Ao vivo 18/11 · Turma 318 nov às 19:00 MSK — aula prática gratuita de agentes de IA · Turma 3 ao vivo começa 23/11Aula 18/11 →Turma 3 (23/11)
LançamentoArtigo científico · Para P&DHabr AI→ original

Claude Code com Kimi esperava 22,6 s para verificar comandos — um modelo rápido reduziu para 9,9 s

No Claude Code com Kimi K3.1 Pro, o modo Auto fica lento: antes de um git push ou de rodar testes, uma chamada separada ao modelo decide se o comando é seguro. Nos logs de 646 ações, essa verificação levou em média 22,6 segundos e, para 30 subagentes, consumiu 23,8% do tempo. O autor moveu os comandos frequentes para regras allow explícitas, sem passar pelo modelo, e deixou o restante com o rápido Kimi K2.8: 9,9 segundos em vez de 22,6.

Processado por IA de Habr AI; editado por Hamidun News
Claude Code com Kimi esperava 22,6 s para verificar comandos — um modelo rápido reduziu para 9,9 s
Fonte: Habr AI. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalHabr AI ↗
Editor-chefe
Regras em três lugaresglobais, de projeto e locais, para releases
Dado-chave #2O K2.8 verifica 2,3 vezes mais rápido que o K3.1 Pro, mas isso não é um benchmark
Dado-chave #3As regras protegem contra erros acidentais, mas não substituem um sandbox

Você pede ao agente do Claude Code para rodar os testes ou fazer um git push, o modelo principal já respondeu, mas o comando não começa: o cursor fica parado por segundos, às vezes por minutos. Foi isso que aconteceu com um desenvolvedor que, depois de ter a conta da Anthropic bloqueada, migrou para o Kimi K3.1 Pro, mas continuou no Claude Code, com o qual já estava acostumado.

A culpa não é da geração lenta de código, e sim de uma verificação oculta: antes de executar um comando, uma segunda chamada ao modelo decide se ele é seguro. Se você usa o Claude Code com um modelo de terceiros e seus agentes "engasgam", esta análise indica onde procurar a causa e como eliminá-la.

Por que o agente trava antes do git push

Tecnicamente, a migração é simples: nas configurações do Claude Code, basta trocar o endpoint da API e os nomes dos modelos. Nas tarefas do próprio autor, a qualidade do Kimi não pareceu perceptivelmente pior que a do Opus 5.5. Os problemas são outros: ele é mais caro, ou seja, a assinatura traz menos limites, e o Kimi Code, a ferramenta própria da Moonshot, é, na avaliação do autor, pouco funcional e menos prático que o Claude Code. O autor usa as extensões para VS Code e, por isso, compara apenas essas versões. Ele ainda não encontrou harnesses alternativos (camadas de integração em torno do modelo) à altura.

Os problemas começaram no modo Auto, em que o agente recebe automaticamente permissão para chamar ferramentas. O Claude Code envia a um classificador separado parte da conversa e a ação planejada, e espera o veredito. Na Anthropic, isso foi implementado como uma extensão do protocolo entre o harness e o modelo (server-side review).

Pelo visto, ela roda em paralelo ao modelo principal, e o custo não entra nas cotas. O Kimi e a maioria dos outros modelos de fronteira não têm essa extensão. Para eles existe um modo de compatibilidade: a variável CLAUDE_CODE_AUTO_MODE_SERVER com o valor "0".

Nesse caso, a verificação vira uma requisição síncrona comum ao modelo, e o agente fica parado até a resposta chegar. Isso também pesa de forma notável nos custos.

O que os logs mostraram

O autor analisou os logs de duas tarefas grandes, com agentes e subagentes. Em 646 ações, o K3.1 Pro gastou em média 22,6 segundos só para verificar a permissão. A verificação em uma etapa levava 15,6 segundos; a de várias etapas, 35,8. Houve cancelamentos por timeout aos 120 segundos. Segundo a estimativa do autor, para 30 subagentes o classificador ocupou 23,8% do tempo ativo.

A solução: regras no lugar de um segundo modelo

A ideia central: nem toda ação exige uma decisão de um LLM. O autor adicionou às configurações permissões explícitas em permissions.allow, como o comando exato git push origin HEAD ou a execução de um script de formatação. As ações que se enquadram em uma regra não acionam o classificador de forma alguma. Ele dividiu as regras em três grupos:

  • Comuns a todos os projetos: operações não destrutivas com Git e gh. Ficam no ~/.claude/settings.json global.
  • De projeto: chamadas a compiladores, linters e testes. Ficam no .claude/settings.json do repositório. O Claude Code combina as listas locais e globais automaticamente.
  • De release e gestão. O agente prepara antes a lista de comandos, o autor adiciona regras exatas, com todos os parâmetros, ao .claude/settings.local.json, e a partir daí o agente executa toda a cadeia rapidamente. Para um force-push raro, é mais simples mudar para o modo Manual e confirmar a ação uma vez.

Para tudo o que as regras não cobrem, o autor definiu o kimi-for-coding (K2.8) como classificador, por meio da variável CLAUDE_CODE_AUTO_MODE_MODEL. Nos primeiros testes, o tempo médio de verificação foi de 9,9 segundos, contra 22,6 do K3.1 Pro, cerca de 2,3 vezes mais rápido. Não é um benchmark completo, mas serve de referência para as tarefas dele.

Limitações e conclusão

O principal alerta diz respeito à segurança: as permission rules protegem contra ações destrutivas acidentais, mas não são uma fronteira de segurança. O agente pode reescrever seus arquivos mesmo sem o Bash, então isolamento de verdade exige outras medidas.

Na prática, a ordem é esta. Primeiro, veja nos logs quanto tempo vai para as verificações de permissão. Depois, mova os comandos frequentes e seguros para regras allow explícitas e deixe os ambíguos para o modelo, de preferência um rápido e barato. Regras determinísticas são mais rápidas, mais baratas e mais previsíveis, e o LLM deve ficar reservado para os casos realmente incertos. O autor mostrou a configuração e o release workflow no PR #34 do projeto Quoll.

História

Perguntas frequentes sobre a notícia

Por que o agente trava antes do git push?

Tecnicamente, a migração é simples: nas configurações do Claude Code, basta trocar o endpoint da API e os nomes dos modelos. Nas tarefas do próprio autor, a qualidade do Kimi não pareceu perceptivelmente pior que a do Opus 5.5. Os problemas são outros: ele é mais caro, ou seja, a assinatura traz menos limites, e o Kimi Code, a ferramenta própria da Moonshot, é, na avaliação do autor, pouco funcional e menos prático que o Claude Code. O autor usa as extensões para VS Code e, por isso, compara apenas essas versões.

O que os logs mostraram?

O autor analisou os logs de duas tarefas grandes, com agentes e subagentes. Em 646 ações, o K3.1 Pro gastou em média 22,6 segundos só para verificar a permissão. A verificação em uma etapa levava 15,6 segundos; a de várias etapas, 35,8. Houve cancelamentos por timeout aos 120 segundos. Segundo a estimativa do autor, para 30 subagentes o classificador ocupou 23,8% do tempo ativo.

O que se sabe sobre A solução: regras no lugar de um segundo modelo?

A ideia central: nem toda ação exige uma decisão de um LLM. O autor adicionou às configurações permissões explícitas em permissions.allow, como o comando exato git push origin HEAD ou a execução de um script de formatação. As ações que se enquadram em uma regra não acionam o classificador de forma alguma. Ele dividiu as regras em três grupos: Comuns a todos os projetos: operações não destrutivas com Git e gh. Ficam no ~/.claude/settings.json global. De projeto: chamadas a compiladores, linters e testes.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
O que você acha?
Carregando comentários…