TL;DR: Para executar 10 agentes de programação com IA ao mesmo tempo, pare de tratar cada agente como um terminal que você precisa acompanhar. Transforme cada parte do trabalho em uma tarefa, dê a cada tarefa sua própria execução de agente em um worktree isolado em um Computer conectado, mantenha os desdobramentos como comentários na tarefa e deixe que gatilhos de eventos iniciem o trabalho recorrente. Você revisa resultados, não sessões.
Você pode rodar 10 agentes de programação com IA de uma vez sem precisar de 10 abas de terminal, e o primeiro limite que você atinge não é o modelo. Em seu artigo “Exploring Super-agent Design”, a equipe do DeepSeek Harness resume com precisão: uma pessoa geralmente consegue acompanhar apenas de 3 a 5 sessões ativas ao mesmo tempo. Passou disso, o gargalo é você.
A resposta deles é um “superagente”: um coordenador que conversa com as pessoas e distribui o trabalho para múltiplos workers isolados. O artigo descreve uma arquitetura, não um produto pronto para uso. Este guia apresenta a versão simplificada que qualquer equipe pode adotar hoje em um quadro do Sharkly, aproveitando o ambiente de Claude Code ou Codex que você já possui.
Uma diferença importante: o coordenador da DeepSeek é um LLM que decide quem faz o quê. Em um quadro de tarefas, é uma pessoa que toma essa decisão, e cada escolha fica devidamente registrada.
Por que 10 terminais não se sustentam
Manualmente, dois ou três agentes funcionam bem. Com dez, quatro problemas chegam juntos.
- Você se torna o roteador. Cada prompt, cada comando de continuação e cada ajuste precisa passar por você.
- O contexto se mistura. Uma correção voltada para a branch de autenticação vai parar na sessão de faturamento, ou dois agentes editam a mesma área de trabalho e sobrescrevem o código um do outro.
- Seu notebook vira o servidor. Fechou a tampa, todas as sessões entram em pausa. Tarefas longas exigem um host que permaneça ativo sem interrupções.
- Nada fica registrado. Se uma execução descarrilar, todo o histórico se perde em um buffer de terminal que você já fechou.
Analisamos esse custo em detalhes no artigo Too Many Terminals. A solução: tirar a coordenação da sua cabeça e transferi-la para um sistema que retenha o estado.
O superagente da DeepSeek, mapeado para um quadro
Cada componente da arquitetura da DeepSeek possui um equivalente direto em um quadro de tarefas.
| Componente da DeepSeek | O que faz no artigo | Em um quadro do Sharkly |
|---|---|---|
| Router | Uma sessão de longa duração; conversa com humanos, despacha tarefas, nunca executa código; um modelo mais leve é suficiente | O quadro combinado à pessoa responsável por atribuir as tarefas |
| Workers | Uma sessão isolada por tarefa, utilizando o modelo mais potente, sem nunca interagir diretamente com humanos | Uma execução de agente por tarefa, alocada em seu próprio worktree |
| Threads | Desdobramentos no mesmo PR ou tópico vão direto para o Worker responsável | Comentários na tarefa acionam o agente atribuído |
| Triggers | Eventos filtrados primeiro por código (listas de permissão) e depois pelo modelo (políticas definidas via prompts) | Automações orientadas por status, frases em comentários, webhooks ou agendamentos |
| BYOM (bring your own hardware) | Loop do agente na nuvem e ambientes no seu próprio hardware por meio de um daemon leve | Computers conectados via Sharkly Desktop ou Sharkly CLI |
| Watchdog | Uma sessão externa que intercepta Workers presos em loops ou fora de escopo | Uma verificação agendada combinada com o histórico de execuções e uma etapa de revisão humana |
O filtro de gatilhos em duas etapas merece ser adotado ao pé da letra. Primeiro o código descarta o que puder (repositório incorreto, status inadequado); somente então o modelo processa o evento. No quadro, o gatilho funciona como o filtro de código, enquanto as instruções da Automação atuam como o prompt de política.
Como executar 10 agentes de programação com IA em um quadro do Sharkly
Não tente começar com dez. Comece com três, valide o fluxo e depois amplie a escala.
Passo 1: Conecte um Computer e defina um limite baixo de concorrência
Um Computer é a máquina que executa seus agentes. Em um notebook, instale o Sharkly Desktop. Em um servidor remoto ou máquina Linux, utilize a Sharkly CLI e seu serviço local:
# On the remote host, with an install token from the Computers page
sharkly computer register --install-token <install-token>
sharkly daemon status
O serviço local detecta ferramentas instaladas, como Claude Code e Codex, registrando cada uma como um Runtime.
Cada Computer tem um limite de tarefas concorrentes. Conforme a documentação de Computers, execuções em diretórios temporários usam por padrão 50% desse limite, e tarefas extras aguardam na fila quando a capacidade atinge o teto. Comece com cautela: três execuções paralelas em um único Computer formam um excelente primeiro teste.
Trabalhe sempre no modo de diretório temporário para desenvolvimento de código. Cada execução obtém seu próprio diretório, e repositórios podem gerar um git worktree limpo, assegurando que dois agentes nunca alterem o mesmo checkout. Se worktrees forem novidade para você, confira antes nosso artigo sobre como usar git worktrees com agentes de programação com IA.
Passo 2: Crie dois ou três agentes com atribuições específicas
Ter dez agentes não exige dez personas elaboradas. Trata-se de definir papéis claros, cada um executando múltiplos itens de trabalho.
- Builder: escreve as modificações. Associe-o ao seu modelo mais potente, exatamente como a DeepSeek faz com seus Workers.
- Reviewer: avalia o diff, confere os critérios de aceitação da tarefa e publica observações.
- Fixer: resolve falhas de testes e atende aos apontamentos de revisão.
Agents, Crews e Computers não consomem licenças, portanto a criação de novos papéis não gera custos por usuário.
Passo 3: Redija tarefas que possam rodar de forma autônoma
É aqui que a maioria das abordagens paralelas falha. Tarefas que dependem de alterações não integradas de outras atividades acabam bloqueadas ou gerando conflitos.
Defina cada tarefa com três pontos: um resultado mensurável, a lista de arquivos ou módulos sob sua responsabilidade e um teste que qualquer um possa validar. “Adicionar rate limiting a /api/upload; garantir aprovação em npm test -- upload” funciona perfeitamente. “Melhorar a API” não funciona.
Caso duas tarefas precisem alterar o mesmo arquivo, agende a execução delas em sequência.
Passo 4: Faça a atribuição e centralize os desdobramentos na tarefa
Atribua a tarefa a um agente. Tarefas fora do Backlog iniciam a execução na hora; tarefas alocadas no Backlog aguardam até serem movidas para uma etapa pronta para execução.
Qualquer direcionamento adicional deve ser publicado nos comentários da própria tarefa, jamais em conversas paralelas. Comentários de membros em tarefas atribuídas a agentes podem enfileirar novas execuções, e o Sharkly consolida comentários em sequência rápida para evitar execuções redundantes. Esse é o conceito de Threads da DeepSeek: o histórico da conversa fica atrelado ao trabalho.
O uso de uma expressão padronizada, como /revise seguida das alterações desejadas, torna essas intervenções fáceis de identificar.
Passo 5: Converta eventos recorrentes em Automações
Uma Automation combina instruções a um agente ou Crew com um ou mais gatilhos. Conforme a documentação de Automações, há quatro tipos de gatilhos disponíveis, além do disparo manual por meio de Run now:
- Schedule: uma expressão cron de cinco campos vinculada a um fuso horário.
- Task status: dispara sempre que a tarefa transiciona para o status definido.
- Comment phrase: dispara quando um comentário traz determinada frase, ignorando maiúsculas e minúsculas.
- Webhook: um endereço URL protegido que recebe requisições POST, com suporte a assinatura digital opcional.
Um aviso importante da documentação: hoje a identificação de status e frases de comentários abrange toda a organização, sem isolamento por Space. Formule as instruções para que o agente confirme primeiro os dados da tarefa acionadora (como o prefixo do título ou o Space correspondente) e encerre a execução se não houver compatibilidade. Essa é a segunda etapa do filtro da DeepSeek, implementada via prompt.
Passo 6: Adicione um watchdog e uma etapa de revisão humana
A DeepSeek emprega um Watchdog dedicado para interromper Workers que entrem em loops infinitos ou divaguem. É possível reproduzir essa salvaguarda com uma Automação agendada que aponte execuções que extrapolem em muito o tempo esperado, monitorando os estados que o Sharkly mantém: queued, running, completed, failed e canceled.
Por fim, garanta a presença de um responsável humano na ponta: um status de revisão onde alguém aprova o diff antes do merge definitivo. A capacidade de revisão da equipe determina seu limite prático de paralelismo; por isso, recomendamos ler Human Review Is the Bottleneck antes de gerenciar mais de cinco agentes. Para acompanhar as execuções em tempo real, veja também como monitorar agentes de programação rodando em paralelo.
Quanto custa rodar dez agentes
Há dois custos envolvidos: o consumo de tokens dos modelos e a camada de coordenação.
Tokens. O Sharkly não comercializa tokens. O custo das execuções é cobrado diretamente no plano de API, Claude Code ou Codex associado ao seu Runtime. Detalhamos as razões dessa abordagem em Why an Agent Platform Should Not Sell You Tokens.
O paralelismo aumenta o consumo de tokens. Os testes da própria DeepSeek ilustram bem esse cenário: foram simuladas cerca de 300 mensagens em 20 demandas de código, com 5 execuções cada, gerando métricas indicativas.
| Configuração (dados da DeepSeek) | Tempo p50 por tarefa | Tempo p95 por tarefa | Tokens de leitura em cache por execução |
|---|---|---|---|
| Superagente | 12,4 min | 15,7 min | 23,2M |
| Sessão única com subagentes, prompt neutro | 20,4 min | 29,5 min | 6,1M |
| Sessão única com subagentes, prompt com foco em delegação | 13,8 min | 29,0 min | 10,8M |
Na configuração de sessão única com prompt neutro, nenhuma delegação ocorreu durante cinco execuções completas. A troca é clara: investe-se em um maior volume de tokens para obter prazos de entrega mais curtos e consistentes. Não replicamos esses testes internamente.
A plataforma. Em 4 de novembro de 2026, os preços do Sharkly indicam que a plataforma é gratuita para equipes de até 5 pessoas. O plano Team custa US$ 7 por usuário ao mês no faturamento anual. Cobranças de assentos aplicam-se estritamente a humanos.
Onde esse modelo se aplica melhor
- Redução contínua de backlog: dezenas de pendências pequenas e independentes resolvidas em paralelo, com agentes builder e reviewer dedicados a cada tarefa.
- Correção de suítes de testes pós-atualização: uma tarefa isolada por pacote quebrado, cada qual operando em seu próprio worktree.
- Sincronização entre documentação e código: gatilhos de status acionam um agente de documentação no instante em que o desenvolvimento entra em fase de revisão.
- Filas de processamento noturno: execuções direcionadas a um Computer remoto ininterrupto, prontas para aprovação pela manhã.
Se você precisa avaliar onde seus agentes devem rodar, nosso comparativo Codex Cloud vs your own Computers explora essa decisão técnica.
Comece com três
Alcançar dez agentes paralelos é o destino, não o ponto de partida. Conecte um Computer, configure um builder e um reviewer, elabore três tarefas com entregáveis objetivos e inicie o fluxo. Acompanhe o ciclo do início ao fim: execução, apontamentos, ajustes e validação. Quando esse processo estiver rodando com total naturalidade, eleve o paralelismo em duas unidades e adicione sua primeira Automação.
FAQ
Quantos agentes de programação com IA uma pessoa consegue gerenciar?
A equipe da DeepSeek calcula que uma pessoa consegue acompanhar ativamente de 3 a 5 sessões simultâneas. Esse número cresce consideravelmente quando o trabalho é estruturado em tarefas com entregáveis objetivos, permitindo que você avalie o resultado final em vez de vigiar o terminal.
Posso rodar múltiplos agentes do Claude Code no mesmo repositório?
Sim, desde que cada execução ocorra em um diretório próprio. O modo de diretório temporário cria um espaço exclusivo para cada tarefa, e execuções no repositório podem criar um git worktree independente, impedindo sobreposições indevidas de código entre agentes paralelos.
O que ocorre ao atribuir mais tarefas do que o Computer suporta?
As tarefas excedentes aguardam na fila. Cada Computer opera com um limite de tarefas concorrentes, liberando novas execuções conforme a capacidade fica ociosa. A fila também retém a tarefa caso o Computer esteja desconectado ou seu Runtime correspondente indisponível.
É necessário ter um servidor em nuvem para rodar agentes em paralelo?
Não. Um computador pessoal atua como um Computer por meio do Sharkly Desktop. Para rotinas longas ou que ocorram durante a noite, máquinas remotas ou servidores Linux vinculados via Sharkly CLI mantêm as rotinas ativas mesmo que o seu computador pessoal hiberne.
Um quadro de tarefas equivale integralmente ao superagente da DeepSeek?
Não exatamente. O Router concebido pela DeepSeek é um modelo LLM que distribui tarefas autonomamente. Em um quadro, a atribuição é definida por uma pessoa, enquanto as Automações assumem a execução das tarefas recorrentes.
