1024 | Agentes por toda parte: novas ferramentas, modelos e plataformas da semana

Sofia Almeida: Olá, bem-vindos ao briefing diário do Product Hunt. Eu sou a Sofia Almeida.

Rafael Costa: E eu sou o Rafael Costa. Cada dia lançam-se dezenas de produtos, e o nosso trabalho aqui é simples: olhar para o que apareceu nas últimas vinte e quatro horas, escolher as histórias que têm o problema mais claro e a solução mais diferenciada, e explicar o que realmente sabemos sobre elas — e o que ainda não sabemos.

Sofia Almeida: E hoje há um fio condutor muito forte. Vamos falar muito de agentes de IA — agentes que escrevem código no terminal, que precisam de supervisão, limites de uso, memória, segurança — e depois ver como essa mesma onda está a descer para o telemóvel, para a voz e para o vídeo.

Rafael Costa: Sim, porque há um conjunto notável de ferramentas que partilham a mesma pergunta: se os agentes estão a fazer trabalho real, quem os observa, quem corta quando passam do ponto, e onde guardam aquilo que aprendem?

Sofia Almeida: Vamos começar exatamente aí, no terminal.

Rafael Costa: O Termi Protocol apareceu com uma ideia visual curiosa: em vez de acompanhar o Claude Code ou o Codex lendo texto no terminal, cria salas em 3D onde observas estes agentes CLI a trabalhar. É uma mudança de interface — em vez de scroll infinito de logs, tens uma representação espacial do que cada agente está a fazer.

Sofia Almeida: E o que é interessante é que a novidade desta ronda vai além da observação. O Termi adicionou agora capacidade de entregar tarefas entre modelos quando há limite de uso. Quando um modelo bate no limite, o sistema consegue passar a tarefa para outro modelo. E há também um chamado "boss agent".

Rafael Costa: Que, pela descrição do produto, coordena essa orquestração. Mas atenção: isto são descrições dos makers. Ainda não temos evidência independente de como funciona na prática, quão bem a transferência entre modelos preserva o contexto da tarefa, ou se o boss agent decide bem quando entregar.

Sofia Almeida: É um bom ponto para guardar: observação visual versus orquestração são duas apostas diferentes. E a orquestração tem um rival direto que apareceu no mesmo dia, com uma filosofia completamente oposta.

Rafael Costa: É o Peras. O problema é o mesmo — agentes CLI como Claude Code e Codex estouram os limites de uso e aí ou esperam ou pagam. Mas o Peras ataca por outro caminho: define uma linha de alerta de consumo, e quando o agente passa dessa linha, o Peras recusa a próxima chamada de ferramenta. É um corte, literalmente.

Sofia Almeida: Ou seja, o Termi tenta contornar o limite entregando a tarefa a outro modelo; o Peras tenta impedir que chegues ao limite em primeiro lugar, travando a execução. São respostas ao mesmo problema de gestão de uso, mas uma aposta na continuidade e a outra no controlo.

Rafael Costa: E no que toca a disponibilidade, o Peras tem um detalhe que os makers costumam esquecer: a CLI é gratuita e MIT, e o menu bar no Mac custa €4,99. Portanto podes experimentar o mecanismo de corte sem pagar nada, e pagar só se quiseres a integração com o sistema.

Sofia Almeida: Nota também que o corte é na próxima chamada de ferramenta — não desfaz trabalho, não apaga nada, apenas impede a seguinte ação. Isso é importante porque significa que o agente para num estado controlado.

Rafael Costa: E aqui está o que fica por saber, e é honesto dizer: ainda se sabe pouco sobre adoção. Não temos números de uso para o Termi nem para o Peras. O próximo passo natural é ver quem escolhe observação visual — as salas 3D do Termi — versus cortes automáticos como o do Peras. São públicos possivelmente diferentes: quem quer acompanhar o agente de perto versus quem quer apenas uma rede de segurança.

Sofia Almeida: E há mais duas ferramentas neste mesmo universo de supervisão de agentes que merecem entrar na conversa, porque abordam o problema por ângulos diferentes.

Rafael Costa: A primeira é o DotMD, uma aplicação Mac nativa para Markdown com uma ideia muito específica: rever especificações — specs — para agentes de IA como se revês um pull request. Ou seja, antes de o agente executar, tu lês o plano, comentas, e depois o agente, através de MCP, corrige e tu vais aceitando ponto a ponto.

Sofia Almeida: Isso fecha um ciclo de revisão que faltava. O Termi observa a execução, o Peras corta quando há excesso de consumo, e o DotMD move a supervisão para antes — para o plano. Em vez de vigiar o que o agente fez, aprovas o que o agente vai fazer, e aceitas as correções uma a uma até estar tudo conformado.

Rafael Costa: É um contraste útil para o ouvinte: três momentos de supervisão — antes, durante, e no limite. Nenhuma substitui as outras.

Sofia Almeida: E a segunda é mais operacional: o Inyon, uma ferramenta open-source MIT para responder a agentes de codificação como o Claude Code a partir do telemóvel ou do navegador, dentro de sessões tmux.

Rafael Costa: Sem necessidade de hospedagem — faixas QR para emparelhar, com encriptação ponta a ponta. Portanto estás fora de casa, o agente de codificação está a correr numa sessão tmux na tua máquina, e respondes-lhe do telefone.

Sofia Almeida: Isso encaixa diretamente no que vimos no início. Os agentes CLI não estão presos ao monitor — o Inyon mostra que a supervisão também não tem de estar. E há um terceiro suporte nesta família: o Monish, no iPhone, que mostra o progresso de agentes de IA no ecrã de bloqueio através de Live Activity, e permite aprovar ou recusar ações a partir da notificação.

Rafael Costa: E é gratuito e sem conta. Portanto a imagem completa é esta: os agentes CLI amadureceram ao ponto de existir todo um ecossistema à volta — salas 3D para os ver, cortes de orçamento para os travar, specs para os aprovar antes, tmux no telefone para lhes responder, e notificações no ecrã de bloqueio para autorizar ações.

Sofia Almeida: E onde há agentes a fazer trabalho real na tua máquina, surge inevitavelmente a pergunta seguinte: e a segurança? O que é que estes agentes podem tocar?

Rafael Costa: É exatamente a transição para o Plango. É um produto macOS que se posiciona como suite de segurança para a era dos agentes: usa modelos de IA locais para monitorizar os acessos a ficheiros dos teus agentes de coding e detetar exfiltração de rede — ou seja, dados a sair da tua máquina.

Sofia Almeida: E o detalhe importante é "modelos locais". A monitorização corre no teu Mac, o que faz sentido: se estás a vigiar agentes que podem ler os teus ficheiros, não queres a vigilância a passar por outra parte na nuvem.

Rafael Costa: No preço, $4,99 por mês, com 7 dias de teste gratuito. Portanto é barato o suficiente para experimentar sem compromisso.

Sofia Almeida: E tratamaker claims, claro — a descrição diz que deteta exfiltração, mas não temos testes independentes de quão bem distingue, por exemplo, um agente que lê ficheiros porque precisa, de um que envia dados para fora. Essa fronteira é exatamente o que seria preciso provar.

Rafael Costa: E o Plango contrasta com outra aposta no Mac como base de agentes, que vai na direção oposta: em vez de vigiar o agente, dar ao agente memória. É o ShogunAI.

Sofia Almeida: O ShogunAI coloca-se no notch do Mac — aquele recorte no topo do ecrã — como uma IA pessoal que regista a tua memória de trabalho. E tem uma funcionalidade de continuação de texto: seguras Option em qualquer aplicação e continuas a escrever com a ajuda da IA.

Rafael Costa: Portanto o posicionamento é "o Mac é a minha base de agentes, e esta IA no notch sabe o que tenho andado a fazer". O modelo de negócio, porém, é agressivo: sem plano gratuito, $62 por mês desde o início.

Sofia Almeida: O que contrasta fortemente com o Plango a $4,99. Dois usos do Mac como base de agentes, dois extremos de preço — e a $62/mês, o ShogunAI pede uma confiança considerável numa proposta que ainda estamos a ver como evolui.

Rafael Costa: E a pergunta que o ShogunAI levanta — onde é que estes agentes guardam a memória? — é precisamente o que nos leva ao próximo tema.

Sofia Almeida: Porque o Context Engine dá uma resposta completamente diferente da do ShogunAI. Em vez de memória individual no teu Mac, cria uma memória partilhada entre agentes e equipas.

Rafael Costa: Via MCP, guarda automaticamente decisões e ficheiros, e depois oferece pesquisa — funciona como um motor de busca —, resumos e exportação. Portanto se a tua equipa tem vários agentes a trabalhar, todos bebem da mesma memória de decisões e contexto.

Sofia Almeida: E é esse o contraponto exato ao ShogunAI: memória individual no Mac versus memória partilhada na infraestrutura da equipa. O ShogunAI diz "a memória é minha"; o Context Engine diz "a memória é da equipa, e os agentes são apenas mais uns membros".

Rafael Costa: Fica por saber como evolui essa fronteira — memória na nuvem, partilhada, versus tudo em local. E do lado do tudo-em-local, hoje há uma resposta muito concreta: o Gerty.

Sofia Almeida: O Gerty é um assistente de IA totalmente local no Mac. A funcionalidade mais interessante da descrição é que mede o teu Mac automaticamente — o hardware — e escolhe um modelo open-source adequado a essa máquina. Portanto não tens de saber qual modelo cabe na tua memória; o produto descobre por ti.

Rafael Costa: E não é só conversa: lê ficheiros, mail e calendário. Tudo em local, pela mesma lógica de privacidade do Plango — os dados não saem da tua máquina.

Sofia Almeida: No modelo de negócio, CHF 49 uma vez, para 3 Macs. Uma compra única — bem diferente dos $62/mês do ShogunAI. Tudo em local, pagamento único, frente a nuvem pessoal, subscrição mensal.

Rafael Costa: E repara como os três produtos desta família formam um espectro: Plango em local e barato para vigiar; ShogunAI individual e caro para memória pessoal; Gerty em local com compra única para um assistente completo; Context Engine partilhado entre equipa e agentes. A pergunta aberta é qual destes modelos ganha tração — mas não temos dados para decidir isso hoje.

Sofia Almeida: Passemos aos modelos em si, porque hoje saíram dois que partilham um padrão claro: velocidade.

Rafael Costa: O primeiro é o FLUX 3 Max, da fal com a Black Forest Labs. É um modelo de texto-para-vídeo — escreves uma descrição, gera um vídeo. E o número que os makers destacam é este: um vídeo de 10 segundos a 720p gera-se em cerca de 12,45 segundos.

Sofia Almeida: Isso é quase em tempo real. Tens de esperar pouco mais que a duração do vídeo para o ter. E há uma evidência externa importante: o modelo lidera empatado no topo da tabela I2V com 1139 Elo. Isso é um ranking de referência, não prova de qualidade — mas é uma indicação concreta de desempenho comparado.

Rafael Costa: O segundo é na voz: o ElevenLabs Realtime, um modelo speech-to-speech de ponta a ponta. E os números de latência: primeiro áudio em 570 milissegundos na versão Max, 620ms na Mini.

Sofia Almeida: 570ms é o intervalo de uma conversa humana natural — quando falas com alguém, o primeiro som da resposta chega naquela ordem de grandeza. Portanto a promessa é conversação sem aquele silêncio artificial das versões anteriores.

Rafael Costa: E tem um detalhe de compatibilidade que os makers vão notar: funciona com a API OpenAI Realtime. Ou seja, quem já tem integração com a API da OpenAI pode trocar o modelo por baixo sem refazer o trabalho.

Sofia Almeida: O padrão comum dos dois modelos é claro: geração e resposta cada vez mais rápidas. E isso não é apenas um número de marketing — latência baixa é o que abre espaço a aplicações verdadeiramente interativas. Quando geras vídeo quase em tempo real e respondes por voz em meio segundo, as interfaces podem mudar de "pedir e esperar" para "agir em direto".

Rafael Costa: E é exatamente essa promessa interativa que vemos agora a descer para o telemóvel.

Sofia Almeida: O MOVO AI posiciona-se como um agente de IA para vídeo longo no telemóvel. A interação é conversacional: falas da ideia, e o produto leva-te da ideia ao filme final, com personagens e cenários consistentes ao longo do vídeo.

Rafael Costa: Consistência de personagens e cenários é um dos problemas difíceis de geração de vídeo — manter a mesma personagem entre cenas. E o MOVO afirma resolver isso no telemóvel, em formato de longa duração, não clipes curtos.

Sofia Almeida: E há um detalhe que diz muito sobre como foi construído: a produção continua a trabalhar com o telemóvel bloqueado. Portanto não é só uma interface no aparelho — o trabalho corre no lado do serviço, e o telefone é o posto de comando.

Rafael Costa: Se ligarmos ao que vimos nos modelos — geração quase em tempo real, voz em meio segundo — o MOVO é o tipo de produto que essa velocidade torna possível: um agente a fazer produção de vídeo, conversando contigo, no bolso.

Sofia Almeida: E no extremo oposto do espectro de tamanho e foco, o Cloudflare lançou o Clairic. Um modelo de extração, sem geração.

Rafael Costa: Sem geração é a chave. Dás-lhe texto, devolve-te uma estrutura — valores extraídos, cada um com a sua confiança — numa única passagem. Portanto não escreve parágrafos, não cria imagens, apenas devolve os campos que pediste.

Sofia Almeida: E o preço de prévia no Workers AI: $0,10 por milhão de tokens de entrada. Ou seja, milhares de extrações por um cêntimo. Pequeno, barato, focado.

Rafael Costa: E repara no contraste com o MOVO: o MOVO é o agente maior, multimodal, a produzir filmes longos no telemóvel; o Clairic é o modelo mínimo, de um só propósito, a custo quase nulo. Ambos mostram que o mercado de modelos está a bifurcar-se — modelos grandes para agir, modelos minúsculos para extrair.

Sofia Almeida: E entre os dois, há um produto que mostra agentes a agir fora do desktop por outro caminho: o Dots Phone.

Rafael Costa: É um plugin independente de chamadas telefónicas para o OpenAI Dots. E a arquitetura é o que interessa: é self-hosted — correres tu na tua infraestrutura —, usa as tuas próprias contas OpenAI e Twilio, e é MIT, open-source.

Sofia Almeida: Portanto as tuas chaves, o teu Twilio, o teu servidor. Traz as capacidades de agente para uma ação concreta — fazer chamadas —, mas sem dar as tuas contas a um serviço externo. Junto com o MOVO, forma a imagem de agentes a sair do escritório: um no vídeo, outro na voz telefónica.

Rafael Costa: E isso remete-nos para as operações, porque se os agentes estão a agir em produção — em servidores, em filas, em infraestrutura real — alguém tem de os pôr de on-call.

Sofia Almeida: O Polylane for Cloudflare faz exatamente isso. Posiciona-se como um engenheiro de on-call com IA: com um token do Cloudflare que é apenas de leitura, investiga causas raiz nos Workers, na D1 e nas filas.

Rafael Costa: O "apenas de leitura" é um detalhe de segurança importante — o produto não pode escrever na tua infraestrutura Cloudflare, só ver. E quando o problema é de código, abre PRs automaticamente.

Sofia Almeida: Portanto investiga com visão, propõe correções por PR — que ainda tens de rever e aprovar, como em qualquer PR. É o mesmo princípio de supervisão que abrimos no programa: o agente age, mas o humano mantém o controlo no momento da mudança.

Rafael Costa: E o Polylane encaixa numa tendência mais ampla que hoje tem um produto próprio: medir quem realmente usa agentes. É o Agent Hunt, da Monid — um ranking em tempo real de ferramentas de IA, ordenado por chamadas reais, não por votos ou press coverage.

Sofia Almeida: Para dar a escala: o TinyFish lidera com 754 mil chamadas, mais 32 por cento. Portanto o Agent Hunt mede uso real de agentes, chamada a chamada — o que é uma métrica diferente de tudo o que tínhamos antes, que era votos, tráfego ou estrelas no GitHub.

Rafael Costa: E nota que não usamos isso como prova de qualidade — 754 mil chamadas dizem que as pessoas usam, não que o produto é bom. Mas como indicador de adoção, medir uso real é o que faltava numa categoria cheia de afirmações. E uma plataforma também está a mudar a forma de lançar — o que nos leva ao Product Hunt propriamente dito.

Sofia Almeida: A plataforma lançou um editor visual de lançamentos, com edição no local, WYSIWYG — o que vês é o que fica —, e rascunhos gravados automaticamente, com os três estados unificados.

Rafael Costa: Isto é relevante para as equipas que fazem lançamentos regularmente. E encaixa com um programa associado: o Dub Startup Program, que dá 50 por cento de desconto no plano Advanced no primeiro ano a startups com menos de 5 anos, financiadas, com menos de 15 empregados, e que ainda não sejam clientes da Dub.

Sofia Almeida: Portanto o conjunto — plataforma a melhorar o fluxo de lançamento, e um programa a reduzir o custo de entrada — mostra que a parte de distribuição também se está a profissionalizar. E fechamos com as ferramentas do dia a dia, que hoje são quase todas Mac.

Rafael Costa: A primeira é o Ovren Live Preview, que resolve um problema concreto de frontend: descreves a alteração que queres, e o produto gera uma pré-visualização em direto numa cópia do projeto — não no original.

Sofia Almeida: O "numa cópia" é o detalhe que importa: experimentas sem tocar no teu código real, e só depois de aprovar é que abre um PR. Portanto a mesma disciplina de aprovação humana que vimos com os agentes de código, mas aplicada a alterações de frontend visuais. No preço, $29 uma vez, até 50 usos.

Rafael Costa: Segue-se o Dots — não o Phone dos chamados, mas o Dots do Mac —, que transforma o notch num espaço de trabalho personalizável: YouTube em janela pequena, capturas de ecrã com scroll, pomodoro.

Sofia Almeida: E o Pro custa $5, compra única. Portanto outra aposta no notch — lembrando o ShogunAI —, mas para utilitários de produtividade em vez de memória de IA, e a uma fração do preço: $5 contra $62 por mês. É interessante ver duas leituras tão diferentes do mesmo recorte do ecrã.

Rafael Costa: Depois, uma ferramenta para quem trabalha com música: o Truffle, um editor de etiquetas musicais no Mac que corrige tags e capas e resolve duplicados através de reconhecimento de áudio.

Sofia Almeida: E a integração é o diferencial declarado: Apple Music, rekordbox, Serato e Traktor. Portanto não só a biblioteca pessoal, mas também as ferramentas de DJ — o que sugere um público de DJs e colecionadores cuidadosos, embora isso seja inferência nossa a partir das integrações.

Rafael Costa: Depois, busca de ficheiros: o Instant Search usa os modelos de embeddings da Perplexity para busca local de ficheiros por IA.

Sofia Almeida: Tudo offline, indexa até cerca de 1 GB, e requer macOS 15 ou superior. O limite de 1 GB é honesto — deixa claro para quem é: quem tem um conjunto moderado de documentos para pesquisar, não um disco inteiro.

Rafael Costa: E o último do dia é o Headroom, um cliente de controlo remoto que usa a partilha de ecrã nativa do macOS.

Sofia Almeida: Sem instalar nada no lado remoto, sem conta. E tem um detalhe curioso: é adaptado para a forma dobrável do iPhone Duo. Portanto controlas o teu Mac a partir de um telemóvel dobrável, aproveitando o ecrã a dobrar — e como usa a partilha de ecrã do sistema, não precisas de configurar nada na outra ponta.

Rafael Costa: E se olharmos para o dia todo, o padrão está claro. De manhã falámos de agentes a escrever código no terminal e de quem os observa, limita e aprova; ao meio-dia, de onde guardam a memória e como os vigiamos; depois, de modelos cada vez mais rápidos; e ao final, de agentes a agir no telemóvel, na infraestrutura e em produção.

Sofia Almeida: E o que fica em aberto hoje é honesto de dizer: para quase todos estes produtos temos descrições dos makers — que tratamos como afirmações, não resultados verificados —, com poucas evidências de adoção. As exceções são os rankings de referência, como os 1139 Elo do FLUX 3 Max, e as métricas de uso real, como o Agent Hunt.

Rafael Costa: As perguntas para amanhã: quem escolhe observação visual ou cortes automáticos nos agentes CLI; como evolui a fronteira entre memória partilhada e tudo-em-local; e se a velocidade dos novos modelos se traduz em produtos verdadeiramente interativos.

Sofia Almeida: Foi um dia cheio. Obrigada por nos ouvires — amanhã há mais briefing do Product Hunt.

Rafael Costa: Até já.