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)
LançamentoAnálise · No radarTG: @neurogen_news (Neurogen)→ original

Agente Empatra Studio 0.29 ficou 59% mais barato no front-end e dobrou de velocidade

O Empatra Studio 0.29 ensina o agente de IA a fazer várias leituras de arquivos e verificações numa única rodada, em vez de chamar o modelo a cada passo pequeno. Na tarefa de front-end, o número de chamadas ao modelo caiu de 18 para 10, o tempo foi de 228 para 112 segundos e o custo recuou 59%. Na programação com GPT-6.2 Sol, os gastos diminuíram 38%; com Qwen, caíram cerca de pela metade. Se o seu agente faz muitas chamadas pequenas de ferramentas, agrupá-las gera economia sem trocar de modelo.

Processado por IA de TG: @neurogen_news (Neurogen); editado por Hamidun News
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalTG: @neurogen_news (Neurogen) ↗
Editor-chefe
Front-end10 chamadas ao modelo em vez de 18, 112 segundos em vez de 228.
Programação com Qwen8 passos em vez de 13, 77 segundos em vez de 146.
Custosna programação com GPT-6.2 Sol, redução de 38%; no front-end, de 59%; com Qwen, cerca de metade do valor anterior.

O Empatra Studio é um aplicativo em que um agente de IA lê arquivos, corrige código e executa verificações sozinho. Na versão 0.29, os desenvolvedores ensinaram o agente a reunir várias leituras e verificações numa única rodada, em vez de acionar o modelo após cada ação pequena. Segundo as medições da equipe, na tarefa de front-end o número de chamadas ao modelo passou de 18 para 10, o tempo caiu de 228 para 112 segundos (ou seja, pela metade) e o custo dessa tarefa diminuiu 59%. Menos chamadas significam menos espera e menos dinheiro gasto no reenvio do contexto.

Por que o agente gasta dinheiro com tarefas rotineiras

A maior parte dos agentes consome o orçamento não em raciocínios "inteligentes", mas na mecânica. É preciso abrir um arquivo, depois outro, depois mais um, e então rodar uma verificação. Cada passo desses é um ciclo separado: o agente chama o modelo e todo o contexto acumulado é enviado de novo. Por cada ciclo, paga-se em tokens e espera-se pela resposta.

Imagine que você pede a um estagiário para ajustar o layout. No modelo ruim, ele volta a cada arquivo separadamente ("posso abrir o header?", "agora o footer?", "e agora os estilos?"). No modelo bom, ele pega os três arquivos e retorna uma vez só. O trabalho é o mesmo, mas as conversas caem para um terço. A versão 0.29 leva o agente para o segundo cenário: leituras e verificações independentes são reunidas em lote e executadas num único passo.

O que as medições mostraram

Os números são da própria equipe, obtidos em seus testes internos, e ainda não há verificação independente. Por isso, convém tratá-los como referência, não como garantia.

  • Front-end: 10 chamadas ao modelo em vez de 18, 112 segundos em vez de 228.
  • Programação com Qwen: 8 passos em vez de 13, 77 segundos em vez de 146.
  • Custos: na programação com GPT-6.2 Sol, redução de 38%; no front-end, de 59%; com Qwen, cerca de metade do valor anterior.

Segundo os autores, a qualidade não foi afetada: as mesmas tarefas passaram nas mesmas verificações — 5 de 5 e 12 de 12. Mas as amostras são muito pequenas, então não é possível garantir a mesma qualidade em quaisquer projetos.

Há também uma ressalva honesta sobre o tempo. Na programação com GPT, ele quase não mudou, apesar de o custo ter caído 38%. A razão é que quase todo o tempo é gasto pelo próprio modelo, enquanto o trabalho do Studio responde por apenas 1–3%. Se o modelo demora muito em cada passo, juntar as leituras não acelera o essencial, mas reduz o volume de contexto reenviado. Em análises sequenciais e relatórios, o ganho também está sobretudo no preço, não na velocidade.

Diálogos longos e requisições gratuitas

A segunda parte da atualização trata do contexto. Quando o espaço na janela do modelo está no fim, o agente elabora um resumo com os seus requisitos e continua de onde parou. O espaço restante aparece no cabeçalho da conversa, então a interrupção repentina de uma sessão longa fica menos provável. O resumo continua sendo uma compressão, e pequenos acordos do início do diálogo podem se perder nele; por isso, restrições críticas é melhor repeti-las explicitamente.

Outra mudança: as otimizações agora funcionam no computador, na web e no celular, enquanto antes a aceleração valia só no desktop. Com a redução de custos, usuários sem assinatura passaram a ter mais requisições gratuitas.

O que o desenvolvedor deve levar

A lição vai além deste produto. Se você está construindo um agente próprio, verifique os logs: quantas chamadas de ferramentas são independentes umas das outras e podem ir em lote? Ler vários arquivos, executar linter e testes, buscar no repositório — são candidatos frequentes. Cada chamada unificada elimina um ciclo inteiro de chamada ao modelo com o contexto completo.

A segunda conclusão: defina de antemão o que você quer otimizar — segundos ou reais. Se quase todo o tempo é tomado pelo modelo, otimizar a infraestrutura ao redor acelera pouco, mas ainda reduz a conta.

A versão 0.29 não adiciona um novo modelo nem promete salto de qualidade. É um trabalho de engenharia cuidadoso em torno do agente. Para equipes que pagam por tokens todos os dias, atualizações assim costumam render o efeito mais visível.

História

Perguntas frequentes sobre a notícia

Por que o agente gasta dinheiro com tarefas rotineiras?

A maior parte dos agentes consome o orçamento não em raciocínios "inteligentes", mas na mecânica. É preciso abrir um arquivo, depois outro, depois mais um, e então rodar uma verificação. Cada passo desses é um ciclo separado: o agente chama o modelo e todo o contexto acumulado é enviado de novo. Por cada ciclo, paga-se em tokens e espera-se pela resposta. Imagine que você pede a um estagiário para ajustar o layout.

O que as medições mostraram?

Os números são da própria equipe, obtidos em seus testes internos, e ainda não há verificação independente. Por isso, convém tratá-los como referência, não como garantia. Front-end: 10 chamadas ao modelo em vez de 18, 112 segundos em vez de 228. Programação com Qwen: 8 passos em vez de 13, 77 segundos em vez de 146. Custos: na programação com GPT-6.2 Sol, redução de 38%; no front-end, de 59%; com Qwen, cerca de metade do valor anterior.

O que se sabe sobre Diálogos longos e requisições gratuitas?

A segunda parte da atualização trata do contexto. Quando o espaço na janela do modelo está no fim, o agente elabora um resumo com os seus requisitos e continua de onde parou. O espaço restante aparece no cabeçalho da conversa, então a interrupção repentina de uma sessão longa fica menos provável. O resumo continua sendo uma compressão, e pequenos acordos do início do diálogo podem se perder nele; por isso, restrições críticas é melhor repeti-las explicitamente.

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…