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/ usoGitHub Trending AI→ original

JetBrains apresentou o ThinkRail: IDE agêntica que somou 1211 estrelas em um dia

A JetBrains lançou o ThinkRail, uma IDE leve em que o agente de IA não trabalha na sua pasta, mas em um workspace separado, com uma branch git própria. Vários agentes editam o código em paralelo, e você aproveita os resultados bons e descarta o restante. Em um dia, o repositório somou 1211 estrelas. Para quem usa agentes de código, é uma estrutura pronta no lugar de scripts caseiros com git worktree.

Processado por IA de GitHub Trending AI; editado por Hamidun News
JetBrains apresentou o ThinkRail: IDE agêntica que somou 1211 estrelas em um dia
Fonte: GitHub Trending AI. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalGitHub Trending AI ↗
Editor-chefe
Dado-chave #1As especificações do projeto ficam em um grafo ao lado do código e persistem entre sessões
Dado-chave #2Ollama, vLLM, LM Studio, LiteLLM e qualquer servidor compatível com a API da OpenAI podem ser conectados
Dado-chave #3Skills são importadas do Claude e do Codex, e servidores MCP são configurados nas definições

Agentes de código aprenderam rápido a escrever código, mas organizar o trabalho em torno deles está cada vez mais complicado. O agente edita arquivos diretamente no seu diretório de trabalho, dois chats acabam interferindo um no outro, e uma semana depois ninguém lembra por que o módulo foi estruturado daquele jeito. A JetBrains tentou resolver isso no novo projeto ThinkRail, que somou 1211 estrelas em um dia no GitHub Trending.

O ThinkRail é uma IDE agêntica de código aberto. Ela tem um editor baseado no Monaco, uma árvore de arquivos com destaque das alterações do git, terminais e visualização de documentos. O motor é o agente pi: o ThinkRail o executa dentro do próprio processo e o conecta à interface web em React 19. Modelos, skills, compactação de contexto e custos ficam do lado do motor, enquanto os workspaces e a interface são responsabilidade da própria casca da aplicação.

Workspaces em vez de uma pasta compartilhada

A ideia central é o isolamento. Qualquer repositório git pode ser aberto como projeto, e a partir dele são criados workspaces, cada um com sua branch e seu diretório de trabalho. Os agentes trabalham neles em paralelo e não mexem no código-fonte original. Quando a tarefa termina, você leva os resultados desejados para a branch principal e descarta o resto.

Basta escrever no chat algo como "faça isso em um workspace paralelo", e o agente cria sozinho o workspace e um novo chat, depois acompanha o andamento dos chats e dos pull requests. Os workspaces prontos são encerrados após o merge ou o fechamento do PR, ou após uma semana sem atividade. Ao voltar ao trabalho, o workspace é reativado. Na barra superior, você vê como a branch se relaciona com a principal e em que estado está o seu PR. Para o GitHub, são exibidas as verificações de CI e a decisão dos revisores, e é possível fazer merge ou reabrir o PR diretamente pela interface.

Há ainda chats sem repositório, para perguntas e rascunhos. Cada um tem sua própria pasta temporária. Se a conversa virar trabalho, o agente escreve um resumo curto de contexto e abre um novo chat de workspace com ele.

Memória do projeto: especificações e skills

A segunda camada é a memória de longo prazo. Ao lado do código fica um grafo de especificações, que o agente lê, pesquisa e atualiza por meio de ferramentas específicas. As intenções do projeto sobrevivem a sessões individuais. O desenvolvimento segue o princípio spec-first: se uma alteração do agente muda a fronteira de um módulo ou um contrato, a especificação é atualizada na mesma mudança.

Também funcionam skills reutilizáveis. O ThinkRail consegue importá-las do Claude, do Codex e de outros agentes de código. Quando a biblioteca é grande, o prompt recebe uma lista compacta, e o restante é encontrado pelo agente por meio de busca nas skills. Há suporte a servidores MCP. Chamadas que o servidor não marca como seguras para leitura exigem confirmação no chat, e servidores descritos no repositório não são ativados sem a sua aprovação.

A interface também foi pensada para o agente. Em vez de adivinhar, ele faz perguntas estruturadas com opções de resposta, desenha diagramas Mermaid e mostra protótipos de interface "antes e depois" que podem ser comentados como um diff. Os protótipos no navegador são protótipos clicáveis, e seus scripts rodam em uma sandbox sem acesso à rede. Resultados como relatórios, esquemas e capturas de tela vão para uma pasta de artefatos separada, e os arquivos apagados pelo agente continuam listados.

Modelos, plataformas e privacidade

O ThinkRail não tem conta própria. É possível entrar com o JetBrains AI ou conectar provedores próprios. Também há suporte a qualquer servidor compatível com a API da OpenAI: LiteLLM, sglang, vLLM, Ollama, LM Studio, llama.cpp. Isso serve tanto para um gateway corporativo quanto para um modelo local.

O aplicativo é distribuído como instalador nativo para macOS 14+, Windows e Linux, e também como CLI, que abre a mesma interface no navegador. Há os canais stable e nightly, e o instalador verifica o SHA-256. A interface está traduzida para sete idiomas, incluindo o russo.

O que considerar antes de instalar

Há ressalvas. A CLI para macOS é assinada, mas ainda não foi notarizada, e os artefatos para Linux não são assinados. DMGs antigos podem ser bloqueados pelo Gatekeeper. As versões ainda são zeradas (os exemplos citam 0.3.1 e 0.4.0-nightly), o que mostra que o produto é jovem. O aplicativo coleta telemetria básica: inicializações, criação de chats, envio de mensagens e conexões com provedores, vinculadas a um ID aleatório de instalação. Prompts, código e arquivos não entram nessa coleta. Relatórios de erro são sempre enviados, e os dados adicionais podem ser desativados nas configurações.

Conclusão prática: se você já roda vários agentes de código e monta à mão worktrees do git, scripts e anotações para eles, vale conhecer o ThinkRail como uma estrutura pronta. O isolamento em workspaces, o grafo de especificações e a conexão com modelos locais atacam três problemas típicos desse tipo de trabalho.

História

Perguntas frequentes sobre a notícia

O que se sabe sobre Workspaces em vez de uma pasta compartilhada?

A ideia central é o isolamento. Qualquer repositório git pode ser aberto como projeto, e a partir dele são criados workspaces, cada um com sua branch e seu diretório de trabalho. Os agentes trabalham neles em paralelo e não mexem no código-fonte original. Quando a tarefa termina, você leva os resultados desejados para a branch principal e descarta o resto.

O que se sabe sobre Memória do projeto: especificações e skills?

A segunda camada é a memória de longo prazo. Ao lado do código fica um grafo de especificações, que o agente lê, pesquisa e atualiza por meio de ferramentas específicas. As intenções do projeto sobrevivem a sessões individuais. O desenvolvimento segue o princípio spec-first: se uma alteração do agente muda a fronteira de um módulo ou um contrato, a especificação é atualizada na mesma mudança. Também funcionam skills reutilizáveis. O ThinkRail consegue importá-las do Claude, do Codex e de outros agentes de código.

O que se sabe sobre Modelos, plataformas e privacidade?

O ThinkRail não tem conta própria. É possível entrar com o JetBrains AI ou conectar provedores próprios. Também há suporte a qualquer servidor compatível com a API da OpenAI: LiteLLM, sglang, vLLM, Ollama, LM Studio, llama.cpp. Isso serve tanto para um gateway corporativo quanto para um modelo local. O aplicativo é distribuído como instalador nativo para macOS 14+, Windows e Linux, e também como CLI, que abre a mesma interface no navegador. Há os canais stable e nightly, e o instalador verifica o SHA-256.

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…