Arquitetura
Como o ambiente de execução para computador transforma chamadas de modelo em sessões fiáveis de agentes: ciclos em streaming, encaminhamento de ferramentas, estado tolerante a falhas, abstração de fornecedores e gestão de contexto.
O blogue do Orkas explica como o Orkas funciona como um cliente de código aberto para computador, que dá prioridade ao funcionamento local, para coordenar agentes de IA com as suas próprias chaves de modelo. Estas notas de engenharia abrangem o ambiente de execução Agent Harness, a orquestração multiagente, a autoevolução local, o encaminhamento de fornecedores, a memória, a compactação de contexto e as decisões de segurança por detrás do tráfego direto para o fornecedor.
Como o ambiente de execução para computador transforma chamadas de modelo em sessões fiáveis de agentes: ciclos em streaming, encaminhamento de ferramentas, estado tolerante a falhas, abstração de fornecedores e gestão de contexto.
Como um agente líder decompõe um pedido, distribui tarefas por subagentes, passa contexto entre etapas e recupera quando uma tarefa falha.
Porque é que o Orkas mantém os dados do espaço de trabalho e as chaves de modelo na máquina do utilizador e porque é que o tráfego do seu próprio fornecedor segue diretamente para ele, sem passar pelos servidores do Orkas.
Ambos geram vídeo enquanto se vê e aceitam novas instruções a meio da transmissão. Lidos lado a lado, o artigo sobre o S2 e o relatório sobre o R2 concordam na estrutura de base, divergem em cinco opções — treino, deriva, memória, velocidade e controlo — e divulgam quantidades de informação muito diferentes.
O servidor oficial é exclusivo do Studio, o scripting externo sempre o foi, e a solução improvisada da versão gratuita é agora incerta, sem confirmação de que tenha deixado de funcionar.
Três trabalhos numa expressão. O que realmente se automatiza, o que continua a ser humano e a etapa de recolha 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 permite obter, quanto cobram CiteScore, Otterly e AppearAI, e a versão que pode executar por conta própria numa tarde.
Trinta encomendas por dia, uma hora a copiar e colar. A versão útil mostra só as quatro linhas que não coincidem.
Sete controlos que os profissionais exigem antes de um agente alterar um orçamento, e a tabela honesta dos quatro que o Orkas não tem.
Uma verificação em cinco passos de como os assistentes fazem recomendações na sua categoria e por que razão as respostas sem marca quase nunca citam o seu site.
App ID, Cert ID, RuName e um ID de marketplace. Um deles não é um URL, e é aí que a maioria fica bloqueada.
Sem programa de programadores 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 um servidor MCP. Quatro caminhos de terceiros e o ponto de controlo onde 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 mais fácil não consegue ver a sua loja. A decisão sobre os âmbitos de acesso e por que razão as operações de escrita exigem um ponto de controlo.
Uma agência vende três coisas separáveis — capacidade, especialização, responsabilização — reunidas numa única fatura, e a maioria das empresas precisa de menos de três. Produzir capacidade por conta própria ficou muito mais barato; as outras duas quase não mudaram. Como descobrir qual delas está a comprar.
Parta de quanto precisa de ganhar, não de quanto os outros cobram. Uma calculadora de preços que corre no navegador, a aritmética por trás dela, onde estão os números reais do mercado e quatro formas de aumentar a tarifa com um cliente que já tem.
As seis secções que um cliente de facto lê, o que entra em cada uma e a ordem em que realmente se devem escrever — além de um modelo Word e Excel já preenchido e da receita de duas etapas que gera os dois. Sem pedir email.
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 permite obter, quanto custa na camada de serving e um hábito da indústria que o artigo abandona discretamente.
Quase todos os agentes compactam numa determinada percentagem da janela e descartam os turnos mais antigos. Esse limite sabe que está sem espaço; não sabe nada sobre o que é seguro perder. Por que razão a propriedade de Markov dos marcos é uma suposição e não um facto, e por que razão a compactação a exige de forma muito mais estrita do que o treino.
O Orkas regista marcos duradouros do plano e, separadamente, factos do lado do host sobre o que cada chamada de ferramenta realmente mudou. Nada liga os dois, pelo que uma etapa conta como concluída quando o modelo diz que está. Como o BEACON posiciona o seu detetor, as três camadas a construir e um critério que o artigo não tem.
O Orkas tem três proteções contra loops, e nenhuma deteta um modelo capaz que estagna — porque as três perguntam se está a repetir-se, e um modelo bloqueado nunca se repete. O ponto cego, a definição de progresso do lado da saída tomada de empréstimo ao BEACON, e o que medir primeiro.
Uma leitura atenta do BEACON, da Universidade de Zhejiang: por que razão os 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 se refazerem os cálculos.
Ser citado não é obter uma boa classificação. É sobreviver à recuperação e depois ser o excerto que vale a pena citar — os três bots da OpenAI, a porta da CDN que o robots.txt esconde e por que razão um facto por trás de JavaScript não existe.
O Claude Code e o Codex destacam-se em coisas diferentes. Use-os em conjunto — com terminais e git worktrees, ou com um Commander do Orkas que orquestra os dois num único chat.
Como o Orkas sincroniza dados do utilizador com transferência cifrada, armazenamento de conteúdo, commits no servidor, locks por conta, regras de sincronização, tratamento de conflitos assistido por modelo, confirmação de eliminação e reciclagem.
Como o Orkas reconstruiu a sua base de agentes na linha 1.0: runtime no processo, rotação de fornecedores, orquestração dinâmica de grupo, alojamento aberto, memória e autoevolução.
Por dentro da orquestração multiagente do Orkas: um agente líder transforma um pedido num plano, distribui subagentes por dependência, passa contexto entre etapas e recupera de falhas.
O fator dominante é a taxa de iteração, não o preço por segundo. De onde vêm as repetições e como tornar a lista de verificação da prática o padrão.
O que significa IA local-first — os seus dados, chaves de API e tráfego de modelo ficam na sua máquina, não na nuvem de um fornecedor — por que razão isso é importante para a privacidade e como funciona um agente com a sua própria chave.
Como o Orkas transforma chamadas de modelo num runtime fiável de agentes de desktop: loops em streaming, encaminhamento de ferramentas, compactação de contexto, abstração de fornecedores, memória e sessões tolerantes a falhas.
Por dentro do loop local de autoevolução do Orkas: sinais leves, reflexão em segundo plano, competências executáveis, métricas de competências e proteções contra aprender a lição errada.
O Orkas é um cliente de IA de código aberto para computador, com prioridade ao funcionamento local, para macOS e Windows. Em vez de conversar com um único assistente, dirige uma equipa de agentes: um agente líder assume a responsabilidade pelo seu objetivo e recruta subagentes que recorrem a competências para realizar o trabalho. Pode usar modelos oficiais opcionais geridos pelo Orkas ou ligar o seu próprio fornecedor através de OAuth ou de uma chave de API; o seu espaço de trabalho dá prioridade ao funcionamento local por predefinição.
Dar prioridade ao funcionamento local significa que os seus dados e o controlo permanecem no seu dispositivo. As suas conversas, ficheiros, base de conhecimento, memória e chaves de modelo cifradas ficam na sua máquina por predefinição. Com o seu próprio fornecedor, o tráfego do modelo segue diretamente do seu computador para ele e não passa pelos servidores do Orkas como proxy; os modelos oficiais usam o serviço de modelos gerido pelo Orkas.
Um agente líder lê o seu objetivo, divide-o em etapas e recruta subagentes de acordo com a tarefa e a capacidade. Cada subagente trabalha no seu próprio contexto limitado e recorre a competências – pesquisa na Web, execução de código, E/S de ficheiros, pesquisa na base de conhecimento e conectores – para realizar o trabalho. O líder passa a cada subagente apenas aquilo de que precisa, o que mantém baixo o custo dos tokens e claras as responsabilidades.
As utilizações comuns incluem investigação e análise, escrita e edição, programação com agentes CLI nativos ou externos, como Claude Code, Codex e OpenClaw, trabalho com dados, aprendizagem e documentos de escritório. Também pode transformar uma tarefa recorrente num subagente reutilizável uma única vez e invocá-lo na conversa sempre que precisar.
A versão pública atual é uma aplicação para computador para macOS e Windows; o retransmissor de controlo remoto para iOS está desativado e não existe cliente Web. Os modelos oficiais usam créditos Orkas, ou pode ligar o seu fornecedor e ser faturado por ele. A sincronização opcional guarda os dados escolhidos no Orkas.