componentes adicionais é uma caixa-preta: recebe texto e devolve texto. Não tem memória, capacidade de cálculo exato nem autoverificação. Na definição dos palestrantes, um agente é a soma do modelo com o harness. O harness reúne prompt, contexto e memória, ferramentas, ciclo de ações, verificações, restrições e orquestração.
Como essa diferença aparece na prática? Um arquiteto da MWS pediu ao Opus que revisasse o código de outra pessoa e recebeu três observações menores. A mesma tarefa, executada pelo DeepSeek com um harness, gerou cerca de 50 observações, das quais 25 exigiam atenção. Ou seja, um modelo “mediano” com uma boa estrutura superou um modelo forte com uma estrutura comum.
Algumas lições da apresentação:
- O contexto é o principal. O modelo relê toda a conversa a cada vez, e quanto mais longa ela fica, piores são as respostas. A saída: comprimir o histórico, carregar o que for necessário por meio de subagentes ou mover os dados para arquivos.
- Mais ferramentas não significa melhor desempenho. Na Vercel, um agente com 17 ferramentas errava em uma de cada cinco tarefas. Depois da redução para as quatro necessárias, as tarefas passaram a ser concluídas com 100% de sucesso.
- Os erros se acumulam. Com uma precisão de 99% por etapa, uma sequência de 10 etapas termina sem erros em 90% dos casos; com 50 etapas, apenas em 60%. Por isso, é preciso executar testes depois de cada alteração e ter uma especificação para a tarefa, por exemplo, no OpenSpec.
A tendência de 2026 é o harness que modifica a si mesmo. Um componente de ajuste lê os logs das sessões, encontra falhas recorrentes e acrescenta regras. No exemplo da MWS, o agente entregava o trabalho sem testes em três de seis sessões. O componente adicionou um hook com a regra “não entregar sem testes” e, no dia seguinte, todas as seis sessões incluíram testes.
Onde são gastos os 37,6 segundos
O projeto “Funcionário Digital” é um agente concierge pessoal no Telegram e no Max, com 30+ habilidades. Nos bastidores, cada usuário tem seu próprio pod no Kubernetes, com OpenClaw ou Hermes. A primeira resposta levava, em média, 37,6 segundos, embora a resposta do modelo em si demorasse 2,3–4,5 segundos.
O tempo era consumido pela infraestrutura:
- 4 s — o operador aplica o manifesto do agente no Kubernetes;
- 10 s — conexão do disco ao nó;
- 5 s — montagem do disco no pod;
- 5 s — inicialização dos contêineres;
- 9,5 s — carregamento do Gateway do agente;
- 3,1 s — verificação de prontidão;
- 1 s — entrega dos arquivos.
A equipe escolheu uma arquitetura de slots pré-aquecidos: a preparação mais pesada acontece com antecedência, e o usuário espera apenas a inicialização. A MWS descartou as alternativas: um pod por usuário demora demais para iniciar, uma MicroVM por sessão é complexa de operar, e um despachante compartilhado derruba todos quando falha.
A sequência de otimizações foi esta:
- Anteciparam a criação do pod e a entrega das chaves nos slots: menos 4 s, restam 33,6.
- Trocaram os discos de bloco pelo armazenamento compartilhado CephFS: menos 15 s, restam 18,6.
- Pré-aqueceram os contêineres e os módulos do agente: ganho de apenas 1,8 s, porque entraram na conta a vinculação do slot e a retomada do agente.
Resultado: 16,8 segundos. A meta é 6–8, mas, para chegar lá, será preciso mexer no código do agente e, possivelmente, criar um fork.
O preço da velocidade
Cada etapa aumentou a complexidade do sistema. São necessários um registro de slots no PostgreSQL, eventos do Kafka e a garantia de que o slot deixado pelo usuário A não seja atribuído ao B. O principal problema é o disco compartilhado: na implementação atual, os slots enxergam uma raiz comum e, por causa das permissões, um usuário pode, teoricamente, ver os demais. A solução é montar um subvolume por chave, mas isso exigirá um serviço separado.
Os arquivos no workspace do agente foram divididos em cinco áreas: managed (gerenciados pelo registro), protected (perfis, não alterar), runtime, user-owned e seed (entregues uma única vez). A regra é simples: só é permitido atualizar e excluir o que pertence à própria área.
Outro problema é decidir quando colocar o agente em suspensão. Hoje, o critério é o tempo: 30–35 minutos após a última atividade do usuário, ou 5 minutos se o slot foi iniciado pelo Cron. Sem acesso ao runtime, não é possível distinguir “foi embora” de “está pensando na resposta”. A equipe está testando a hipótese de usar um modelo rápido que toma essa decisão em 0,5 segundo.
O que aproveitar disso
Se você desenvolve agentes para muitos usuários, meça o tempo até a primeira resposta separadamente do tempo de execução do modelo. É provável que o problema esteja na infraestrutura, e não na LLM. Evite inflar o conjunto de ferramentas e inclua verificações dentro do ciclo. Planeje a isolação dos dados desde o início: o armazenamento compartilhado acelera a inicialização, mas transforma as permissões de acesso no principal risco.
Uma limitação do material: o texto é interrompido na apresentação sobre a adoção de IA nas organizações e a avaliação do impacto nos negócios, portanto não há o que dizer aqui sobre a medição do retorno do investimento. Algumas afirmações, como a referência ao Google Research Harness 2, aparecem sem fontes e devem ser tratadas como declarações dos palestrantes.
- 12 de nov. de 2026Funcionário da Railway lançou um agente de IA baseado no DeepSeek, e ele foi mexer na infraestrutura de um concorrente
- 12 de nov. de 2026Iniciante escreveu um bot em Go para entrevistas: voz, 860 perguntas e 25–35 MB de memória
- 12 de nov. de 2026Artificial Analysis identifica perdas de qualidade em 24 de 103 endpoints de API
- 12 de nov. de 2026NaiveAI reduz o tempo mediano de resposta para 3,1 segundos no teste da Latent Space
Perguntas frequentes sobre a notícia
O que se sabe sobre O harness é quase tudo, exceto o modelo?
Uma LLM sem componentes adicionais é uma caixa-preta: recebe texto e devolve texto. Não tem memória, capacidade de cálculo exato nem autoverificação. Na definição dos palestrantes, um agente é a soma do modelo com o harness. O harness reúne prompt, contexto e memória, ferramentas, ciclo de ações, verificações, restrições e orquestração. Como essa diferença aparece na prática? Um arquiteto da MWS pediu ao Opus que revisasse o código de outra pessoa e recebeu três observações menores.
Onde são gastos os 37,6 segundos?
O projeto “Funcionário Digital” é um agente concierge pessoal no Telegram e no Max, com 30+ habilidades. Nos bastidores, cada usuário tem seu próprio pod no Kubernetes, com OpenClaw ou Hermes. A primeira resposta levava, em média, 37,6 segundos, embora a resposta do modelo em si demorasse 2,3–4,5 segundos.
O que se sabe sobre O preço da velocidade?
Cada etapa aumentou a complexidade do sistema. São necessários um registro de slots no PostgreSQL, eventos do Kafka e a garantia de que o slot deixado pelo usuário A não seja atribuído ao B. O principal problema é o disco compartilhado: na implementação atual, os slots enxergam uma raiz comum e, por causa das permissões, um usuário pode, teoricamente, ver os demais. A solução é montar um subvolume por chave, mas isso exigirá um serviço separado.
Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews
Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.