Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoCódigo / SDK · Pronto p/ usoHacker News AI→ original

Parcha lança o AgentRun: revisão de código cai de US$ 1 para 18 centos por verificação

Agentes releem a mesma API e a mesma documentação a cada execução, e você paga por cada token. A Parcha publicou sob licença Apache-2.0 a plataforma AgentRun: depois de cada execução, o agente salva uma nota, uma habilidade ou um roteiro pronto. A conta da revisão no Greptile (US$ 1 por verificação) subiu de US$ 180 para US$ 6.451 por mês, enquanto o revisor próprio, rodando em um modelo barato, custa 18 centavos. Em tarefas repetitivas, vale chamar o modelo caro apenas no primeiro aprendizado.

Processado por IA de Hacker News AI; editado por Hamidun News
Parcha lança o AgentRun: revisão de código cai de US$ 1 para 18 centos por verificação
Fonte: Hacker News AI. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalHacker News AI ↗
Editor-chefe
Classificação de lojistasde US$ 0,89 para US$ 0,12 depois de transferir a experiência para o modelo barato
Dado-chave #2Em 30 novos PRs, o revisor próprio encontrou 1,6 vez mais bugs reais
Dado-chave #3A execução sobrevive a reinicializações do servidor, com limites de gastos e confirmações

Imagine contratar um funcionário muito inteligente que esquece tudo o que aprendeu no dia anterior. Toda manhã ele relê a documentação da mesma API, refaz o plano do zero e tropeça nas mesmas pedras, e você paga por cada hora dele. É mais ou menos assim que muitos agentes em produção funcionam hoje: cada nova execução é cobrada em tokens, mesmo quando a tarefa já é conhecida. A equipe da Parcha publicou em código aberto a plataforma AgentRun, que tenta eliminar esse retrabalho. O projeto foi para o Hacker News como Show HN, e todos os números abaixo são afirmações dos próprios autores, não um benchmark independente.

De onde vieram os US$ 1 e os 18 centavos

A motivação dos autores é bem prática. O serviço Greptile, para revisão de código, cobrava um dólar por cada verificação de pull request desde março. Quando os agentes da equipe ganharam mais atividade, a conta mensal saltou de US$ 180 para US$ 6.451, cerca de 36 vezes mais. Foi então que a Parcha montou um revisor próprio, com um modelo barato, ajustado para os seus PRs. Segundo os autores, cada verificação agora custa 18 centavos, e não um dólar. Em 30 pull requests que o sistema nunca tinha visto, ele encontrou 1,6 vez mais bugs reais do que o Greptile. A amostra é pequena, então esse número deve ser lido como referência, não como prova.

O segundo exemplo é a classificação de lojistas, ou seja, a identificação da categoria a que pertence cada vendedor. Primeiro, o caro Opus resolve sozinho como fazer a tarefa; depois, a experiência acumulada é transferida para um modelo mais barato. O custo por lojista caiu de US$ 0,89 para US$ 0,12.

Como funciona

O AgentRun não substitui o seu agente. Você escolhe a estrutura: Claude Code, Codex, OpenCode ou pi. A plataforma acrescenta três camadas em volta dela.

A primeira é o autoaprendizado. Ao final de cada execução, o agente salva o que pode ser útil na próxima vez: uma nota, uma habilidade ou um roteiro pronto. Tudo fica em uma pasta git separada do agente.

As palavras do usuário, como uma avaliação ou uma mensagem após a primeira resposta, viram linhas no arquivo corrections.md, que é carregado por inteiro em cada nova execução. Quando um agente acumula 20 execuções concluídas (valor padrão), a plataforma tenta montar a partir delas um roteiro: um documento passo a passo com chamadas de ferramentas, etapas com o modelo e decisões rápidas do tipo sim/não, acompanhadas de uma estimativa de confiança.

Por exemplo, o modelo tende a "aprovar" com confiança de 0,61, mas o limiar do roteiro é 0,75, então o caso vai para revisão manual. Antes de ser usado, o roteiro passa por verificação de código, é executado em modo de teste e é reproduzido uma vez com entradas de execuções anteriores. Ele só é ativado se responder a casos suficientes e concordar com as respostas do agente.

Casos complexos continuam com o agente. A plataforma recusa segredos em notas e rascunhos.

A segunda é a execução resiliente. Todas as execuções ficam em um único armazenamento. Se o servidor for encerrado no meio do trabalho, a execução continua após a reinicialização. Se um executor cair, outro assume o trabalho quando o aluguel de 30 segundos expira. Etapas concluídas não são repetidas, e uma chamada interrompida por falha é marcada como interrupted, para que você a verifique manualmente.

A terceira é o painel de controle. Para cada ferramenta, você define um modo: permitido, perguntar ou proibido. Cada execução tem um limite de gastos: ao atingi-lo, a execução é pausada, e não encerrada com erro. Custos que a plataforma não consegue calcular aparecem como "unknown", e não como US$ 0. Também é possível dar ao agente o ambiente de que ele precisa: um sandbox, um desktop Linux, um telefone Android ou um navegador.

O que dá para usar já

A plataforma é distribuída sob Apache-2.0. Exige Node 24.22.3 ou mais recente, em macOS ou Linux. Pode ser executada em um notebook, em um único contêiner ou como servidor com vários executores. Há instruções para Railway, Render, VPS, Kubernetes, Coolify, Dokploy e Docker. Se você já usa Claude Code ou Codex, pode conectar a configuração existente. Para Codex e pi, basta fazer login com a conta do ChatGPT, sem chave de modelo. Agentes que já rodam no seu backend podem ser apenas observados por meio da CLI e do OpenTelemetry Collector, sem ativar o aprendizado.

O pacote traz modelos prontos de agentes: revisão de pull requests com oito revisores independentes, due diligence sobre empresas, resumo semanal de mudanças em empresas monitoradas e pontuação de leads de 0 a 100. Cada modelo pode ser validado com os seus próprios casos de teste.

Limitações e conclusão

Reflexão e avaliação independente de qualidade consomem tokens, então a economia não é gratuita. As conexões remotas ainda exigem um servidor e um conector Python a partir de um único checkout verificado. Todos os números vêm de tarefas da própria Parcha, e no seu código o resultado pode ser diferente.

A conclusão prática é simples. Se você tem tarefas repetitivas com agentes, como revisão, classificação ou pontuação, vale pagar uma vez um modelo forte e transferir a experiência acumulada para um roteiro que rode em um modelo barato. Dá para testar essa ideia com os seus próprios dados já hoje: o AgentRun serve como bancada pronta.

História

Perguntas frequentes sobre a notícia

O que se sabe sobre De onde vieram os US$ 1 e os 18 centavos?

A motivação dos autores é bem prática. O serviço Greptile, para revisão de código, cobrava um dólar por cada verificação de pull request desde março. Quando os agentes da equipe ganharam mais atividade, a conta mensal saltou de US$ 180 para US$ 6.451, cerca de 36 vezes mais. Foi então que a Parcha montou um revisor próprio, com um modelo barato, ajustado para os seus PRs. Segundo os autores, cada verificação agora custa 18 centavos, e não um dólar.

Como funciona?

O AgentRun não substitui o seu agente. Você escolhe a estrutura: Claude Code, Codex, OpenCode ou pi. A plataforma acrescenta três camadas em volta dela. A primeira é o autoaprendizado. Ao final de cada execução, o agente salva o que pode ser útil na próxima vez: uma nota, uma habilidade ou um roteiro pronto. Tudo fica em uma pasta git separada do agente.

O que dá para usar já?

A plataforma é distribuída sob Apache-2.0. Exige Node 24.22.3 ou mais recente, em macOS ou Linux. Pode ser executada em um notebook, em um único contêiner ou como servidor com vários executores. Há instruções para Railway, Render, VPS, Kubernetes, Coolify, Dokploy e Docker. Se você já usa Claude Code ou Codex, pode conectar a configuração existente. Para Codex e pi, basta fazer login com a conta do ChatGPT, sem chave de modelo.

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.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…