Arquitetura
Como o runtime desktop transforma chamadas de modelo em sessões confiáveis de agentes: loops em streaming, roteamento de ferramentas, estado tolerante a falhas, abstração de provedores e gestão de contexto.
O Blog do Orkas explica como o Orkas funciona como um cliente desktop open source e local-first para coordenar agentes de IA com suas próprias chaves de modelo. Estas notas de engenharia cobrem o runtime Agent Harness, orquestração multiagente, autoevolução local, roteamento de provedores, memória, compactação de contexto e as decisões de segurança por trás do tráfego direto ao provedor.
Como o runtime desktop transforma chamadas de modelo em sessões confiáveis de agentes: loops em streaming, roteamento de ferramentas, estado tolerante a falhas, abstração de provedores e gestão de contexto.
Como um agente líder decompõe uma solicitação, despacha subagentes, passa contexto entre etapas e se recupera quando uma tarefa falha.
Por que o Orkas mantém dados do workspace e chaves de modelo na máquina do usuário e por que o tráfego do seu próprio provedor vai diretamente a ele, sem passar pelos servidores do Orkas.
O cmux só é distribuído para macOS, e o Claude Squad depende do tmux. O que cada ferramenta faz, o que funciona no Windows hoje e como o Orkas roda Claude Code e Codex lado a lado em um único app para Windows.
Quando um projeto tem várias pessoas e vários agentes, como eles devem trabalhar juntos? Em que os agentes diferem das pessoas como colaboradores, por que os apps de chat feitos para pessoas não servem para eles e o que os projetos do Orkas mantiveram e redesenharam por causa disso.
O agentic SEO entrega um fluxo de trabalho de busca definido a um agente de IA que reúne os próprios dados, segue um método escrito e confere o próprio trabalho, enquanto uma pessoa aprova o que vai ao ar. Veja o que isso significa na prática e quais tarefas delegar primeiro.
Testamos o Claude Code com ffmpeg para cortes iniciais e legendas. Os arquivos podem ir para o CapCut; não testamos o computer use do Claude Desktop com o CapCut.
O ServiceM8 tem o próprio servidor MCP, então o Claude pode buscar serviços, ler notas e, com sua aprovação, fazer alterações. Veja como conectá-lo pelo Claude, pelo Claude Code ou pelo Orkas, e quais tarefas vale a pena delegar primeiro.
Um funcionário de IA é uma IA com uma função, um procedimento escrito e memória. Comece com uma tarefa recorrente e depois encadeie um segundo e um terceiro num revezamento. Aqui você encontra um modelo de descrição de cargo para copiar, como configurar tudo sem terminal e uma comparação com outras ferramentas.
O GPT-6 Astra monta cenas editáveis no Blender e controla braços robóticos. Lemos os números oficiais, os benchmarks de robótica e os artigos por trás deles: onde estão os ganhos, de onde eles muito provavelmente vêm e o que muda para a geração 3D e para o cérebro dos robôs.
O Orkas 1.8 permite que várias pessoas trabalhem em um mesmo projeto. Cada uma dirige a própria equipe de IA no próprio computador; o projeto reúne as instruções, a memória, os arquivos e os itens a fazer que todos compartilham. Veja como funciona, como isso se encaixa no resto do Orkas e por que construímos assim.
Os dois geram vídeo enquanto você assiste e aceitam novas instruções no meio da transmissão. Lidos lado a lado, o artigo do S2 e o relatório do R2 concordam no esqueleto, divergem em cinco escolhas — treino, desvio, memória, velocidade e controle — e divulgam quantidades muito diferentes.
O servidor oficial é só do Studio, o scripting externo sempre foi, e a gambiarra da versão gratuita agora é incerta, não confirmadamente morta.
Três trabalhos em uma expressão. O que realmente se automatiza, o que continua humano e a etapa de evidências antes de qualquer corte.
Uma loja de duas pessoas recebeu um orçamento de US$ 3.000 mais US$ 400 por mês. O que isso compra, quanto cobram CiteScore, Otterly e AppearAI, e a versão de uma tarde que você mesmo roda.
Trinta pedidos por dia, uma hora de copiar e colar. A versão útil mostra só as quatro linhas que não batem.
Sete controles que profissionais exigem antes de um agente mudar um orçamento, e a tabela honesta dos quatro que o Orkas não tem.
Uma verificação em cinco passos sobre como os assistentes recomendam na sua categoria e por que respostas sem marca quase nunca citam seu site.
App ID, Cert ID, RuName e um ID de marketplace. Um deles não é uma URL, e é aí que a maioria trava.
Sem programa de desenvolvedor e sem fila de revisão, porque o servidor é seu. Restam duas falhas, ambas silenciosas.
O Claude não tem conector Etsy e a Etsy não publica servidor MCP. Quatro caminhos de terceiros e o portão em que todos param.
O que um servidor MCP para o Seller Central cobre, o trabalho de SP-API que ninguém menciona primeiro e de onde vem o conhecimento de merchandising.
A Shopify distribui dois servidores MCP e o fácil não enxerga sua loja. A decisão de escopos e por que escritas exigem um portão.
Uma agência vende três coisas separáveis — capacidade, especialização, responsabilização — empacotadas em uma nota só, e a maioria das empresas precisa de menos de três. Capacidade ficou muito mais barata de produzir sozinho; as outras duas quase não se moveram. Como descobrir qual delas você está comprando.
Parta do quanto você precisa ganhar, não do quanto os outros cobram. Uma calculadora de preços que roda no navegador, a aritmética por trás dela, onde estão os números reais de mercado e quatro formas de aumentar a taxa com um cliente que você já tem.
As seis seções que um cliente de fato lê, o que vai em cada uma e a ordem em que realmente se deve escrevê-las — além de um modelo Word e Excel já preenchido e a receita de duas etapas que gera os dois. Sem pedir e-mail.
O Kimi K3 passou de 1T para 2,8T de parâmetros, e esse é o número menos interessante do relatório. A arquitetura escala em sequência, profundidade e largura — e uma das mudanças substitui todo um caminho de código de GPU por um único limite inferior. O que cada direção compra, quanto custa na camada de serving e um hábito da indústria que o artigo abandona discretamente.
Quase todo agente compacta em uma porcentagem da janela e descarta os turnos mais antigos. Esse limite sabe que você está sem espaço; não sabe nada sobre o que é seguro perder. Por que a propriedade de Markov de marcos é uma suposição e não um fato, e por que a compactação a exige de forma muito mais estrita que o treinamento.
O Orkas registra marcos duráveis do plano e, separadamente, fatos do lado do host sobre o que cada chamada de ferramenta realmente mudou. Nada conecta os dois, então uma etapa conta como concluída quando o modelo diz que está. Como o BEACON posiciona seu detector, as três camadas a construir e um critério que o artigo não tem.
O Orkas tem três proteções contra loop, e nenhuma captura um modelo capaz que estagna — porque as três perguntam se ele está se repetindo, e um modelo travado nunca se repete. O ponto cego, a definição de progresso do lado da saída emprestada do BEACON, e o que medir primeiro.
Uma leitura atenta do BEACON, da Universidade de Zhejiang: por que agentes de longo horizonte colapsam sob RL, como o crédito ancorado em marcos resolve isso, e uma métrica que parece contradizer o próprio design até você refazer a matemática.
Ser citado não é ranquear. É sobreviver à recuperação e então ser o trecho que vale a pena citar — os três bots da OpenAI, a porta do CDN que o robots.txt esconde e por que um fato atrás de JavaScript não existe.
Claude Code e Codex se destacam em coisas diferentes. Use-os juntos — com terminais e git worktrees, ou com um Commander do Orkas que orquestra os dois em um único chat.
Como o Orkas sincroniza dados do usuário com transferência criptografada, armazenamento de conteúdo, commits no servidor, locks por conta, regras de sincronização, tratamento de conflitos assistido por modelo, confirmação de exclusão e lixeira.
Como o Orkas reconstruiu sua base de agentes na linha 1.0: runtime no processo, rotação de provedores, orquestração dinâmica de grupo, hospedagem aberta, memória e autoevolução.
Por dentro da orquestração multiagente do Orkas: um agente líder transforma uma solicitação em plano, despacha subagentes por dependência, passa contexto entre etapas e se recupera de falhas.
O fator dominante é a taxa de iteração, não o preço por segundo. De onde vêm as repetições e como tornar o checklist da prática o padrão.
O que IA local-first significa — seus dados, chaves de API e tráfego de modelo ficam na sua máquina, não na nuvem de um fornecedor — por que isso importa para privacidade e como um agente com sua própria chave funciona.
Como o Orkas transforma chamadas de modelo em um runtime confiável de agentes desktop: loops em streaming, roteamento de ferramentas, compactação de contexto, abstração de provedores, memória e sessões tolerantes a falhas.
Por dentro do loop local de autoevolução do Orkas: sinais leves, reflexão em segundo plano, habilidades executáveis, métricas de habilidades e proteções contra aprender a lição errada.
Orkas é um cliente de IA desktop open source, local-first para macOS e Windows. Em vez de conversar com um único assistente, você dirige uma equipe de agentes: um agente líder é dono do seu objetivo e recruta subagentes que convocam habilidades para fazer o trabalho. Você pode usar modelos oficiais opcionais gerenciados pelo Orkas ou conectar seu próprio provedor por OAuth ou chave de API; seu espaço de trabalho é local-first por padrão.
Local-first significa que seus dados e controle permanecem no seu dispositivo. Seus chats, arquivos, base de conhecimento, memória e chaves de modelo criptografadas ficam em sua máquina por padrão. Com seu próprio provedor, o tráfego de modelo vai diretamente do seu computador para ele e não passa pelos servidores do Orkas como proxy; os modelos oficiais usam o serviço de modelo gerenciado do Orkas.
Um agente líder lê sua meta, divide-a em etapas e recruta subagentes por tarefa e capacidade. Cada subagente trabalha em seu próprio contexto limitado e chama habilidades – pesquisa na web, execução de código, E/S de arquivos, pesquisa na base de conhecimento e conectores – para entregar. O lead passa a cada subagente apenas o que ele precisa, o que mantém o custo do token baixo e as responsabilidades limpas.
Os usos comuns incluem pesquisa e análise, escrita e edição, codificação com agentes CLI nativos ou externos, como Claude Code, Codex e OpenClaw, trabalho de dados, aprendizagem e documentos de escritório. Você também pode transformar uma tarefa recorrente em um subagente reutilizável uma vez e invocá-lo no chat sempre que precisar.
A versão pública atual é um app desktop para macOS e Windows; o relay de controle remoto iOS está desabilitado e não há cliente web. Modelos oficiais usam créditos Orkas, ou você conecta seu provedor e é cobrado por ele. A sincronização opcional armazena os dados escolhidos no Orkas.