Pi 1.0 conecta o MCP via Codemode: o agente escreve código JS em vez de fazer chamadas separadas
O Pi 1.0, um "harness" que entrega ferramentas a um agente de IA, agora conecta servidores MCP (serviços externos como o Sentry) por meio do Codemode. O agente escreve um JavaScript curto, executado em um sandbox QuickJS isolado, sem rede e sem acesso a arquivos, que combina as chamadas por conta própria. O bash comum mostra ao modelo apenas as últimas 2000 linhas de saída, enquanto o Codemode devolve o resultado completo. Por isso, já está na hora de os servidores MCP entregarem JSON limpo e estruturado.
Processado por IA de Хабр: Машинное обучение; editado por Hamidun News
Imagine que você precisa triar cem tarefas abertas em um repositório: ler cada uma, avaliar o tom do autor e entender se é um bug ou um pedido de nova funcionalidade. Se o agente de IA chama as ferramentas uma a uma e despeja cada resposta na memória do modelo, o contexto lota em poucos passos. É esse problema que o Codemode resolve no Pi 1.
0. O Pi é o "harness" do agente: o programa que fornece ferramentas ao modelo de linguagem e as executa. O MCP é o padrão pelo qual o agente se conecta a serviços externos, como o Sentry.
Agora, o suporte a MCP no Pi funciona via Codemode: em vez de uma sequência de chamadas separadas, o agente escreve um JavaScript curto que combina as ferramentas por conta própria.
Há mais de um ano, o autor do texto recomendava não carregar ferramentas personalizadas, incluindo servidores MCP, no contexto do modelo e, sempre que possível, recorrer a scripts. O lançamento do Pi 1.0 parece uma reviravolta, mas na prática é o passo seguinte da mesma ideia: deixar o agente trabalhar com código.
Por que o agente precisa de código se existe o bash
O bash é prático porque as chamadas se combinam com facilidade e o modelo entende bem o sistema de arquivos depois do treinamento. Mas ele tem um limite: só consegue encadear programas executáveis. Parte das ferramentas não é programa; elas fazem parte da própria interface de comunicação com o LLM. Por exemplo, para um modelo multimodal enxergar uma imagem, o harness do agente precisa passar os dados da imagem diretamente pelo protocolo. Um simples comando de console não dá conta disso.
Há ainda uma segunda dificuldade: onde cada coisa é executada. O sistema tem duas partes. O harness do agente, ou seja, o "cérebro", roda em uma máquina separada e é considerado confiável. O ambiente de destino, onde o bash e as ferramentas são executados, pode ficar em um sandbox como o Gondolin. As duas partes têm sistemas de arquivos diferentes e níveis de confiança distintos, com uma fronteira clara entre elas.
O Codemode funciona do lado do harness, em um sandbox próprio. No Pi, ele usa o QuickJS em um ambiente WASM com restrições deliberadas: sem rede, sem acesso a arquivos e com memória limitada. A única forma de influenciar o mundo externo é chamar outras ferramentas. O termo foi cunhado pela Cloudflare.
O que isso muda na prática
A economia de contexto fica clara em um exemplo simples. Quando o LLM chama o bash como uma ferramenta comum, só as últimas 2000 linhas de saída entram no contexto, e o agente precisa ler o restante a partir de um arquivo. Pelo Codemode, a mesma chamada devolve resultados volumosos em formato estruturado. Além disso, o JavaScript permite descrever operações paralelas e fluxos de trabalho simples. O esquema típico: o agente primeiro examina de 5 a 10 itens da resposta para entender a estrutura e depois escreve um script para processar o resto.
Outro recurso é o estado no histórico da sessão. Uma chamada do Codemode salva os dados, e a seguinte, na mesma sessão, os carrega. Tudo isso acontece no host do harness, e não no sandbox.
Os exemplos de sessões reais do Pi, em que o próprio agente escreveu o código, são reveladores. Ele gera imagens pelas APIs dos modelos. Ele pega até 100 GitHub Issues abertas via gh, passa cada uma pelo modelo classificador Jev e avalia o tom, o grau de irritação do autor e o tipo de solicitação. A execução paralela é segura nesse caso: o próprio Pi limita a quatro o número de chamadas de ferramentas simultâneas, e as demais esperam na fila. Em outro exemplo, o Jev escolhe a próxima ação de um tanque em um jogo durante a depuração. Tudo isso, como ferramentas separadas, só ocuparia espaço no contexto.
No caso do MCP, o agente primeiro busca as ferramentas necessárias pela API dentro do Codemode. Às vezes ele recorre diretamente ao servidor: por exemplo, o Sentry MCP, cuja existência ele conhece pelo prompt de sistema.
O que ainda não funciona bem com o MCP
O autor admite que, com o MCP, nem tudo funciona perfeitamente por enquanto. Os servidores são pensados, em sua maioria, para harnesses sem Codemode. A solução provisória da Cloudflare, rodar o Codemode dentro do próprio servidor MCP, resulta em Codemode dentro de Codemode. Isso gera escape duplo de JSON, que confunde modelos pequenos, e o código interno não consegue chamar as ferramentas do externo.
São quatro problemas:
- Dados estruturados. Os servidores devem entregar JSON organizado, e muitos não fazem isso.
- Uniformidade dos resultados. Se o servidor muda o formato conforme o número de itens, por exemplo para economizar tokens, a consulta de teste com cinco itens passa, mas o lote máximo quebra o processamento.
- Dados binários grandes. O MCP ainda não os suporta, e é preciso recorrer a URLs pré-assinadas.
- Busca paralela de ferramentas. Não há um mecanismo conveniente para distribuí-la entre vários servidores. Hoje tudo depende do comportamento espontâneo dos modelos, o que escala mal.
Outras questões também continuam em aberto. Com o Codemode, é mais difícil garantir a recuperação após falhas: talvez valha pegar ideias emprestadas de engines de execução durável de fluxos de trabalho e salvar snapshots do estado das chamadas. Em vez de JavaScript, talvez o Starlark, com seu determinismo, seja mais adequado. Também seguem sem solução o trabalho com imagens e dados binários e a incapacidade de modelos pequenos de usar essa abordagem com eficiência.
O que fazer como desenvolvedor
Se você escreve um servidor MCP, entregue JSON estruturado e mantenha o formato da resposta igual para qualquer tamanho de resultado. Se está construindo o seu próprio harness de agente, considere um ambiente isolado para o código do modelo, sem rede e sem arquivos, mas com a possibilidade de chamar ferramentas. No Pi, o Codemode é ativado por padrão junto com o MCP, e também pode ser ativado separadamente por meio de "defaultTools": ["+codemode"]. O autor acredita que a abordagem será cada vez mais usada, embora ainda esteja longe do ideal.
- 2 de jul. de 2026Anthropic dá conselhos opostos para Fable 5 e Opus 4.8: o que mudar nos prompts
- 23 de out. de 2026Groq lança Meta Muse Spark Open: 816B de parâmetros e 350+ tokens/s
- 21 de nov. de 2026Claude Code aprendeu a escrever um único script em JS em vez de uma cadeia de chamadas de ferramentas
- 9 de nov. de 2026O agente Pinky mantém um CRM com mais de 1000 pessoas: Second Brain com arquivos md e git no lugar do Notion
Perguntas frequentes sobre a notícia
Por que o agente precisa de código se existe o bash?
O bash é prático porque as chamadas se combinam com facilidade e o modelo entende bem o sistema de arquivos depois do treinamento. Mas ele tem um limite: só consegue encadear programas executáveis. Parte das ferramentas não é programa; elas fazem parte da própria interface de comunicação com o LLM. Por exemplo, para um modelo multimodal enxergar uma imagem, o harness do agente precisa passar os dados da imagem diretamente pelo protocolo. Um simples comando de console não dá conta disso.
O que isso muda na prática?
A economia de contexto fica clara em um exemplo simples. Quando o LLM chama o bash como uma ferramenta comum, só as últimas 2000 linhas de saída entram no contexto, e o agente precisa ler o restante a partir de um arquivo. Pelo Codemode, a mesma chamada devolve resultados volumosos em formato estruturado. Além disso, o JavaScript permite descrever operações paralelas e fluxos de trabalho simples.
O que ainda não funciona bem com o MCP?
O autor admite que, com o MCP, nem tudo funciona perfeitamente por enquanto. Os servidores são pensados, em sua maioria, para harnesses sem Codemode. A solução provisória da Cloudflare, rodar o Codemode dentro do próprio servidor MCP, resulta em Codemode dentro de Codemode. Isso gera escape duplo de JSON, que confunde modelos pequenos, e o código interno não consegue chamar as ferramentas do externo. São quatro problemas: Dados estruturados. Os servidores devem entregar JSON organizado, e muitos não fazem isso.
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.
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.