KDnuggets mostra como rodar o Qwen3.5 em um notebook antigo com Ollama e OpenCode

Em 8 de abril, o KDnuggets publicou uma análise prática sobre como transformar um notebook antigo em uma estação de trabalho de IA local, sem hardware caro nem assinaturas de serviços na nuvem. O setup gira em torno do Qwen3.5 na versão 4B, do Ollama para rodar modelos localmente e do OpenCode, um agente para trabalhar com código direto no terminal.

Por que isso importa?

A ideia central do artigo é que as ferramentas de IA locais não exigem mais uma estação de trabalho potente nem um servidor dedicado. O autor mostra que até um notebook mais velho pode servir de ambiente privado para experimentos, programação e verificações rápidas, desde que se escolha um modelo aberto compacto e não se complique a stack com camadas desnecessárias. Nesse cenário, o Qwen3.5 4B aparece como um meio-termo razoável entre qualidade de resposta, velocidade e requisitos de hardware.

Não se trata de substituir os modelos de ponta na nuvem. O setup atende a outra necessidade: dar a desenvolvedores, estudantes e entusiastas uma forma barata de rodar IA localmente, sem enviar arquivos e prompts a serviços externos, e testar ideias rapidamente na própria máquina. Para rascunhos de código, tarefas de estudo, fluxos simples no terminal e pequenos testes já é suficiente, mesmo que a qualidade das respostas nem sempre alcance a dos melhores sistemas comerciais.

Como o setup funciona

A stack básica tem duas partes. O Ollama baixa, armazena e executa o modelo de linguagem no dispositivo local, enquanto o OpenCode se conecta por cima e o transforma em uma interface de agente mais prática para trabalhar com código.

O artigo usa a variante Qwen3.5:4B, que, pela estimativa do autor, costuma precisar de cerca de 3,5 GB de RAM. Por isso ela é uma escolha realista para um notebook velho, sem folga de placa de vídeo e memória.

• instalar o Ollama no Windows, Linux ou macOS
• se necessário, iniciar manualmente o servidor local do Ollama
• baixar e abrir o modelo Qwen3.5 4B pelo terminal
• instalar o OpenCode com um script rápido
• iniciar o OpenCode com o modelo local já conectado

Depois disso, o usuário tem uma interface local em que pode pedir ao modelo para criar um projeto, instalar dependências ou revisar código. Outro ponto positivo do guia é que ele mantém a barreira de entrada baixa: sem orquestração com Docker, sem configuração manual de API e sem uma longa montagem do ambiente. Diante de muitos materiais sobre IA local, parece um cenário realmente prático, que dá para repetir em uma noite, e não um projeto de engenharia de vários dias.

Teste em uma tarefa real

Para mostrar não só a instalação, mas a utilidade real da abordagem, o autor pediu à combinação Qwen3.5 e OpenCode que criasse do zero um pequeno projeto em Python: o jogo de terminal Guess the Word. O agente deveria gerar sozinho a estrutura do projeto, escrever o código, instalar as dependências e deixar o aplicativo funcionando.

No teste, o sistema de fato montou um jogo funcional, com lógica clara, contagem de pontos e tratamento correto dos caracteres digitados. Não era uma demo decorativa, mas a execução local completa de uma cadeia de tarefas.

Ao mesmo tempo, o artigo registra as limitações com franqueza. O modelo compacto quantizado se sai bem com código básico, scripts simples, projetos de estudo e consultas de pesquisa, mas fraqueja quando a tarefa fica mais longa e exige planejamento sustentado em várias etapas. O autor escreve à parte que o modelo às vezes parava no meio do processo, e era preciso empurrá-lo manualmente com o próximo comando. Para experimentos é tolerável, mas para um pipeline diário estável é uma limitação perceptível.

«Às vezes eu só precisava digitar continue para ele terminar a tarefa».

O que isso significa

O guia do KDnuggets aponta uma mudança importante: as combinações locais de IA com agentes estão ficando mais baratas, simples e úteis no desenvolvimento do dia a dia. Elas ainda não substituem os modelos fortes da nuvem, mas já oferecem uma opção viável para experimentos privados, aprendizado, protótipos e pequenas tarefas de engenharia.