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 NewsO 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.
- 21 de nov. de 2026Coreia do Norte mostra seu primeiro chatbot, "Fonte da Sabedoria": só ciência, sem política
- 21 de nov. de 2026Gigantes chinesas de tecnologia dobraram gastos com IA para US$ 139 bilhões, mas os laboratórios recuperam menos de 8%
- 21 de nov. de 2026Agente Skein apaga etapas antigas do contexto: 97% de execuções bem-sucedidas, mas mais caro que o OpenCode
- 21 de nov. de 2026SGLang com kernels Humming acelerou o primeiro token em 7–23% e a geração em 17–34%
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.
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.
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.