Cinco ferramentas open source que ampliam agentes de codificação — e a camada que elas deixam de fora

TL;DR: Cinco projetos de código aberto ultrapassaram 40.000 estrelas este ano ao remover um limite diferente do Claude Code, do Cursor e do Codex: papéis especializados, acesso à internet, execução paralela, produção de vídeo e recuperação estrutural barata. Cada um deles amplia o que um agente consegue fazer dentro de uma sessão. Nenhum deles adiciona um registro compartilhado do que os agentes fizeram. Essa camada é um trabalho à parte, e é justamente a que sua equipe sente primeiro.

Os agentes de programação convergiram. Claude Code, Codex, Cursor e OpenCode leem um repositório, editam arquivos, executam comandos e chamam servidores MCP. Quando o loop central deixou de ser o diferencial, o trabalho interessante migrou uma camada para fora, para os elementos que você acopla ao agente.

A seguir, os cinco complementos que vale a pena conhecer, o que cada um faz e a fronteira que eles compartilham.

Os cinco

As contagens de estrelas vêm da API do GitHub em 1º de setembro de 2026.

O agency-agents é uma biblioteca de definições de papéis. Mais de 300 arquivos markdown distribuídos em cerca de 20 categorias, cada um descrevendo uma identidade, um processo de trabalho, entregáveis e uma definição de pronto. Um script de instalação os grava no Claude Code, Cursor, Codex, Gemini CLI, OpenCode e mais uma dúzia de ferramentas. Uma persona muda a forma como um agente enquadra uma tarefa. Ela não fornece ao agente informações que ele não tem. Guia completo: definições de papéis e o que elas não conseguem armazenar.

O Agent-Reach é uma única CLI que conecta um agente ao X, Reddit, YouTube, GitHub, RSS e cerca de uma dúzia de outras plataformas, usando caminhos de acesso gratuitos em vez das APIs pagas das plataformas. Cada plataforma passa por um backend principal com alternativas, de modo que, quando um caminho de acesso falha, o projeto troca o padrão e sua configuração continua funcionando. As plataformas baseadas em cookies fazem a leitura por meio de uma sessão de navegador autenticada, o que vale a pena conferir em relação aos termos de qualquer conta que você conectar. Guia completo: acesso à web e onde os resultados devem ficar.

O Orca é um aplicativo de desktop para executar vários agentes de programação ao mesmo tempo, cada um em seu próprio worktree do git. Ele controla qualquer agente de CLI por meio das assinaturas que você já tem e adiciona divisões de terminal, anotação de diffs, worktrees remotos via SSH e um aplicativo complementar para celular. O modelo de worktrees paralelos é a primitiva certa para esse problema, e o Orca o implementa bem. Guia completo: worktrees paralelos e quando uma equipe precisa de mais.

O OpenMontage transforma um assistente de programação em um sistema de produção de vídeo: onze pipelines que conduzem uma solicitação por pesquisa, roteiro, plano de cenas, geração de assets, edição e renderização, com pontos de aprovação humana entre as etapas. Fique atento à licença antes de construir algo sobre ele. O OpenMontage é AGPL-3.0, enquanto os outros quatro são MIT, e a cláusula de rede é uma decisão para o seu time jurídico, não uma nota de rodapé. Guia completo: vídeo agêntico e o problema da aprovação.

O codebase-memory-mcp indexa um repositório em um grafo de conhecimento persistente de funções, classes, cadeias de chamadas e rotas, e depois responde a perguntas estruturais a partir do grafo em vez de usar grep. O projeto mede cinco consultas estruturais em cerca de 3.400 tokens pelo grafo, contra aproximadamente 412.000 tokens na exploração arquivo por arquivo. É um único binário nativo, roda localmente e é o item desta lista com o melhor retorno para a menor mudança de fluxo de trabalho. Guia completo: recuperação barata e a memória que ele não armazena.

O que os cinco têm em comum

Cada um deles amplia a execução. Prompts mais capazes, mais fontes, mais concorrência, mais formatos de saída, mais recuperação dentro de uma sessão.

Nenhum deles muda o que acontece depois que a sessão termina.

Isso não é uma crítica. É uma separação de responsabilidades, e esses projetos estão certos em permanecer do lado deles dessa fronteira. A ferramenta de agente executa. Outra coisa precisa manter a atribuição, o contexto, o progresso e a revisão. Quando nada mantém isso, o trabalho existe apenas no terminal de uma pessoa.

O sintoma é conhecido. Um agente produz um bom resultado na quinta-feira. Na segunda-feira, um colega pergunta por que a lógica de retry mudou, e a resposta está no histórico de rolagem de um notebook, se é que aquele worktree ainda está aberto. O prompt foi o único registro, e um prompt não é um registro.

A camada que eles pressupõem

Uma Task é a principal unidade de trabalho no Sharkly. Ela carrega a solicitação, o contexto, a execução, os bloqueios e o resultado em um único lugar compartilhado, em vez de dividi-los entre prompts privados e sessões de terminal.

Cada peça tem uma única função. O Agent define como o trabalho deve ser conduzido. O Computer fornece o host e os recursos locais. O Runtime realiza a sessão do agente propriamente dita, usando as ferramentas que sua equipe já instalou. A Task continua sendo o registro compartilhado.

Vale a pena ler essa divisão em contraste com os cinco projetos acima, porque ela explica o que se compõe e o que não se compõe.

O Sharkly não substitui o Claude Code, o Codex nem as ferramentas desta lista. Ele adiciona a camada compartilhada de tarefas, Computer, contexto, controle e revisão ao redor delas. O uso dos modelos continua pelas assinaturas ou chaves de API configuradas nessas ferramentas.

Assim, uma persona do agency-agents se torna um Agent: uma configuração salva com instruções, runtime, skills, repositórios e ambiente, reutilizada em vez de redigitada. Uma Crew é um grupo reutilizável de People e Agents coordenado por um Agent líder, que é exatamente o que uma divisão de especialistas precisa para se comportar como equipe. O trabalho no repositório roda em um worktree isolado por tarefa, o mesmo isolamento que o Orca aplica por painel, só que aplicado à unidade que a equipe consegue enxergar. A execução, os bloqueios, os resultados e a discussão de acompanhamento voltam para a linha do tempo da tarefa, então a resposta à pergunta de segunda-feira está na tarefa, e não na memória de alguém.

O controle que mais importa é o mais discreto: uma Task no Backlog não inicia uma execução. O trabalho é preparado, delimitado e aprovado antes que qualquer coisa seja executada.

Os agentes pesquisam, executam, testam e reportam. As pessoas definem a direção, concedem autoridade e aceitam o resultado. A automação para onde o julgamento da equipe é necessário.

Quando você precisa disso — e quando não precisa

Para uma pessoa rodando um único agente, um bom terminal e um bom editor bastam. Instale o codebase-memory-mcp, continue trabalhando e ignore todo o resto desta página. Adicionar uma camada de tarefas a um fluxo com um único participante é sobrecarga sem ninguém para ler.

Use um sistema de trabalho compartilhado quando uma segunda pessoa precisa saber o que os agentes fizeram: quando a revisão precisa acontecer antes do lançamento, quando mais de um agente roda ao mesmo tempo no mesmo repositório, ou quando alguém vai perguntar daqui a três meses o que mudou e por quê.

O limiar não é o tamanho da equipe. É se o registro precisa sobreviver à sessão.

FAQ

Essas ferramentas entram em conflito com uma camada de gestão de trabalho? Não. Elas ficam em lados diferentes da mesma fronteira. As ferramentas desta lista melhoram a execução dentro de uma sessão. Um sistema de trabalho mantém a atribuição, o contexto e a revisão ao redor dela. O Sharkly executa os runtimes que sua equipe já instalou, em vez de substituí-los.

Qual delas uma equipe deve instalar primeiro? O codebase-memory-mcp, na maioria dos casos. Ele não exige mudança de fluxo de trabalho, roda localmente e reduz os tokens que um agente gasta respondendo a perguntas estruturais que, de outra forma, ele procuraria com grep. Os outros exigem que você mude a forma como trabalha.

Rodar vários agentes em paralelo exige o Orca? Não. O Orca é uma implementação robusta para desktop do modelo de worktrees paralelos e vale a pena experimentar se você trabalha sozinho. Se o trabalho paralelo precisa ser atribuído, acompanhado e revisado por mais de uma pessoa, o isolamento pertence à tarefa, e não ao painel do terminal. As duas abordagens usam o mesmo mecanismo subjacente do git.

O que significa "traga sua própria assinatura" aqui? O uso dos modelos continua pelas assinaturas ou chaves de API configuradas nas suas ferramentas de programação. A cota de modelos depende das ferramentas de programação com IA, dos planos e das contas de API que sua equipe conectar.

Conclusão

Vale a pena adotar a onda de ferramentas de 2026. Papéis, alcance, paralelismo, novos formatos de saída e recuperação barata são melhorias reais, e quatro dos cinco têm licenças permissivas e são rápidos de testar.

Eles também compartilham uma fronteira. Todos eles tornam um agente mais forte dentro de uma sessão, e o valor de uma sessão é limitado por se alguém consegue vê-la depois. O Sharkly existe para essa outra metade: a tarefa é o registro compartilhado, a execução roda em Computers que você conecta por meio dos runtimes que você já paga, e os resultados retornam para um lugar onde uma pessoa pode revisá-los e aceitá-los.

Amplie o agente. Depois, dê ao trabalho um lugar para viver.