Uma Crew no Sharkly funciona com o líder primeiro. O Agente líder inicia, lê o contexto da Task e as instruções da Crew e decide se faz o trabalho por conta própria ou se menciona outros Agentes membros para contribuições específicas. Essa posição não exige o maior throughput. Ela exige o melhor julgamento do time: a capacidade de ler um requisito ambíguo, fazer uma pergunta quando a resposta muda o plano e parar quando o escopo diz para parar.
A OpenAI criou o GPT-6 Astra exatamente para essa posição. O post de lançamento descreve um modelo que “usa o contexto para preencher lacunas rotineiras e faz perguntas focadas quando a resposta poderia mudar o resultado”, que se mantém orientado quando uma tarefa é redirecionada no meio do caminho e que, no teste de honeypot da OpenAI criado depois do incidente com o Hugging Face, ultrapassou seu alvo autorizado em 0% das execuções, enquanto o GPT-5.6 Sol fez o mesmo em 48%. Este guia mostra como colocar o Astra no papel de líder, rodar modelos mais baratos como membros e fazer todo resultado voltar para uma única Task.
TL;DR
Faça do Astra o Agente líder de uma Crew e deixe os membros em Runtimes mais baratos cuidarem da implementação em paralelo. O líder interpreta o objetivo, menciona os membros e combina os resultados deles na Task; os membros rodam em diretórios isolados no mesmo Computer; uma pessoa aceita o resultado. Use um único Agente quando o trabalho for pequeno e bem definido. Agentes pesquisam, executam, testam e relatam. Pessoas definem a direção, concedem autoridade e aceitam o resultado.
Por que a posição de líder é a mais cara
A execução de uma Crew tem um formato fixo. A Task é atribuída à Crew. Se ela estiver em um status executável e o líder estiver pronto, o Agente líder começa primeiro. Ele lê o contexto da Task e as instruções da Crew e então ou assume o trabalho ou menciona os Agentes membros elegíveis. Os membros mencionados rodam na mesma Task e adicionam seus resultados ao chat dela, e o líder pode continuar coordenando e combinar o que voltou.
Cada decisão dessa sequência é uma questão de julgamento: se o requisito está completo, quais papéis são necessários, em que ordem e se o resultado combinado atende aos critérios de aceite. O modelo de líder primeiro existe para que um único Agente tome essas decisões antes de todos os membros começarem ao mesmo tempo. Dê esse papel ao modelo com o melhor julgamento e os membros podem ser comuns.
Os números de lançamento do Astra falam mais da parte de julgamento do que da parte de código. No benchmark interno de alucinação da OpenAI, em que quanto menor melhor, o Astra marca 4,2% contra 12,2% do Sol. Ele nunca tentou contornar uma recusa da revisão automática do Codex na avaliação da OpenAI, sua pontuação de segurança no uso de computador é de 2,4% contra 22,0% do Sol, e a visão geral de segurança da OpenAI relata aproximadamente metade dos sinalizadores de desalinhamento de maior gravidade em comparação com o Sol em uma simulação de mais de 54.000 tarefas do Codex. Um líder que não inventa requisitos e não contorna um “não” é o líder que você quer decidindo quem faz o quê.
Como funciona uma Crew com modelos mistos
O Sharkly mantém o modelo fora do Agente. Um Agente segue o modelo padrão do seu Runtime, e um Computer pode expor mais de um Runtime. Esse é o mecanismo por trás de uma Crew com modelos mistos: cada Agente membro está vinculado a um Runtime, e cada Runtime carrega seu próprio modelo padrão.
A configuração mais limpa é um Computer com vários Runtimes:
| Papel na Crew | Agente | Runtime no Computer | Modelo padrão do Runtime | Tarifa de API do fornecedor por 1M de tokens |
|---|---|---|---|---|
| Líder | planner |
Codex | gpt-6-astra |
$10 entrada / $50 saída |
| Membro de backend | backend |
Codex em um segundo Computer, ou um segundo Runtime | GPT-5.6 Terra | $2 entrada / $12 saída |
| Membro de testes | tests |
Claude Code | Claude Sonnet 5 | $2 entrada / $10 saída |
| Membro de docs | docs |
Gemini CLI ou Codex | sua escolha | varia |
As tarifas são os preços de tabela dos fornecedores para uso de API; o uso dos modelos continua por meio das assinaturas ou chaves de API configuradas nessas ferramentas, então o que seu time paga depende dos planos que ele conecta. O ponto da tabela é o formato: a posição que mais lê e mais decide roda no modelo que é melhor em ler e decidir, e as posições que geram mais saída rodam em modelos baratos por token de saída.
Se todos os membros precisarem ser Codex, dois Computers com padrões diferentes de Codex dão conta do recado, já que a configuração do modelo fica no arquivo de configuração do Codex em cada host. Nosso guia de configuração do Astra cobre essa configuração.
Um sprint na prática
Pegue a SH-312, “Adicionar provisionamento SCIM para workspaces empresariais”. Ela abrange uma API, um job de sincronização em segundo plano, testes e uma página de documentação, e o requisito deixa duas coisas em aberto: se o desprovisionamento é exclusão definitiva ou desativação, e quais provedores de identidade entram primeiro.
Atribua a SH-312 à Crew e mova-a para um status executável. O líder, no Astra, lê a descrição, os comentários recentes e as instruções da Crew, e publica uma única pergunta: desativar ou excluir? Ele declara sua premissa (desativar, com expurgo após 30 dias) e segue com as partes que não dependem da resposta, que é o comportamento que a OpenAI descreve para o Astra no Codex. Uma pessoa responde na thread dentro de uma hora.
O líder então menciona @backend com o contrato do endpoint e a especificação do job de sincronização, e @tests com os critérios de aceite. Os dois membros rodam na mesma Task, cada um em seu próprio diretório isolado com um worktree novo, então a migração de schema e o scaffold de testes nunca tocam os mesmos arquivos durante a execução. Seus resultados voltam para o chat da Task. O líder revisa os dois, observa que os testes pressupõem exclusão definitiva, envia uma correção ao membro de testes e combina os branches em um único resumo de mudanças com as verificações executadas e os limites conhecidos.
A Task passa para Aguardando revisão humana. Uma pessoa lê o resumo, abre o diff e aceita ou devolve. Nada nessa sequência aconteceu em um terminal privado. A pergunta, a premissa, as duas execuções dos membros, a correção e a aceitação estão todas na SH-312.
As instruções da Crew que produzem esse comportamento são curtas:
You lead this Crew. Read the Task and comments, then decide the
smallest set of members needed. Mention @backend for API and job
changes, @tests for coverage, @docs for user-facing pages.
Ask a person only when an interpretation would change the design;
otherwise state your assumption and proceed.
Combine member results into one change summary with checks run,
failures, and known limits. Leave acceptance to a person.
Quando não colocar o Astra na posição de líder
Dois pares de decisão ajudam a manter o pé no chão.
Para trabalhos pequenos e bem definidos, atribua a Task diretamente a um Agente. Use uma Crew quando o líder precisar interpretar o objetivo, envolver outros Agentes membros e trazer os resultados deles de volta para uma única Task. Uma correção de bug em um único arquivo atribuída a uma Crew paga por uma execução de líder da qual nunca precisou.
Deixe o diretório compartilhado da Task desativado, a menos que membros sequenciais precisem construir sobre as mesmas mudanças locais. Ele compartilha o estado do sistema de arquivos, não a sessão do Agente anterior, e edições simultâneas em um diretório compartilhado podem entrar em conflito. No exemplo do SCIM, os membros de backend e de testes rodaram isolados; o líder os combinou depois.
Mais um limite. O Owner gerencia a Crew; o líder coordena a execução. Tornar o Astra o líder não muda quem pode editar a composição, a visibilidade ou as instruções, e apenas Agentes membros podem iniciar execuções. As pessoas na Crew continuam contribuindo por meio de comentários, decisões e revisão.
Quanto custa e quanto economiza
O Astra é o modelo mais caro da tabela, e o líder é o Agente que mais lê. Duas coisas amenizam isso. O cache de prompt cobra a entrada repetida a $1 por milhão de tokens na tarifa de API, e um líder que relê o mesmo contexto da Task ao longo dos turnos se beneficia disso. E a OpenAI afirma que o Astra conclui tarefas agênticas com menos tokens de saída do que seus antecessores, cerca de 65% menos que o Claude Opus 5 no Agents’ Last Exam nas configurações de maior pontuação.
Não aceite nenhum dos dois números pela fé. Rode o mesmo tipo de Task em uma Crew com líder Astra e em uma Crew com líder Sol durante um Sprint, e compare o que o relatório do Sprint mostra: Tasks concluídas, Tasks devolvidas e o tempo entre a atribuição e a aceitação. O Sprint mantém cronograma, escopo e relatórios vinculados às Tasks, então a comparação é um filtro, não uma planilha. Se a Crew com Astra devolver menos Tasks, a posição de líder se pagou.
