Fable 5 + GPT-5.6: A Construção Completa de uma Stack de Agentes que Trabalha Enquanto Você Dorme
Esta é a construção completa, em ordem, com um checkpoint após cada peça.
Marque estas 12 construções antes de esquecer.
Introdução
Você tem os dois modelos mais capazes já disponibilizados ao público e ainda está usando um de cada vez, manualmente.
Três coisas mudaram no último mês.
- Claude Fable 5 planeja em etapas, despacha seus próprios subagentes e verifica sua própria saída. US$ 10 por milhão de tokens de entrada, US$ 50 de saída.
- GPT-5.6 foi lançado em 9 de julho como três níveis permanentes. Sol a US$ 5 e US$ 30, Terra pela metade do Sol, Luna a US$ 1 e US$ 6. A OpenAI agora vende a decisão de roteamento como produto.
- Fable 5 passou 19 dias de junho suspenso sob uma ordem de exportação. Disponibilidade agora é algo que acontece com você.
Executados casualmente, esses modelos são uma forma cara de gerar coisas erradas impressionantes.
Executados dentro de um sistema, são a coisa mais próxima de um funcionário que você pode alugar. Os números empresariais da Anthropic colocam o Claude Code em cerca de US$ 13 por desenvolvedor por dia ativo. A OpenAI coloca o Codex em US$ 100 a US$ 200 por mês.
Este guia constrói esse sistema em doze etapas: os arquivos reais, em ordem, cada um testado antes da publicação, com um checkpoint após cada um para que você saiba que uma peça funciona antes de empilhar a próxima.
É para qualquer pessoa com um repositório, um terminal e acesso a qualquer uma das CLIs. Os exemplos são com sabor de código porque os loops cresceram em torno de código, mas o roteador, o conselheiro e o portão funcionam com faturas e relatórios da mesma forma.
Leia em ordem, fazendo as verificações. Cada etapa leva de 10 a 20 minutos, cerca de duas horas no total. Os 30 dias no final são o cronograma durante o qual o sistema ganha o direito de funcionar sem você.
Três princípios preveem cada decisão de design abaixo:
- Roteie nos limites. Esforço antes do modelo. Uma troca de modelo no meio da sessão queima um desconto de cache de 90%. Aumentar o esforço de raciocínio no mesmo modelo não custa nada extra em encanamento.
- Nada corrige seu próprio dever de casa. Escritor, roteador, conselheiro e revisor são partes diferentes, de linhagens diferentes quando possível, e o voto final é um script bash.
- Pronto é um fato sobre o ambiente. Uma suíte que passa, um arquivo de tarefa marcado, uma linha de veredito. Nunca a opinião do modelo sobre si mesmo.
O mapa, e por que o usual está errado
Engenharia de loop é um fluxo de trabalho agêntico com uma condição explícita de parada e lógica de repetição. O arnês decide quando o trabalho está concluído, em vez de deixar "estou pronto" para o modelo.
A imagem padrão é a stack Loopcraft do swyx: cinco loops aninhados uns dentro dos outros, execução dentro de tarefa dentro de produto dentro de sistema dentro de supervisão, cada um com sua própria saída. É a melhor que alguém já desenhou.
Usei por semanas. Então tentei construir contra ela, e ela quebrou em quatro lugares.
1) Problema um: os loops não se aninham.
Aninhar significa que uma volta do loop externo equivale a uma execução completa do loop interno. Não é o que acontece. O loop do sistema não espera o loop do produto terminar. Ele roda no domingo, quer algo tenha sido enviado ou não.
Você pode interromper um fluxo de tokens manualmente sem desenrolar quatro camadas. É uma imagem de contenção desenhada sobre um sistema que faz handoffs.
2) Problema dois: um loop desenhado como infinito é uma conta.
O original desenha o loop do produto dessa forma. Na prática, ele termina em um orçamento, em um checkpoint, ou quando alguém perde a paciência.
Chamar isso de "nenhum por design" esconde o lugar exato onde o dinheiro vaza de um sistema de agentes: um loop que ninguém disse como parar.
3) Problema três: não há abort.
Cada camada tem um final feliz e nenhum infeliz. Loops reais precisam de ambos: como fechar quando funciona, e como parar quando não consegue.
Toda conta descontrolada que já vi era um loop com uma saída definida e um abort indefinido.
4) Problema quatro: a verificação está faltando, e é o jogo inteiro.
Verificação é o contrato entre as camadas. Quando um loop inferior entrega um relatório em vez de um fato para um loop superior, o loop superior fecha com base em uma mentira.
Essa única lacuna é por que um loop pode atingir sua condição de parada e ainda estar errado.
Esta é a versão contra a qual construo.
A Escada de Evidências
Seis degraus, duas saídas cada, e uma regra: o controle flui para baixo como metas, a evidência flui para cima como fatos, e nenhum degrau pode fechar com base em um relatório do degrau abaixo dele.
Cinco leis decorrem da forma.
Cada degrau tem um abort, ou é uma conta. Se você não consegue nomear como um loop termina mal, você construiu uma assinatura. É por isso que ralph.sh carrega dois limites e o enxame carrega um limite de ciclo.
Evidência flui para cima e controle flui para baixo. Um degrau fecha com base em um fato produzido abaixo dele, nunca em um resumo escrito abaixo dele.
O portão da fábrica é esta lei em SQL. Dois revisores disseram verde. O portão ainda recusou, porque ninguém tinha produzido uma linha de teste aprovada.
Um veredito é uma opinião. Uma linha é evidência.
O custo por volta sobe cerca de dez vezes por degrau.
Um bug que escapa do degrau 2 custa dez vezes mais para ser pego no degrau 3, e cem vezes mais no degrau 4.
Esse é o argumento inteiro para colocar sua melhor verificação o mais baixo possível na escada, que é por que o portão é um script bash e não uma reunião.
A escala de tempo pertence ao modelo, não ao degrau.
O degrau 2 levava minutos em 2024, leva horas em 2026, e levará dias em breve. Projete contra a condição de saída, nunca contra o relógio. É aqui que a imagem antiga envelhece mais rápido.
Apenas o degrau 5 não tem condição de saída, e é isso que humano significa.
Você mora lá. A escada existe para ganhar uma frase: um loop pode atingir sua condição de parada e ainda estar errado.
Testes passam, o portão fica verde, ambos os revisores assinam, e o último commit ainda é um erro. Cada degrau abaixo de você existe para tornar essa verificação menor. Nenhum deles pode tirá-la de você.
Pré-requisitos
1CLI do Claude (Claude Code) com acesso ao Fable 52CLI do codex com acesso ao GPT-5.6 # ou o plugin oficial dentro do Claude Code3python3, jq, git, gh, make, cron4um repositório com um comando de teste que funcione hoje56# opcional, para frotas mistas (CONSTRUÇÃO 7):7openai/codex-plugin-cc # oficial: execute Codex dentro do Claude Code8claude-model-switch # proxy local: qualquer provedor por trás do Claude Code9CLIProxyAPI # encapsule assinaturas CLI como endpoints de API
O que você está construindo
1seu-repositorio/2 CLAUDE.md # CONSTRUÇÃO 1: constituição do lado Claude3 AGENTS.md # CONSTRUÇÃO 1: constituição do lado Codex4 .claude/5 skills/model-bench/SKILL.md # CONSTRUÇÃO 0: preços, IDs de API, fallbacks. o único arquivo com números6 skills/model-router/SKILL.md # CONSTRUÇÃO 47 skills/stuck-protocol/SKILL.md # CONSTRUÇÃO 58 skills/ship-gate/SKILL.md # CONSTRUÇÃO 29 agents/fable-expert.md # CONSTRUÇÃO 510 agents/fresh-eyes-reviewer.md # CONSTRUÇÃO 611 agents/sol-reviewer.md # CONSTRUÇÃO 612 agents/scout.md # CONSTRUÇÃO 713 loop/14 ralph.sh # CONSTRUÇÃO 3: o batimento cardíaco15 two_lane.sh # CONSTRUÇÃO 6: loop de revisão entre fornecedores16 PROMPT.md TASKS.md # CONSTRUÇÃO 3: o protocolo de trabalho17 gate/18 verify.sh # CONSTRUÇÃO 2: voto final determinístico19 eval_gate.py eval/cases.jsonl # CONSTRUÇÃO 2: portão de mudança de roteamento20 router/21 router.py # CONSTRUÇÃO 422 advisor_loop.py # CONSTRUÇÃO 523 ~/.codex/24 config.toml # CONSTRUÇÃO 0: perfis luna/terra/sol25 prompts/effort.md # /effort avalie a tarefa, nomeie o assento26 prompts/plan-stop.md # /plan-stop planeje, precifique, então pare27 prompts/fable-advice.md # /fable-advice consulta especializada entre fornecedores28 prompts/review-hostile.md # /review-hostile veredito em contexto limpo29 prompts/compost.md # /compost falhas se tornam leis, semanalmente30 factory/31 factory_gate.py # CONSTRUÇÃO 8: quadro-negro + portão de conclusão32 factory.sh # CONSTRUÇÃO 8: brief -> implementar -> revisar -> portão33 factory.db # CONSTRUÇÃO 8: as linhas que decidem34 swarm/35 swarm.sh # CONSTRUÇÃO 9: planejar -> despachar -> pontuar -> replanejar36 goals.jsonl # CONSTRUÇÃO 9: uma meta por linha, cada uma com sua verificação37 system/38 verify_goals.py # CONSTRUÇÃO 10: reverificação diária, para sempre39 goals/ # CONSTRUÇÃO 10: um arquivo por coisa concluída40 ROUTING.md # CONSTRUÇÃO 12: a política de roteamento completa, ambos os arneses41 progress.log # cada construção anexa aqui42 # opcional (CONSTRUÇÃO 7): proxy claude-model-switch em localhost:4000,43 # CLIProxyAPI para encapsular assinaturas CLI como endpoints de API
CONSTRUÇÃO 0: Configure os Motores
Defina estes antes de escrever qualquer arquivo seu. Cada número abaixo foi verificado nas páginas oficiais de preços na semana da publicação.
O banco: cada assento, julho de 2026
O elenco que o sistema contrata.
Os preços vivem em um único arquivo de habilidade, .claude/skills/model-bench/SKILL.md, carregado sob demanda antes de qualquer questão de roteamento ou custo. Nenhum outro arquivo codifica um número.
Os preços mudaram três vezes nas seis semanas anteriores a esta escrita. Um preço em um artigo está errado na publicação. Um preço em um arquivo de habilidade é uma edição.
A divisão que decide tudo a jusante:
- Fable 5 lidera em trabalho de software pesado. 80% no SWE-Bench Pro contra 64,6% do Sol, e supera o Sol em inteligência geral.
- Sol lidera em trabalho de terminal e agente. 88,8% no Terminal-Bench 2.1, e lidera o índice de agente de codificação a aproximadamente um terço do custo por tarefa do Fable.
Essa divisão é por que este sistema é de dois fornecedores. Fable julga e planeja, Sol revisa e opera terminais, e nenhum dos dois faz a digitação em massa.
Dois assentos que as pessoas interpretam mal.
Opus 4.8 não é o antigo carro-chefe juntando poeira. É o fallback automático sob o Fable e o padrão recomendado para codificação agêntica complexa. Seu sistema o herda quer você planeje para isso ou não.
Sonnet 5 com preço introdutório é o melhor valor do mercado. Próximo ao Opus 4.8 em capacidade por uma fração do preço de entrada do Fable, que é por que é o executor padrão em todos os lugares desta construção. Essa taxa expira em 31 de agosto, e o arquivo de habilidade já sabe disso.
Esse arquivo de habilidade é o único arquivo no sistema que contém um número:
1---2name: model-bench3description: A planilha de preços atual, IDs de modelo de API e cadeia de fallback para cada4 modelo que este sistema pode contratar. Carregue antes de qualquer decisão de roteamento, estimativa de custo,5 questão de orçamento, comparação de modelos, ou quando o usuário perguntar quanto custa algo.6---78# Banco de modelos910Fonte única da verdade para preços e identificadores de API. Nada mais neste repositório11codifica um preço, então quando os laboratórios alteram suas taxas, você edita este arquivo e12nada mais. Verificado em 2026-07-13. Preços mudam. Verifique novamente antes de fazer orçamento.1314## Anthropic (API Messages, /v1/messages)1516Esforço: output_config {"effort": "low|medium|high|xhigh|max"}. Pensamento adaptativo17está sempre ligado para o Fable 5 e não pode ser desativado. max_tokens limita o pensamento MAIS18o texto de resposta, então defina-o grande (comece perto de 64k) em alto e acima, ou o modelo19fica sem espaço no meio do pensamento.2021| Modelo | Entrada/Saída por Mtok | Leitura de cache | Assento |22|---|---|---|---|23| claude-fable-5 | $10/$50 | $1,00 | condutor, planejador, conselheiro, juiz. Cai para opus-4-8 automaticamente |24| claude-opus-4-8 | $5/$25 | $0,50 | condutor sob regras de retenção |25| claude-sonnet-5 | $2/$10 (até 31 de agosto, depois $3/$15) | n/a | executor de codificação padrão |26| claude-haiku-4-5 | $1/$5 | $0,10 | batedores, subagentes, trabalho mecânico |27281M de contexto no Fable, Opus 4.8, Sonnet 5, precificado COMO FIXO em contexto longo, que é29por que leituras longas roteiam para cá. Saída máxima de 128K.3031## OpenAI (API Responses, /v1/responses)3233| Modelo | Entrada/Saída por Mtok | Em cache | Assento |34|---|---|---|---|35| gpt-5.6-sol | $5/$30 | $0,50 | revisor entre fornecedores, trabalho de terminal |36| gpt-5.6-terra | $2,50/$15 | $0,25 | driver diário do Codex (teste contra Luna primeiro) |37| gpt-5.6-luna | $1/$6 | $0,10 | trabalho mecânico, ticks silenciosos |3839Contexto longo acima do limite aproximadamente DOBRA o preço de entrada, ao contrário do40nível fixo de 1M da Anthropic. Primeira família com pontos de interrupção de cache explícitos; escritas custam 1,25x.4142## Pesos abertos (trabalhadores em massa)4344| Modelo | Entrada/Saída por Mtok | Acerto de cache |45|---|---|---|46| deepseek-v4-flash | $0,14/$0,28 | $0,0028 (aproximadamente 98% de desconto) |47| deepseek-v4-pro | $0,435/$0,87 | n/a |48| kimi-k2.7-code | $0,95/$4,00 | $0,19 |4950## Descontos que se acumulam51 - leituras de cache custam um décimo da entrada nova em ambos os laboratórios (cerca de 90% de desconto)52 - escritas de cache se pagam após uma leitura (5m) ou duas (1h)53 - APIs em lote têm 50% de desconto em ambos os sentidos54 - lote + leitura de cache em um prefixo repetido chega perto de 95% de desconto55 - o tokenizador mais novo da Anthropic produz cerca de 30% mais tokens para o mesmo56 texto, então o custo efetivo fica acima do preço de tabela. Faça orçamento com base no custo efetivo.5758## Como responder a uma pergunta de custo59 1. Estime entrada e saída separadamente. Agentes leem cerca de 100 tokens para cada60 1 que escrevem, então a entrada domina e a taxa de acerto de cache decide a conta.61 2. Aplique a taxa de leitura de cache ao prefixo repetido, não à taxa base.62 3. Multiplique os valores da Anthropic por cerca de 1,3 para o tokenizador.63 4. Cite uma faixa, nomeie as suposições, diga qual linha deste arquivo você usou.64 5. Se o número exceder o limite diário do repositório, diga isso ANTES de executar qualquer coisa.6566Nunca apresente um preço que você não leu deste arquivo. Um modelo não listado aqui não está67no banco, e adicionar um é uma mudança de roteamento que passa pelo portão.
Sete fatos que mudam como você constrói:
- Entrada em cache tem 90% de desconto em ambos os laboratórios. Um timestamp no seu prompt de sistema queima isso em cada chamada. Prefixo estável, histórico apenas de acréscimo, sempre. Agentes leem cerca de 100 tokens para cada 1 que escrevem, então este desconto é a maior parte da sua conta.
- Escritas de cache custam extra, mas se pagam rápido. A escrita de 5 minutos da Anthropic custa 1,25x e se equilibra após uma única leitura. GPT-5.6 é a primeira família da OpenAI com pontos de interrupção de cache explícitos e escritas precificadas. Arquiteture em torno do cache da mesma forma que um programador de sistemas arquiteta em torno de uma hierarquia de memória.
- O tokenizador mais novo da Anthropic faz cerca de 30% mais tokens para o mesmo texto. O preço efetivo fica acima do preço de tabela. Faça orçamento com base no custo efetivo.
- Uma recusa de segurança do Fable 5 não é um erro. A chamada é bem-sucedida e o trabalho cai no Opus 4.8, por design, em menos de 5% das sessões. Leia o que aconteceu, não apenas o código de saída, e configure a cadeia de fallback antes de precisar dela.
- Não use o nível intermediário como padrão. Testes independentes descobriram que alguma configuração Luna ou Sol sempre supera a Terra na fronteira custo-qualidade. Teste Terra contra Luna no seu próprio tráfego antes de pagar por ela.
- APIs em lote reduzem pela metade qualquer coisa que possa esperar até o dia seguinte, e o desconto se acumula com o cache: prefixos repetidos em trabalho em lote rodam perto de 95% de desconto. O queimador noturno da CONSTRUÇÃO 7 existe para explorar isso.
- Disponibilidade é um risco operacional, não uma hipótese. Fable 5 perdeu 19 dias em junho. Cada referência de modelo aqui tem um fallback: fable-5 cai para opus, sol cai para terra, e cada fallback é registrado.
O segundo medidor: um assento não é uma chave de API
Cada número acima é precificado em dólares por milhão de tokens. Essa é a moeda certa se você paga por chamada.
É a errada se você executa isso em um assento Codex Pro de US$ 200 ou um assento Claude Max.
Em um assento, o medidor é uma janela de cinco horas e uma janela semanal, avaliadas juntas, e uma solicitação conta contra ambas.
Você pode estar tranquilo na semana e ainda assim ficar bloqueado por quatro horas, porque uma única mensagem consumiu a janela curta.
Mesma doutrina. Moeda diferente. Três configurações decidem quanto de uma janela uma mensagem pode ocupar:
O modo rápido é o caro, porque multiplica um número que acabou de ficar maior.
GPT-5.6 roda muito mais tempo por mensagem do que o 5.5 rodava. Principalmente um presente. Também torna o consumo imprevisível.
- Theo relata ter queimado mais de US$ 200.000 em tokens no Sol
- Ele viu uma única mensagem do 5.6 consumir 15% de uma janela de cinco horas
- Com o multiplicador, isso é 40% da janela em uma única mensagem
Velocidade não é grátis. O que ela cobra são os tokens que você iria queimar de qualquer forma. Releia o multiplicador nos documentos de velocidade antes de confiar nele: ele é publicado por modelo, e muda.
Ultra é a armadilha mais sutil, porque a interface o arquiva onde os níveis de esforço vivem e ele não é um deles.
- Máximo é profundidade. Um modelo, um problema, mais tempo em uma única cadeia de raciocínio.
- Ultra é largura. O trabalho se espalha para quatro agentes, depois é sintetizado.
- Eixos diferentes. Ultra não é "mais que máximo."
Apontado para uma tarefa que não se divide verdadeiramente, ultra compra quatro agentes duplicando uma investigação.
Vale cerca de 3,1 pontos no Terminal-Bench 2.1, 88,8 para 91,9, por um consumo de frota. Desligado até que os limites entre os subproblemas sejam reais.
Por que Sol e Terra são ambos padrões corretos
Um relatório de campo executa Sol para quase tudo. O banco acima torna Terra o driver diário do Codex. Ambos estão certos, e o medidor é a razão.
- A tabela de preços diz que a saída do Sol custa o dobro da do Terra
- O assento diz que você já pagou
- Então a única questão viva é quantas voltas são necessárias para chegar ao verde
- Um modelo mais forte com um esforço menor geralmente precisa de menos
Taxa não é custo. Custo é taxa vezes voltas-para-verde, e o segundo termo é o que se move.
Que é a lei da CONSTRUÇÃO 4 chegando da outra direção: atualize o assento antes de tocar no dial. Em um assento que lê como Sol em alto no nível de US$ 200, Sol em baixo abaixo disso. Meça antes de acreditar em qualquer um.
Defina os níveis do Codex agora:
1# ~/.codex/config.toml2model = "gpt-5.6-terra" # driver diário3model_reasoning_effort = "medium"4# service_tier = "fast" # DEIXE COMENTADO. modo rápido custa 2,5x5 # créditos. execute /fast status para confirmar que6 # você não está nele.78[profiles.fast] # trabalho mecânico. NÃO é "modo rápido": este9model = "gpt-5.6-luna" # perfil é um modelo mais barato, não um medidor 2,5x10model_reasoning_effort = "low" # duas coisas diferentes, uma palavra.1112[profiles.deep] # planejamento, bugs malignos, revisões13model = "gpt-5.6-sol"14model_reasoning_effort = "high"
VERIFICAÇÃO 0: ambas as CLIs autenticam, e seu comando de teste sai com 0 no repositório atual.
CONSTRUÇÃO 1: As Constituições
Estes modelos seguem leis e otimizam em torno de dicas, então cada linha precisa de um número, um nunca, ou um comando que a verifique.
Crie CLAUDE.md:
1# CLAUDE.md23## NUNCA (exceções exigem perguntar primeiro)4- Nunca troque de modelo no meio da sessão. O roteamento acontece apenas nos limites de sessão e5 subagente. Trocas no meio da tarefa queimam o cache.6- Nunca revise seu próprio diff. A revisão vem de um contexto limpo ou de uma7 linhagem diferente. O revisor do Devin pega 2 bugs por PR de agente8 precisamente porque não compartilha nada com o escritor.9- Nunca edite, enfraqueça ou exclua um teste para fazê-lo passar. FALHA AUTOMÁTICA.10- Nunca reporte concluído por autoavaliação. Concluído = gate/verify.sh passou.11- Nunca faça uma quarta consulta ao conselheiro. Três erros = BLOQUEADO, vez do humano.12- Nunca mescle uma mudança de roteamento ou prompt que eval_gate.py BLOQUEOU.13- Nunca execute nenhum loop sem ambos os limites definidos: MAX_ITERS e BUDGET_USD.14- Nunca presuma que um modelo de fronteira está ativo. Fallbacks: fable-5 -> opus,15 sol -> terra. Registre cada fallback em progress.log.16- Nunca crie um subagente que não lhe foi solicitado. Os filhos herdam o17 modelo E esforço do pai, então uma frota ansiosa herda o assento caro.1819## DESPACHO (primeira correspondência vence)20| # | Tarefa | Assento |21|---|---|---|22| 1 | planejar / arquitetar / migrar | fable-5 planeja, sonnet executa |23| 2 | extrair / formatar / testes / docs | haiku ou luna |24| 3 | contexto acima de 60k tokens | nível fixo de 1M da Anthropic |25| 4 | revisão de código escrito por agente | sol via codex, arnês nativo |26| 5 | ambíguo | pontuação de dificuldade: 0-1 barato, 2 sonnet, 3+ fronteira |27| 6 | ainda inseguro | execute barato uma vez, verifique, escale uma vez em falha |2829## CONCLUÍDO30- Cada tarefa carrega um done_when verificável por máquina antes do trabalho começar.31- Um revisor de contexto limpo julga especificação contra diff, nada mais.32- gate/verify.sh detém o voto final. Duas discordâncias33 fabricante/verificador no mesmo item -> pare, coloque na fila para um humano.
Crie AGENTS.md na raiz do repositório, as mesmas leis no dialeto do Codex. Mantenha perto de 100 linhas, um sumário, não uma enciclopédia:
1# AGENTS.md23## Comandos4| Propósito | Comando |5|---|---|6| Teste | make test (este comando é a definição de concluído) |7| Lint | make lint |89## Protocolo de sessão101. Leia progress.log e TASKS.md primeiro. 2. UMA tarefa não marcada.113. Implemente, execute a suíte COMPLETA, faça commit apenas verde, mensagem descritiva.124. Marque a tarefa, acrescente uma linha ao progress.log, pare.13Testes definem concluído. Nunca enfraqueça, pule ou exclua um. Teste errado =14marque a tarefa como BLOQUEADA e diga por quê.1516## Política de modelo17Padrão: terra, esforço médio. Mecânico: perfil fast (luna, baixo).18Planejamento e bugs malignos: perfil deep (sol, alto).19Esforço antes do modelo. Perfil escolhido no início da sessão, nunca no meio da tarefa.20Modo rápido DESLIGADO (2,5x créditos). Ultra DESLIGADO. Nenhum deles é um nível de esforço.21Só crie um subagente quando eu pedir um. Os filhos herdam o modelo E nível de raciocínio22desta sessão, então uma criação ansiosa com esforço alto é uma frota inteira com esforço alto.2324## Travado25Sinais: mesmo erro duas vezes; duas etapas sem progresso; um teste sobrevivendo a duas26correções distintas. Então /fable-advice. Máx. 3 consultas, depois BLOQUEADO.2728## Revisão29/review-hostile em uma sessão NOVA antes de qualquer mesclagem, ou a pista30entre fornecedores do lado do Claude. Nunca mescle seu próprio trabalho não revisado.
Uma doutrina deve viver em ambos os lados, ou o arnês com os hábitos mais frouxos vence sempre que você trocar de ferramenta.
VERIFICAÇÃO 1: para cada linha, pergunte se o modelo poderia cumprir 80% e alegar sucesso. Se sim, reescreva com um número ou um nunca. wc -l CLAUDE.md abaixo de 60.
CONSTRUÇÃO 2: O Portão
Um script bash deve deter o voto final antes que qualquer outra coisa exista, porque toda construção posterior assume que ele existe.
Crie gate/verify.sh para sua stack:
1#!/usr/bin/env bash2set -e3npm run typecheck --if-present4npm test --if-present5npm run lint --if-present
Crie gate/eval_gate.py, o cinto de segurança para toda futura mudança de roteamento ou prompt. Ele executa 50 a 500 casos reservados através da configuração atual e da proposta, apenas com verificações determinísticas:
1for case in cases: # {prompt, must_include, must_not_include, max_words}2 hits += passes(case, run_config(case.prompt))3verdict = "SHIP" if new_score >= old_score - 0.02 else "BLOCKED"
Em seguida, torne o portão impossível de pular como uma habilidade, .claude/skills/ship-gate/SKILL.md:
1---2name: ship-gate3description: Executa o gate de avaliação antes de qualquer roteamento, mudança de modelo ou prompt entrar em produção.4 Use quando o usuário solicitar alterar regras de roteamento, trocar um nível de modelo, editar um prompt5 de sistema, ajustar níveis de esforço ou mesclar qualquer coisa que envolva roteador, prompts ou6 configuração de modelo.7---89# Gate de produção1011Qualquer alteração em roteamento ou prompts é uma aposta na qualidade até que o gate diga o contrário. Esta skill existe para que a aposta nunca entre em produção silenciosamente.1213 1. Localize eval/cases.jsonl. Se não existir, PARE e diga ao usuário para14 construir primeiro de 50 a 500 casos representativos, a partir de tráfego real.15 Não improvise casos por conta própria.16 2. Execute: python3 eval_gate.py eval/cases.jsonl, config atual vs. proposta.17 3. BLOQUEADO: reporte ambas as pontuações, liste quais casos regrediram, não aplique a18 mudança, sugira o menor revert que libere o gate.19 4. LIBERADO: aplique e acrescente uma linha ao progress.log com ambas as pontuações.2021Regras rígidas:22 - Nunca substitua um veredito BLOQUEADO, mesmo que peçam educadamente. Escale para o humano23 com os casos com falha anexados.24 - Nunca edite o arquivo de casos na mesma sessão de uma alteração de roteamento. O gate25 e a mudança não podem compartilhar um autor.26 - Números de custo não são defesa contra uma queda de qualidade. O gate vence.
O gate usa apenas verificações determinísticas, porque nunca deve herdar o problema de quem-verifica-o-verificador. Uma alteração de roteamento sem um gate de avaliação é um experimento de custo que você está executando nos seus clientes.
CHECK 2: ./gate/verify.sh sai com 0 hoje, e eval_gate.py imprime LIBERADO em sua demonstração. Se o verify.sh falhar agora, corrija-o antes de qualquer outra coisa. O sistema se sustenta neste script.
BUILD 3: O Heartbeat
O modelo traz inteligência. O loop traz disciplina.
- Contexto novo por iteração elimina a deterioração do contexto
- O repositório carrega toda a memória
- Dois limites transformam um agente descontrolado em uma lição de dez dólares
Este é o formato exato por trás da execução de 16 loops da Anthropic que construiu um compilador C de 100.000 linhas por cerca de US$ 20.000, sem nenhum modelo orquestrador em lugar nenhum.
Crie loop/PROMPT.md:
1Leia progress.log e TASKS.md. Escolha EXATAMENTE UMA tarefa não marcada.2Implemente-a. Execute os testes. Se estiver verde: faça commit com uma mensagem3descritiva, marque a tarefa, acrescente uma linha ao progress.log, pare.4Se a mesma tarefa falhar duas vezes, marque-a como BLOQUEADA com o erro e pare.5Crie um arquivo chamado DONE somente quando todas as tarefas estiverem marcadas E a6suíte completa passar. Nunca edite um teste para fazê-lo passar.
Crie loop/ralph.sh:
1#!/usr/bin/env bash2set -u3MAX_ITERS="${MAX_ITERS:-25}" # limite um: iterações4BUDGET_USD="${BUDGET_USD:-10}" # limite dois: dólares5MAX_FAILS=3; fails=0; spent=0; i=067while [ ! -f DONE ] && [ "$i" -lt "$MAX_ITERS" ]; do8 i=$((i + 1))9 # sessão nova a cada iteração: nenhuma memória além do próprio repositório10 claude -p "$(cat PROMPT.md)" --max-turns 30 \11 --output-format json > out.json 2> err.log \12 && fails=0 || fails=$((fails + 1))13 [ "$fails" -ge "$MAX_FAILS" ] && exit 2 # disjuntor14 cost=$(jq -r '.total_cost_usd // 0' out.json)15 spent=$(awk -v a="$spent" -v b="$cost" 'BEGIN{printf "%.4f", a+b}')16 awk -v s="$spent" -v c="$BUDGET_USD" 'BEGIN{exit !(s>c)}' && exit 3 # limite17 sleep 218done19[ -f DONE ] && echo "concluído em $i ticks, \$$spent" || echo "limite atingido, \$$spent"
Troque a linha do claude por codex exec e o loop idêntico dirige o GPT-5.6.
O mapa de saída é intencional: 0 concluído ou silencioso, 2 disjuntor, 3 orçamento. Cada alarme no BUILD 12 se baseia nesses.
A linha de custo lê o relatório de custo JSON da própria sessão, então o limite é aplicado pela estrutura contra gastos reais, não uma estimativa.
Conte as paradas naquele prompt. Cada ramo termina em uma, e isso é o design, não um tique.
Esta geração roda muito mais tempo por mensagem que a anterior. Principalmente um presente. Ocasionalmente uma conta, porque um modelo que não precisa mais de incentivo para continuar vai levar uma tarefa quatro passos além do ponto onde você queria examiná-la.
O loop resolve isso estruturalmente: uma tarefa por tick, parada forçada no final.
Interativamente você precisa dizer isso em voz alta. Dois prompts fazem o trabalho:
- "escreva o plano, então pare e me mostre antes de construir qualquer parte dele"
- uma vez que o plano esteja bom: "construa, teste, abra o PR, lide com a primeira rodada de comentários da revisão, então pare"
Um modelo que roda por muito tempo só é perigoso quando ninguém disse a ele onde estava a borda.
Tarefas longas falham da mesma forma que o contexto falha, então as iterações permanecem curtas e o ambiente faz a memorização. A Fábula 5 e os modelos Codex agora compactam seu próprio contexto no meio da execução, então resista a adicionar plumbagem de memória sofisticada; a quantidade certa encolhe a cada trimestre.
CHECK 3: duas tarefas reais minúsculas em TASKS.md, um tick executado manualmente com BUDGET_USD=2. Confirme um commit, uma tarefa marcada, uma linha de log, e que o loop sai em vez de iniciar uma segunda tarefa.
BUILD 4: O Roteador Que Conquista Seu Lugar (modelo, depois esforço)
O benchmark de roteamento mais rigoroso de 2026, o LLMRouterBench, descobriu que muitos roteadores, incluindo os comerciais, falham em superar consistentemente a escolha do melhor modelo único. Portanto, o roteador é culpado até que se prove inocente no seu próprio tráfego.
A regra de decisão, antes de qualquer código. Adicione um roteador apenas quando ambas as condições forem verdadeiras:
- Os níveis barato e fronteira mostram aproximadamente uma lacuna de cinco vezes de capacidade por dólar no seu tráfego
- O conjunto de avaliação do BUILD 2 existe para policiá-lo
Se um modelo bem escolhido vencer seu roteador nessas avaliações, delete o roteador e guarde a simplicidade.
Assim que ele superar a barreira, router/router.py executa três camadas, decisão mais barata primeiro. Observe que os níveis nomeiam assentos, nunca preços: as taxas vêm da skill de bench em tempo de execução, então uma mudança de preço nunca toca seu roteador.
1TIERS = { # assentos, não números2 "cheap": "gpt-5.6-luna", # ou claude-haiku-4-53 "mid": "claude-sonnet-5",4 "frontier": "claude-fable-5", # ou gpt-5.6-sol5}6PRICES = load_bench(".claude/skills/model-bench/SKILL.md") # fonte única da verdade78RULES = [9 (kind in {"extract", "format", "summarize"}, "cheap"),10 (kind in {"plan", "architect", "migrate"}, "frontier"),11 (context_length > 60_000, "mid"),12]13tier = layer1_rules(task) or layer2_classifier(task)14if tier: return call(TIERS[tier], task)15return cascade(task) # cheap primeiro, verificar, escalar UMA VEZ em caso de falha
A camada intermediária pontua a dificuldade por marcadores que você pode ler: porquê, debug, race, deadlock, refactor, security, além de código no prompt, uma tentativa anterior falha, e mais de um subsistema afetado.
Zero ou um ponto vai para cheap. Dois vai para mid. Três ou mais vai para frontier. O verificador da cascata é determinístico e escala exatamente uma vez.
Conecte as mesmas decisões na estrutura para que disparem sem serem invocadas, .claude/skills/model-router/SKILL.md. Observe que a skill não reafirma as regras, ela as lê, o mesmo truque de fonte única da verdade que o bench usa para preços:
1---2name: model-router3description: Roteie cada tarefa para o assento e esforço corretos antes de começar o trabalho.4 Use no início da sessão, antes de gerar subagentes, quando o usuário perguntar qual modelo5 usar, ou quando uma tarefa misturar planejamento e execução.6---78# Roteador de modelo910Leia ROUTING.md e aplique-o. Não improvise uma política e não reafirme uma11aqui: este arquivo apodreceria, e o arquivo de política é o que está sob o gate de avaliação.1213Três coisas que esta skill impõe além desse arquivo:1415 1. Roteie apenas nas fronteiras. Início da sessão e geração de subagente. Uma troca no meio16 da tarefa invalida o cache e re-cobra o contexto a dez vezes a taxa do cache.17 2. Ao final da sessão, acrescente a participação do nível barato ao progress.log. As economias18 só se acumulam quando a maior parte do tráfego vai para o barato, então esse número é o que deve ser monitorado.19 3. Qualquer alteração em ROUTING.md passa pelo gate de produção. Sem exceções.
A ordem de decisão espelha o custo: uma verificação gratuita primeiro, um palpite pontuado depois, um experimento pago por último.
O dinheiro está na divisão do tráfego, não na engenhosidade.
- Envie 70 por cento do trabalho para um nível a um décimo do preço e a conta cai cerca de dois terços
- Relatórios de produção variam entre 40 e 85 por cento de economia, e a dispersão é quase inteiramente a divisão
- As economias só se acumulam depois que a maior parte do tráfego vai para o barato
É por isso que a participação do barato no progress.log é o único número que este sistema faz você monitorar.
Esforço é o segundo dial
Esforço é roteamento um nível abaixo: a mesma skill, aplicada a quanto tempo o modelo pensa em vez de qual modelo executa.
Cada ferramenta enterra o dial em um padrão diferente. Alto no Claude Code. Médio no Codex. Oculto na maioria dos aplicativos. Então as pessoas deixam uma configuração para tudo, e ou pagam demais ou pensam de menos.
Padrão para alto e trate o máximo como último recurso, não como ostentação.
- A própria documentação de esforço da Anthropic coloca o ponto ideal no alto e alerta que o máximo tende ao excesso de pensamento
- Um benchmark público de 26 tarefas de codificação descobriu que o alto aproximadamente triplicou a qualidade do baixo
- O mesmo benchmark descobriu que o xhigh custava mais que o dobro por um ganho que raramente se pagava
O modelo importa pelo menos tanto quanto o dial. Fable 5 com esforço menor muitas vezes vence modelos mais antigos rodando em xhigh, então opte pelo modelo melhor antes da configuração mais alta.
Duas configurações são confundidas com degraus mais altos desta escada. Nenhuma está nela.
- Máximo é profundidade. Um modelo, um problema, mais tempo.
- Ultra é largura. Uma tarefa desdobrada em quatro agentes paralelos, depois sintetizada.
Eixos diferentes. Ultra não é "mais que máximo", e apontá-lo para uma tarefa que não se divide verdadeiramente compra quatro agentes duplicando uma investigação.
A escada não é portável entre versões. A mesma palavra compra uma quantidade diferente de pensamento em um modelo novo do que comprava no antigo.
Ao mover uma tarefa familiar para um novo assento, comece um degrau abaixo da configuração em que confia. Suba apenas se a saída pedir.
Uma armadilha pertence especificamente aos enxames.
Subagentes herdam o modelo do pai e o esforço do pai. Uma frota gerada a partir de um condutor de esforço máximo é uma frota de esforço máximo, e drena uma janela em uma única mensagem.
Prenda-os em seu próprio frontmatter, e saiba em qual estrutura você está quando fizer isso, porque a amarração só é tão boa quanto o gerador que a lê.
- Lado Claude. O frontmatter abaixo é o controle.
- Lado Codex. O 5.6 gera filhos no modelo e nível de raciocínio do pai, e gera ansiosamente. O dial do pai é o dial da frota.
No lado Codex, os únicos controles reais são a configuração com que você abriu a sessão e uma linha em AGENTS.md que diz para não gerar a menos que seja solicitado. Verifique qual você tem antes de confiar em qualquer um:
1name: scout2model: haiku3effort: low # subagentes herdam do pai. um enxame de esforço máximo4 # esvazia uma janela em uma mensagem. prenda-os.
Defina por ferramenta: /effort no Claude Code e no TUI do Codex, uma flag como codex -e high, uma linha no config, ou o campo effort na API.
Roteamento de modelo decide quem pensa. Roteamento de esforço decide por quanto tempo, e o segundo dial é mais barato de girar porque nada mais na configuração muda e o cache permanece aquecido. Gaste esforço onde o loop ramifica. Em todos os outros lugares é um imposto.
Acompanhe o único número semanalmente:
1grep '^route' progress.log | awk -F'\t' \2 '{r++; if($3!="frontier")c++} END{printf "cheap share: %.0f%%\n", c/r*100}'
ROUTING.md, a política que ambas as estruturas leem
Tudo acima se condensa em um único arquivo na raiz do repositório.
1# ROUTING.md23Roteamento são quatro decisões, e a ordem é o ponto:4 1. ONDE: qual estrutura executa o trabalho5 2. QUANDO: em qual fronteira a decisão é tomada6 3. QUEM: qual modelo ocupa o assento7 4. QUÃO FORTE: qual nível de esforço esse modelo usa8A maioria das equipes só discute o 3. O dinheiro está no 2 e no 4.910## 1. ONDE: estrutura antes do modelo11Um modelo pós-treinado dentro de uma estrutura opera fora de distribuição em qualquer outro lugar.12Diferença medida: 20,2 por cento nativo vs 7,7 por cento estrangeiro, mesmos pesos.1314| Trabalho | Estrutura | Por quê |15|---|---|---|16| escrever código | estrutura nativa do modelo | escritores degradam fora de distribuição |17| revisar código | estrutura nativa do revisor | uma revisão fraca é pior que nenhuma |18| ler, explorar | qualquer lugar | leituras são baratas e verificáveis |19| transformações mecânicas | qualquer lugar | se a verificação é determinística, a estrutura quase não importa |2021LEI: remapeie livremente as pistas de leitor e revisor. A pista do escritor permanece na estrutura nativa22até que seu próprio conjunto de avaliação diga o contrário. Essa substituição deve ser uma medição, não23uma preferência.2425## 2. QUANDO: roteie nas fronteiras, nunca dentro delas26Uma troca no meio da sessão descarta o cache de prompt. Entrada em cache custa um décimo da27entrada fresca, então uma troca desnecessária re-cobra todo o contexto a dez vezes o preço28e não compra nada.2930Fronteiras legais, os ÚNICOS lugares onde uma decisão de roteamento pode acontecer:31 - início da sessão32 - geração de subagente33 - um novo objetivo no enxame34 - uma transferência de revisão para a outra linhagem35 - um fallback disparado por uma falha ou uma salvaguarda3637Ilegal em todos os outros lugares. Sem roteamento por turno. Sem troca adaptativa no meio da tarefa.38A cascata recebe exatamente UMA escalada, e abre uma nova fronteira.3940LEI: escolha o assento quando a fronteira se abrir, depois permaneça até a próxima.4142## 3. QUEM: o procedimento de decisão (primeira correspondência vence, registre o resultado)4344Camada 1, regras. Gratuito. Sempre verifique primeiro.4546| Sinal | Assento |47|---|---|48| extract / format / summarize / classify / tests | Haiku ou Luna, esforço baixo |49| plan / architect / migrate / root-cause | Fable planeja, Sonnet executa |50| contexto acima de 60k tokens | Nível Anthropic 1M (preço fixo) |51| revisando código escrito por agente | a outra linhagem, estrutura nativa |52| objetivo se divide em partes independentes | enxame: Fable escreve e pontua |5354Camada 2, a pontuação. Um ponto cada:55 - contém why / debug / race / deadlock / refactor / security / optimize56 - toca mais de um subsistema57 - uma tentativa anterior já falhou58 - a mudança é irreversível ou voltada para o usuário59 0-1 -> nível barato, esforço baixo. 2 -> Sonnet, médio. 3+ -> fronteira, alto.6061Camada 3, a cascata. Execute barato, verifique deterministicamente, escale exatamente UMA VEZ.62Nunca duas vezes. Uma segunda falha é um problema de especificação, e um modelo maior não vai consertar sua especificação.6364Assentos e fallbacks vivem em .claude/skills/model-bench/SKILL.md. Sem preços aqui.6566## 4. QUÃO FORTE: roteamento de esforço67Esforço é roteamento um nível abaixo. Dial mais barato neste arquivo: nada mais muda68e o cache permanece aquecido.6970| Esforço | Use para |71|---|---|72| baixo | erros de digitação, renomeações, classificação, extração, TODO subagente por padrão |73| médio | código rotineiro a partir de uma especificação clara, resumos, escrita padrão |74| alto | desmontagens, migrações, bugs difíceis, todo trabalho de condutor (PADRÃO) |75| máximo | apenas o problema que o alto já falhou em resolver |76| ultra | NÃO ESTÁ NESTA ESCADA. largura, não profundidade: 4 agentes em paralelo. desligado por padrão |7778 1. Padrão para alto. O ponto ideal está lá; o máximo tende ao excesso de pensamento.79 2. Modelo melhor vence dial mais alto. Atualize o assento antes da configuração.80 3. Subagentes HERDAM o modelo do pai E o esforço. Uma frota gerada a partir de um81 condutor de esforço máximo roda no máximo e esvazia uma janela em uma mensagem. Prenda82 cada subagente em seu próprio frontmatter: effort: low. Onde o gerador83 ignora a amarração, o dial do pai É o dial da frota. Verifique qual você tem.84 4. Máximo é profundidade. Ultra é largura. Ultra apenas quando os subproblemas são genuinamente85 independentes, nunca como padrão, e de forma alguma enquanto a estrutura gerar em excesso.86 5. A escada não é portável entre versões. Em um modelo novo, comece um degrau87 abaixo da configuração em que confiava no antigo.88 6. Modo rápido também não é um nível de esforço. Ele compra latência a 2,5x créditos em89 tokens que você já estava queimando de qualquer forma. Desligado.9091O dial vive em quatro lugares: /effort no Claude Code e no TUI do Codex, codex -e high,92model_reasoning_effort no config, o campo effort na API. Claude Code93padrão alto, Codex padrão médio, a maioria dos aplicativos o esconde completamente, e é por isso94que equipes acidentalmente rodam um nível para tudo.9596## 5. Fallbacks: assuma que a fronteira está fora97A disponibilidade da fronteira não é garantida, e uma salvaguarda pode redirecionar uma chamada para98Opus 4.8 no meio da execução, em menos de 5 por cento das sessões, sem erro.99 - Todo assento tem um fallback nomeado. Sem exceções.100 - Todo fallback é registrado. Um redirecionamento silencioso é um bug, porque você pode estar101 lendo a saída de um modelo que não escolheu.102 - NUNCA itere sobre a saída de um modelo que você não escolheu.103104## 6. O número que decide se tudo isso funcionou105O custo combinado é sua divisão de tráfego, nada mais. 70 por cento barato corta a conta106em aproximadamente dois terços. 10 por cento economiza trocados. A precisão do roteador vale107muito mais que a engenhosidade do roteador.108109Acompanhe com o one-liner no BUILD 4. Abaixo de 50 por cento, as economias não110começaram a se acumular. Corrija a divisão antes de tocar em qualquer outra coisa aqui.111112## 7. O gate neste arquivo113LEI: nenhuma alteração neste arquivo entra em produção sem que eval_gate.py passe em 50 a 500114casos reservados. Um veredito BLOQUEADO é final e não pode ser substituído na sessão.115O gate e a mudança não podem compartilhar um autor.116117## 8. Quando deletar este arquivo118Se um único modelo bem escolhido vencer toda esta pilha nas suas avaliações, delete o119roteador e mantenha a simplicidade. O benchmark de roteamento mais rigoroso de 2026 descobriu120que muitos roteadores, incluindo os comerciais, falham em superar consistentemente a escolha do melhor121modelo único.122Meça primeiro. Roteie depois. Delete com prazer.
CHECK 4: router.py roda offline e imprime uma decisão, um motivo e a divisão. Suas anotações contêm a medição da lacuna de 5x, ou uma nota datada dizendo que o roteador ainda não é justificado.
BUILD 5: A Inversão do Assessor
O padrão clássico coloca o modelo inteligente no comando e queima tokens de fronteira em execução em massa. Inverta isso.
Resultados do assessor da Anthropic: Haiku com um assessor de classe Opus mais que dobrou sua pontuação em um benchmark difícil de navegação, 41,2 contra 19,7 sozinho, a 85 por cento menos custo por tarefa que o nível médio.
Execução é volume. Assessoria é gramas.
A estrutura decide quando o motorista está travado, nunca o motorista, .claude/skills/stuck-protocol/SKILL.md:
1---2name: stuck-protocol3description: Escale para o assessor especialista fable quando o progresso parar. Use quando4 o mesmo erro aparecer duas vezes, quando dois passos consecutivos não alterarem nenhum arquivo enquanto5 erros persistirem, quando um teste falhar após duas tentativas de correção distintas, ou quando o6 usuário disser que o agente está andando em círculos.7---89# Protocolo de travamento (a inversão do assessor)1011Você é o motorista barato e isso é uma característica: execução é volume, assessoria é12gramas. Mas modelos pequenos são excessivamente confiantes, então você não decide que está bem.13Verifique os sinais determinísticos.1415Sinais de travamento (qualquer um dispara o protocolo):16 1. A mesma string de erro em dois passos consecutivos.17 2. Dois passos consecutivos com zero arquivos alterados enquanto erros persistem.18 3. O mesmo teste falhando após duas tentativas de correção genuinamente diferentes.1920Procedimento:21 1. Conte as consultas nesta sessão. Em 3, PARE: marque a tarefa como BLOQUEADA com o erro22 anexado, resuma para o humano, siga em frente. Nunca uma quarta consulta.23 2. Construa o resumo, nada mais entra nele:24 OBJETIVO: uma linha25 TENTATIVA x2: as duas últimas tentativas, 200 caracteres cada26 ERRO: o erro exato, 300 caracteres27 3. Gere fable-expert com o resumo. Ele retorna orientação, não código.28 4. Aplique a orientação no passo seguinte, antes de qualquer coisa sua.29 5. Acrescente uma linha ao progress.log: consulta #N, o que disse, se funcionou.3031Regras rígidas:32 - Nunca peça ao especialista para fazer o trabalho. Se a resposta contiver uma33 implementação completa, pegue a ideia e descarte o código.34 - Nunca aumente o resumo com seu histórico de raciocínio. O valor do especialista é contexto35 limpo; um resumo longo o envenena.36 - Se a orientação falhar, isso conta como uma de suas duas tentativas para a próxima37 consulta. Três consultas falhas significam que a tarefa está acima do nível de pagamento desta38 sessão, e dizer isso é a saída correta.
O assento do especialista, .claude/agents/fable-expert.md:
1---2name: fable-expert3description: Assessor de fronteira para momentos de travamento. Recebe um resumo compacto do4 stuck-protocol, retorna orientação com menos de 600 tokens, nunca faz o trabalho ele mesmo.5model: claude-fable-5 # troque para opus se as regras de retenção pegarem6effort: high7tools: Read, Grep, Glob # pode ler, nunca pode editar8---910Você é o consultor especialista, não o contratado. Um modelo mais barato está dirigindo e11encontrou um obstáculo. Seu valor é julgamento em gramas, e contexto limpo: você não sabe nada12sobre como o motorista chegou aqui, e é exatamente por isso que sua leitura é mais precisa.1314Você recebe um resumo: OBJETIVO, as duas últimas TENTATIVAs e o ERRO. Se o resumo15nomear arquivos específicos, você pode lê-los. Você não pode editar nada.1617 1. Se faltar algo no resumo que você precisa, responda com UMA linha nomeando o que18 está faltando. Não adivinhe em torno de uma lacuna.19 2. Diagnostique antes de prescrever: uma ou duas frases sobre o que está realmente errado.20 3. Depois responda neste formato e nada depois disso:21 ORIENTAÇÃO:22 1. (correção mais provável: o que tentar, e por que deve funcionar)23 2. (plano B se 1 falhar)24 3. (apenas se houver um terceiro caminho genuinamente distinto)25 CONFIANÇA: alta | média | baixa26 4. Menos de 600 tokens. Sem blocos de código com mais de 10 linhas. Dê a ideia, não a27 implementação. Se sua resposta contiver uma solução completa, você falhou no papel.28 5. Se a tarefa em si for mal concebida, diga isso no item 1 e recomende o que29 dizer ao humano.3031Nota do operador: se sua organização não puder aceitar a retenção de classe Mythos, mude a linha32do modelo para opus. O papel funciona da mesma forma; o resultado do assessor foi comprovado pela primeira vez com33assessores de classe Opus.
E a mesma pista em reverso para sessões Codex, ~/.codex/prompts/fable-advice.md:
1claude --model claude-fable-5 -p "Você é um assessor especialista.2 Um modelo mais barato está dirigindo e está travado. RESUMO: <objetivo, duas3 tentativas, erro>. Responda ORIENTAÇÃO: até 3 itens numerados,4 com menos de 600 tokens. Não faça o trabalho."
Modelos pequenos são excessivamente confiantes, então a estrutura observa o comportamento em vez de perguntar.
O resumo permanece minúsculo, porque o valor do especialista é contexto limpo e um resumo longo o envenena.
Cada consulta consome algumas centenas de tokens de orientação. É por isso que a economia colapsa: milhões de execução rodam no nível de $1, e o julgamento chega por gramas a $50 por milhão.
A Cognition publicou a falha primeiro. O teto é definido pelo motorista, não pelo assessor, e o padrão só se pagou depois que o motorista deles melhorou uma geração.
O problema em aberto é um motorista perceber que está travado. É por isso que os sinais acima são comportamentais, e por que vivem na estrutura.
CHECK 5: advisor_loop.py passa suas asserções: o motorista falha duas vezes da mesma maneira, uma consulta dispara, a tarefa é concluída, as consultas permanecem abaixo do limite.
BUILD 6: O Bench de Duas Pistas
Nada avalia seu próprio dever de casa é uma lei, e este build a impõe entre fornecedores.
Mesmos pesos em uma estrutura estrangeira caem forte. Uma medição de 2026 mostrou 20,2 por cento nativo contra 7,7 por cento de terceiros.
Portanto, cada revisor roda em sua própria casa. Claude revisa no Claude Code. Sol revisa através do Codex CLI.
O juiz interno, .claude/agents/fresh-eyes-reviewer.md:
1---2name: fresh-eyes-reviewer3description: Revisor de código com contexto limpo. Invocar após qualquer alteração feita por um agente.4 Não compartilha nenhum histórico com o escritor, lê o diff por si só, não pode editar.5model: haiku # troque para opus quando o diff for crítico6effort: medium7tools: Read, Grep, Glob, Bash8---910Você não tem memória de como essa alteração foi escrita, e esse é o ponto. Não11pergunte pelo raciocínio do autor. Não confie em nenhum resumo. Apenas evidências.1213 1. git diff HEAD~1 (ou o intervalo fornecido) e leia cada hunk.14 2. Leia o CONTEÚDO COMPLETO de cada arquivo alterado, não apenas os hunks. Bugs se escondem15 nas linhas inalteradas ao redor de uma alteração.16 3. Execute o conjunto de testes mencionado no README ou CLAUDE.md.17 4. Caça às três falhas clássicas de agentes:18 preguiça: implementações parciais, TODOs, tratado para apenas um caso19 autoavaliação: testes enfraquecidos, asserções deletadas, suites ignoradas20 desvio: alterações fora do escopo da tarefa declarada21 5. Veredito, exatamente neste formato:22 VEREDITO: APROVADO ou REPROVADO23 BUGS: numerados, cada um com arquivo:linha e uma frase de motivo24 RISCO: uma frase sobre a coisa mais arriscada que esta alteração toca2526Regras rígidas: você não pode editar arquivos, não pode reexecutar a tarefa do escritor, e uma27lista de BUGS vazia com VEREDITO: REPROVADO é inválida. Se os testes não puderem ser executados, isso é28uma REPROVAÇÃO automática com o motivo.
O juiz entre fornecedores, .claude/agents/sol-reviewer.md, é um encanamento que executa um comando e retransmite o veredito literalmente. Sol é o revisor; este arquivo o coloca em seu próprio arnês:
1---2name: sol-reviewer3description: Revisor entre fornecedores. Envia o último commit para o GPT-5.6 Sol através4 do Codex CLI, no arnês nativo do Sol, e retransmite o veredito intacto.5model: haiku # apenas encanamento. Sol é o revisor.6effort: low7tools: Bash, Read8---910Você é o encanamento, não o revisor. Modelos de uma mesma família compartilham pontos cegos; este11caminho existe porque o Sol não compartilha os pontos cegos do Claude.1213 1. Verifique o CLI: codex --version. Se estiver faltando, produza VEREDITO: REPROVADO com motivo14 "codex CLI não instalado" mais o caminho de configuração (ou o plugin oficial:15 /plugin marketplace add openai/codex-plugin-cc, /plugin install, /codex:review).16 2. Execute a revisão com alto esforço, no próprio arnês do Sol:1718 codex --profile deep exec "Revise o último commit (git show HEAD) como um19 engenheiro sênior hostil que nunca conheceu o autor. Leia cada arquivo alterado20 POR COMPLETO, não apenas os hunks. Caça: implementações parciais, testes enfraquecidos21 ou deletados, alterações fora do escopo da tarefa declarada. Termine exatamente com22 'VEREDITO: APROVADO' ou 'VEREDITO: REPROVADO' seguido de descobertas numeradas, cada uma com23 arquivo:linha e uma frase de motivo."2425 3. Salve a saída completa em .review_sol_<hash-curto>.md.26 4. Retransmita para cima: a linha do VEREDITO primeiro, depois as descobertas LITERALMENTE. Não27 resuma descobertas, não adicione garantias, não discuta com o Sol.28 Se o veredito for REPROVADO, o pai decide o que corrigir. Você não decide nada.2930Regras rígidas: nunca edite arquivos, nunca reexecute a tarefa do escritor, nunca substitua31sua própria revisão. Se o codex errar no meio da execução, relate como REPROVADO com o stderr anexado32em vez de tentar novamente silenciosamente mais de uma vez.
Para CI, o loop/two_lane.sh gerencia toda a troca, no máximo três rodadas:
1claude -p "Implement: $TASK. Run the tests. Commit when green."2review=$(codex exec "Review HEAD ... VERDICT: PASS or FAIL plus findings.")3grep -q "VERDICT: PASS" <<< "$review" && exit 04claude -p "A reviewer from another model family found these issues.5 Fix every one, rerun tests, commit: $review"
Dentro do Claude Code, você pode pular o script completamente.
A OpenAI lançou um plugin oficial do Codex para Claude Code, ativo desde março de 2026 e com aproximadamente vinte mil estrelas no GitHub em nove semanas. Isso é o mercado dizendo que a revisão entre fornecedores se tornou mainstream. Instale uma vez:
1/plugin marketplace add openai/codex-plugin-cc2/plugin install codex@openai-codex3/codex:setup
Três movimentos dentro de qualquer sessão do Claude:
- /codex:review para uma passagem padrão
- modo adversarial, que ataca suas decisões de design propositalmente
- handoff em segundo plano para o Codex
Use o adversarial em qualquer coisa crítica. Use o handoff quando o trabalho for pesado em terminal, onde o Sol é mais forte.
Um número crescente de construtores agora executa o GPT-5.6 Sol dentro do Claude Code, através do proxy do BUILD 7, e prefere-o ao Codex para o trabalho diário.
Isso demonstra a tese: alugue os pesos, possua o arnês.
O problema é a lei do arnês nativo, já que o Sol no Claude Code é executado fora de sua casa. Confirme isso no seu próprio conjunto de avaliação. Se suas avaliações disserem que o arnês estrangeiro vence, suas avaliações superam o benchmark.
Três propriedades tornam o revisor valioso:
- Contexto limpo. Ele chega sem nenhum histórico do escritor.
- Linhagem diferente. Ele não compartilha os pontos cegos do escritor.
- Arnês nativo. Ele julga com força total.
Um veredito suavizado é um verificador quebrado, então a retransmissão é literal. Uma terceira REPROVAÇÃO chama um humano em vez de dar uma quarta tentativa.
CHECK 6: execute two_lane.sh, ou /codex:review no seu último commit. Um VEREDITO cai em um arquivo .review, e uma REPROVAÇÃO redireciona de volta para a pista do escritor.
BUILD 7: Fan-Outs Opcionais (instale quando a condição aparecer)
Enxame de batedores. Instale quando a pesquisa ou arqueologia do código consumir mais de 30 minutos do seu dia. Gere três em paralelo em fatias separadas:
1---2name: scout3description: Leitor paralelo barato para fan-outs de pesquisa. Gere vários de uma vez4 para levantamentos de código, auditorias de dependências, arqueologia de logs, pesquisa de documentos.5 Apenas leitura por doutrina; leituras se espalham, escritas permanecem single-threaded.6model: haiku7effort: low # guarda de herança (BUILD 4): um enxame que herda8 # o esforço máximo esvazia uma janela em uma mensagem9tools: Read, Grep, Glob, Bash10---1112Você é um de possivelmente muitos leitores executando em paralelo. Levante sua fatia e13relate de forma pequena e precisa. Apenas sua mensagem final retorna ao pai, então14mantenha-a abaixo de 400 palavras e faça cada palavra valer seu lugar.1516 1. Estreite sua tarefa para uma fatia você mesmo (um diretório, um subsistema,17 uma pergunta), e diga para o que você estreitou.18 2. Apenas leituras: Read, Grep, Glob e shell somente leitura (ls, git log, git show, rg).19 Nunca edite, instale ou delete. Se a tarefa precisar de uma escrita, relate, não a20 execute.21 3. Largura primeiro, depois profundidade nos dois ou três pontos mais quentes.2223Formato do relatório, nada mais:24 DESCOBERTAS: até 10 marcadores, cada um um fato com sua evidência (arquivo:linha, hash do commit25 ou URL)26 LACUNAS: o que você não pôde determinar e por quê, para que o pai saiba o que ainda está escuro27 PONTO QUENTE: o único arquivo ou função que mais merece um olhar mais profundo, uma linha28 sobre o porquê2930Não editorialize, não proponha implementações, não encha. Um batedor que retorna31300 palavras úteis vence um que retorna 3.000 palavras misturadas, porque32tudo que você emite cai na janela de contexto do pai e o pai está pagando por isso.
As leituras se espalham porque leitores paralelos se multiplicam. O limite de palavras existe porque cada relatório cai em uma janela de contexto que o pai paga.
As escritas nunca se espalham. Um estudo de orçamento igual de 2026 descobriu que agentes únicos igualam configurações multi-agente em raciocínio quando os tokens são mantidos constantes. Essa pista é apenas para leitura.
Queimador noturno. Instale quando TASKS.md contiver dez ou mais itens pequenos verificáveis. A habilidade do queimador noturno configura os arquivos, confirma ambos os limites, verifica se o comando de teste é executado, então lança ralph.sh. Interface matinal: git log, progress.log, marcas de verificação.
Divisão de plano. Instale quando os tokens de planejamento dominarem a conta de uma sessão. Uma configuração no Claude Code executa um modelo da classe Opus para o plano e Sonnet para a execução. Planeje na fronteira por grama, execute em massa.
Banco de trio. Instale quando uma alteração complicada merecer três perspectivas. Dois papéis leem e um escreve, e o quarto painel é uma armadilha. O encanamento fica abaixo.
O encanamento para frotas mistas
Duas peças de código aberto transformam uma configuração de dois fornecedores em uma de qualquer fornecedor. Instale-as apenas quando uma condição exigir um terceiro provedor.
claude-model-switch (código aberto, Rust, roda em localhost:4000). Um proxy local entre Claude Code e qualquer endpoint compatível com Anthropic ou OpenAI.
- Remapeia os três níveis internos do Claude Code (haiku, sonnet, opus) para quaisquer modelos que seu provedor ofereça
- Troca de provedores sem reiniciar, via recarregamento de configuração
- Envia como um plugin do Claude Code com comandos de barra
1claude-model-switch init # aponta o Claude Code para o proxy2claude-model-switch add openrouter sk-or-xxx3claude-model-switch add glm \4 --haiku glm-4.5-air --sonnet glm-4.7 --opus glm-55claude-model-switch use glm # por sessão, nunca no meio de uma tarefa6claude-model-switch orchestrate start --preset trio # planejador/codificador/revisor
O preset trio é o banco do BUILD 7 tornado físico: três painéis tmux, cada papel em um provedor diferente, cada um endereçável (orchestrate send coder "implement milestone 1"), com reatribuição de papéis no meio da sessão se um provedor degradar.
CLIProxyAPI (código aberto). O mesmo truque, apontado na direção oposta.
Ele envolve os logins OAuth do ChatGPT Codex, Claude Code, Gemini e Grok como endpoints de API compatíveis com OpenAI, Claude e Gemini.
Tradução: assinaturas que você já paga se tornam alvos de API roteáveis para scripts como ralph.sh e two_lane.sh, sem chaves de API separadas. Forks da comunidade estendem para Factory e Amp, e wrappers como ccs adicionam troca de múltiplas contas.
A lei que governa ambos, dos dados do BUILD 6: um modelo remapeado roda em um arnês estrangeiro.
Remapeie as pistas de leitor e revisor livremente. Elas são baratas e verificáveis.
Mantenha a pista que escreve código em um modelo nativo de seu arnês, até que seu próprio conjunto de avaliação prove o contrário.
CHECK 7: cada fan-out instalado tem sua condição de gatilho escrita ao lado. Instalar qualquer um deles especulativamente é como inchaço de pilhas.
BUILD 8: A Fábrica (conclusão se torna um fato de banco de dados)
Tudo até agora prova o trabalho no momento. O portão, o veredito e o conjunto de avaliação disparam durante a execução.
Assim que mais de um agente tocar um projeto em mais de uma sessão, você precisa de uma prova que sobreviva à execução: quem trabalhou no quê, em que ordem, e se o último ciclo de revisão foi aprovado.
O padrão vem da demo pi-factory (github.com/xpriment626/pi-factory). A ideia central é uma frase
Uma thread é um rastro. Uma linha é uma evidência. O portão lê as linhas.
progress.log é um diário. O quadro-negro é um livro-razão. SQLite é o livro-razão porque é consultável depois que todos param de falar.
Crie factory/factory_gate.py. Ele contém quatro tabelas (tickets, briefs, evidence, verdicts), um comando de registro que cada agente chama enquanto trabalha, e o portão de conclusão. As condições de falha do portão mapeiam para o próprio trabalho:
1checks = [2 (tickets == 0, "Nenhum ticket foi registrado."),3 (done != tickets, "Nem todos os tickets estão concluídos."),4 (first_brief is None, "Nenhum brief de arquitetura foi registrado."),5 (first_brief > first_code, "Evidência de implementação antecede o brief."),6 (code_ev == 0, "Nenhuma evidência de código do implementador foi registrada."),7 (build_ok == 0, "Nenhuma evidência de comando de build bem-sucedido."),8 (test_ok == 0, "Nenhuma evidência de comando de teste bem-sucedido."),9 (latest("architect") != "green", "O veredito mais recente do arquiteto não é verde."),10 (latest("reviewer") != "green", "O veredito mais recente do revisor não é verde."),11]
Essa lista codifica toda a doutrina.
- A ordem é imposta. Um brief que é posterior à primeira evidência de código é uma violação, o que torna planejar-antes-de-construir um fato verificável, não um hábito.
- Ambos os juízes devem estar verdes no mesmo ciclo mais recente. Uma aprovação desatualizada não pode carregar um diff mais novo.
- Conclusão com zero linhas de teste aprovadas é impossível, não importa quão confiante o transcript pareça.
Crie factory/factory.sh, que conecta os assentos que você já construiu na ordem de execução e registra linhas entre cada etapa:
1G ticket "kanban board" "colunas renderizam, arrasto persiste" # linhas do planejador2G brief "$BRIEF" # ANTES de qualquer código3../loop/ralph.sh && G evidence code pass "loop concluído" # BUILD 3 funciona4npm test && G evidence test pass "npm test verde"5G verdict 1 architect green "layout corresponde ao brief" # Assento Claude6G verdict 1 reviewer green "testes passam, escopo limpo" # Assento Sol, via codex7python3 factory_gate.py gate factory.db # linhas decidem
Nada novo é contratado.
Fable corta tickets e escreve o brief, apenas leitura. O loop BUILD 3 implementa. Claude e Sol cada um retornam um veredito de seu próprio arnês. O ciclo se repete até três vezes até ambos ficarem verdes.
A fábrica é o organograma para funcionários que você já tem.
Uma execução real, não uma maquete. A segunda chamada do portão é o argumento inteiro para esta construção:
1$ factory_gate.py record demo.db ticket "kanban-board" "colunas renderizam, arrasto persiste"23$ factory_gate.py gate demo.db4PORTÃO: RECUSADO5 - Nem todos os tickets estão concluídos.6 - Nenhum brief de arquitetura foi registrado.7 - Nenhuma evidência de código do implementador foi registrada.8 - Nenhuma evidência de comando de build bem-sucedido.9 - Nenhuma evidência de comando de teste bem-sucedido.10 - Nenhum ciclo de revisão foi registrado.11 exit: 11213... os agentes trabalham. cada etapa escreve uma linha ...1415$ factory_gate.py record demo.db brief "Stack: node+sqlite. /tasks CRUD."16$ factory_gate.py record demo.db evidence code pass "src/board.js escrito"17$ factory_gate.py record demo.db evidence build pass "npm run build exit 0"18$ factory_gate.py record demo.db done "kanban-board"19$ factory_gate.py record demo.db verdict 1 architect green "layout corresponde ao brief"20$ factory_gate.py record demo.db verdict 1 reviewer green "escopo limpo"2122$ factory_gate.py gate demo.db23PORTÃO: RECUSADO24 - Nenhuma evidência de comando de teste bem-sucedido.25 exit: 12627$ factory_gate.py record demo.db evidence test pass "npm test 33/33"2829$ factory_gate.py gate demo.db30PORTÃO: COMPLETO (1/1 tickets, ciclo 1 verde x2)31 exit: 0
Ambos os revisores disseram verde. O arquiteto confirmou que o layout correspondia ao brief. O revisor confirmou que o escopo estava limpo.
E o portão ainda recusou, com uma linha: nenhuma evidência de comando de teste bem-sucedido. Ninguém tinha executado os testes.
Um veredito é uma opinião. Duas opiniões ainda não são um fato. Uma linha de evidência de teste aprovado depois, o mesmo portão retorna COMPLETO e exit 0.
Modelos argumentam por seu trabalho de forma convincente, e um transcript captura o argumento, não a verdade. Linhas não podem ser discutidas.
Quando o portão recusa, ele nomeia o artefato exato que está faltando. Isso transforma "a execução falhou" em "produza uma linha de teste aprovado". Uma tarefa, não um mistério.
Condição de instalação: mais de uma sessão de escritor por dia, ciclos de revisão que abrangem dias, ou uma necessidade de provar depois o que aconteceu. Para um repositório solo com um loop noturno, BUILD 3 é suficiente e isso é inchaço.
CHECK 8: reproduza a captura de tela. Registre tudo exceto uma linha de teste, e o portão deve recusar com exatamente um motivo. Adicione a linha e ele retorna COMPLETO. Um portão que passa sem ela é um leitor de transcript.
BUILD 9: O Enxame (Fable planeja, a frota executa, Fable pontua)
Um motorista com um conselheiro cobre uma tarefa. Uma meta que se divide em quatro peças independentes quer quatro trabalhadores.
Mas uma frota só mantém sua direção se um modelo planeja cada meta e pontua cada resultado. Essa é a razão inteira para esta construção existir, e a razão pela qual enxames geralmente falham sem ela.
O Degrau 3 tornado literal. Fable escreve as metas, a frota as executa, Fable pontua cada resultado contra sua própria verificação, e o próximo ciclo replaneja apenas as falhas.
Sua interrupção é o limite de ciclo. Quando o limite dispara com falhas pendentes, isso é um problema de especificação que vai para um humano, não uma razão para executar um quarto ciclo.
Crie swarm/swarm.sh. Três configurações carregam a doutrina:
1FLEET=4 # escritas nunca colidem: uma árvore de trabalho cada2WORKER_MODEL=claude-sonnet-5 # ou haiku / luna / kimi para execução pura3WORKER_EFFORT=low # NUNCA herde o esforço do condutor4CONDUCTOR=claude-fable-5 # ou opus-4-8 se as regras de retenção morderem
Essas três linhas são explícitas porque o padrão não é.
Uma frota que herda pega o modelo do condutor e o esforço do condutor. Um Fable-em-alto gerando quatro Fable-em-alto trabalhadores para fazer trabalho mecânico é a maneira mais cara possível de fazer a coisa mais barata possível.
Defina-as. Nunca deixe que elas usem o padrão.
Fan-out entre arneses é legal, e não é a exceção à primeira lei do ROUTING.md que parece.
- Um condutor Fable que chama codex exec executa Sol dentro do Codex, nativamente. Isso é a lei obedecida, não dobrada.
- O que quebra a lei é um subagente do lado do Claude usando uma string de modelo GPT, ou o inverso.
O arnês viaja com o trabalhador, não com o condutor.
O condutor escreve metas, nunca código, e cada meta carrega seu próprio comando de verificação, então feito permanece um fato:
1{"id":"remover-auth-legado","spec":"remova o caminho de autenticação v1 de routes/","check":"npm test -- tests/auth"}2{"id":"migrar-sessoes","spec":"mova o armazenamento de sessão para o novo adaptador","check":"npm test -- tests/session"}
Depois, despache, pontue e replaneje:
1# dispatch: uma árvore de trabalho git por meta, limitada a FLEET em paralelo2claude --model "$WORKER_MODEL" --effort "$WORKER_EFFORT" -p "Execute esta especificação3 exatamente. Não expanda o escopo. Execute os testes. Commit apenas quando verde."45# score: o condutor classifica cada meta contra seu PRÓPRIO comando de verificação.6# a confiança do trabalhador não é evidência. o código de saída é.7bash -c "$chk" && echo "$id" >> passed.txt || misses=$((misses+1))89# replan: próximo ciclo vê passed.txt e replaneja apenas o que falhou
Assento por assento:
- Sonnet 5 para execução de codificação
- Haiku ou Luna para trabalho mecânico puro
- Um trabalhador de peso aberto como Kimi quando o trabalho é repetitivo e os pesos são gratuitos
- Sol quando o trabalho é pesado em terminal
- Opus 4.8 no assento do trabalhador, apenas quando um subagente precisa raciocinar
Reserve Fable para os dois trabalhos que nenhum modelo barato pode fazer: escrever as metas e classificá-las.
Uma frota é uma estratégia de custo, nunca uma estratégia de inteligência.
Execuções multi-agente queimam 3 a 10 vezes os tokens para trabalho equivalente, e um estudo de orçamento igual de 2026 descobriu que agentes únicos os igualam em raciocínio quando os tokens são mantidos constantes.
Um enxame ganha seu sustento apenas quando as metas são independentes e principalmente mecânicas. Escritas permanecem single-threaded por árvore de trabalho, merges acontecem serialmente, e um humano pega o último commit.
CHECK 9: execute o enxame em uma meta que se divide em três direções. Uma meta quebrada deve retornar REPROVADO em results.tsv e ser replanejada no ciclo 2, nunca declarada concluída.
BUILD 10: Degrau 4 (nada que passou uma vez fica sem vigilância)
Tudo até agora verifica o trabalho enquanto está sendo feito. Nada até agora percebe quando o trabalho concluído deixa de ser verdade seis semanas depois. Uma meta que você verifica uma vez é uma suposição com um carimbo de data.
O Degrau 4 tem duas metades, e sua interrupção importa tanto quanto sua saída: se nenhuma proposta passar pelo portão esta semana, o sistema não muda, e isso é um sucesso.
Metade um, metas permanentes. Toda coisa concluída se forma em um invariante com um predicado, re-verificado diariamente, para sempre. Crie um arquivo por coisa concluída em goals/:
1predicate: npm test -- tests/auth 2>&1 | tail -1 | grep -q passing2born: 2026-07-133status: satisfied4last-pass: 2026-07-135on-violation: me acorde. não corrija automaticamente.
Depois, system/verify_goals.py executa a lista e sai com 1 se algum invariante quebrar, nomeando a meta, a data em que foi mantida pela última vez e a política que você definiu:
1held = subprocess.run(["bash","-c",predicate], timeout=60).returncode == 02g["status"] = "satisfied" if held else "VIOLATED"3# um timeout é uma violação, não uma aprovação: um predicado caro é um predicado quebrado
As regras de predicado são estritas de propósito: um comando shell, exit 0 significa que o invariante é válido, barato e somente leitura.
Adjetivos são proibidos. Se um shell não pode verificar, um modelo também não pode.
Metas fora de código funcionam da mesma forma. test -s reports/$(date +%Y-%m)-review.md é uma meta permanente perfeitamente boa para um relatório mensal.
Metade dois, compostagem. Uma vez por semana, leia o exaustão que o sistema já produziu: tarefas BLOQUEADAS, execuções de portão falhadas, portões de fábrica recusados, PRs revertidos, metas violadas.
Depois, proponha no máximo três mudanças. Uma nova lei para a constituição. Uma correção para uma habilidade que continua falhando da mesma maneira. Ou uma meta permanente que estava faltando.
Proponha apenas. Você assina.
1claude --model claude-fable-5 --effort high --allowedTools "Read,Grep,Glob" \2 -p "Leia o exaustão desta semana: linhas BLOQUEADAS em progress.log, entradas de PORTÃO3 RECUSADO, metas VIOLADAS, PRs fechados sem merge. Extraia NO MÁXIMO 3 propostas:4 uma nova lei (cite os incidentes), uma correção de habilidade (mesma falha repetindo), ou uma5 meta permanente que nos faltava. Proponha apenas, não edite nada. Semana limpa é uma6 resposta válida, diga isso e pare."
Este degrau fecha apenas quando as avaliações e os juízes dizem que o sistema melhorou. O que significa que o sistema precisa de uma memória de suas próprias falhas para melhorar contra.
A execução de compostagem é o que transforma um script em uma instituição.
As metas permanentes são o que torna a conclusão segura. O sentinela detecta, o pipeline normal corrige, e nada apodrece em silêncio.
CHECK 10: verify_goals.py demo nomeia o invariante quebrado com sua data de última passagem e deixa o saudável em paz. Depois, escreva uma meta permanente real para a última coisa que você concluiu.
BUILD 11: Degrau 5 (seu assento, e por que ele nunca esvazia)
O Degrau 5 tem seu nome por uma razão mecânica, não sentimental.
Um loop pode atingir sua condição de parada e ainda estar errado. Testes passam, o portão fica verde, ambos os revisores assinam, e o último commit ainda é um erro.
Toda construção abaixo deste existe para reduzir esse risco. Nenhuma delas o elimina.
Seus deveres permanentes, todos baratos:
- Leia a fila com café: tarefas BLOQUEADAS, linhas de PORTÃO RECUSADO, metas VIOLADAS, a parte de nível barato. Dez minutos.
- Verifique o último commit antes de mesclar. Não todo diff, o último, aquele em que o sistema estava mais confiante.
- Assine ou rejeite as três propostas de compostagem. Essa é a única maneira de leis entrarem na constituição.
Três jogadas são executadas em uma cadência, não sob demanda, porque custam dinheiro real e pagam em direção, não em diffs:
Jogada um, o loop de feedback do projeto, mensalmente.
Aponte Fable para o que você já enviou, apenas leitura, e peça para escrever um plano de melhoria detalhado. Depois, entregue a execução desse plano para Opus 4.8 ou Sol.
O modelo caro faz a parte que se multiplica, julgamento sobre o que mudar, e nunca a parte que não se multiplica, digitação.
1claude --model claude-fable-5 --effort high --allowedTools "Read,Grep,Glob" \2 -p "Revise este projeto de ponta a ponta. Escreva um plano de melhoria classificado por3 alavancagem: o que é frágil, o que é superdimensionado, o que está faltando, o que deve4 ser deletado. Não escreva código. Produza tarefas com critérios de aceitação." \5 > plans/$(date +%F)-improvement.md
Jogada dois, a análise de comportamento, mensal.
Alimente-a com seu próprio histórico de sessões e projetos em ambas as plataformas e peça para ela mapear como você constrói e onde você trava.
Este é o único relatório no sistema cujo assunto é você. Geralmente é o que mais muda.
Jogada três, a auditoria do segundo cérebro, trimestral. Aponte-a para suas anotações, documentos e backlog, e pergunte o que seu próprio pensamento diz que vale a pena construir em seguida e o que vale a pena excluir. Trate a saída como uma proposta, exatamente como composto.
Os degraus abaixo otimizam a execução, e a execução é a parte barata agora. Direção é o insumo escasso, e direção é o que vale a pena pagar por um modelo de fronteira. Compre julgamento a gramas, execução a toneladas, e guarde a última assinatura.
CHECK 11: execute a jogada um no seu próprio repositório. Se o plano não nomear nada que você já sabia que era frágil, seus arquivos de contexto são muito finos, o que é um problema de BUILD 1.
BUILD 12: Operações
Agentes consomem de 10 a 100 vezes mais tokens que uma chamada de chat, e a entrada domina em aproximadamente 100 para 1.
Empilhe as quatro alavancas do BUILD 0 (dividir, cache, lote, compactação) e as equipes relatam uma redução de 70 a 90 por cento em relação à sua linha de base não otimizada.
Para ter uma noção: US$ 13 por desenvolvedor por dia ativo é a média empresarial do Claude Code, e 90 por cento dos usuários ficam abaixo de US$ 30.
Uma linha de disciplina em vez de um novo subsistema: uma classe de tarefa pode fazer auto-merge somente após 20 execuções registradas com uma taxa de aprovação de 95 por cento, e uma única queda abaixo de 90 por cento a revoga de forma ruidosa.
1awk -F'\t' '$2=="fix-lint"{r++; if($3=="pass")p++}2 END{printf "%d runs, %.0f%%\n", r, (r?p/r*100:0)}' progress.log
Gasto semanal, a partir dos custos por tick que o ralph.sh já registra:
1grep '^cost' progress.log | awk -F'\t' \2 -v d="$(date -d '7 days ago' +%F)" \3 '$2>=d{s+=$3} END{printf "week: $%.2f\n", s}'
Calcule o metabolismo antes de configurar o cron. O custo diário é ticks vezes o custo médio do tick.
O assento que lida com o tick silencioso de "não há trabalho" decide a conta. Centavos no nível barato, dólares em um modelo de fronteira com alto esforço, para a resposta idêntica de "nada a fazer".
Executando dentro dos seus limites
Esses modelos queimam tokens rapidamente, e como você os executa determina quanto trabalho de um dia é concluído antes de você bater em uma parede.
Primeiro, saiba qual parede.
- Em uma chave de API, a parede é a conta. O progress.log já a monitora.
- Em um assento de assinatura, a parede é uma janela de cinco horas e uma janela semanal julgadas em conjunto. Nenhuma das duas aparece em lugar nenhum no registro acima.
Monitore o medidor em que você realmente está: o painel de uso nas configurações do Codex, /usage no lado do Claude, ou um monitor como ccusage ou codexbar estacionado no canto da tela.
Um limite que você nunca lê é um limite que você descobre ao atingi-lo, com quatro horas restantes no relógio e nada para executar.
Seis alavancas, da mais barata primeiro. A maioria atua nos degraus 0 a 2, onde os tokens queimam:
- Reduza CLAUDE.md e AGENTS.md ao essencial. Cada único prompt os lê, além de cada habilidade e ferramenta que você tem ativada. Desative o que você não está usando; um servidor MCP não utilizado é um imposto sobre cada mensagem.
- Reduza o esforço quando você não precisa do topo da escada. Padrão médio ou alto. Guarde "máximo" para problemas que precisam dele. E confirme que o modo rápido está desligado enquanto você estiver lá, porque ele multiplica tudo o que você definir.
- Dê ao modelo pontos de parada claros. Esses modelos são projetados para executar por muito tempo. Peça para eles terminarem o plano e verificarem antes de executar, que é o trabalho real do modo de planejamento.
- Mantenha os subagentes com esforço menor. Eles herdam o modelo do pai e seu dial também, e um enxame no máximo esvazia uma janela em uma mensagem. A correção barata é uma lei em ambas as constituições: não spawnar a menos que seja solicitado.
- Mantenha o modelo caro longe do volume. Quer o Fable esteja no topo como um condutor de baixo token ou sob demanda como um conselheiro, ele ganha seu preço nos pontos de decisão, nunca enquanto digita a milésima linha.
- Leia quanto custa uma mensagem, então ajuste as cinco acima com base nesse número. Esta é a única alavanca que lhe diz qual das outras cinco é o seu problema.
Juntas, essas alavancas definem por quanto tempo você pode executar os melhores modelos antes que o limite o pare.
Cron, quando a Semana 2 começar:
1# task loop: the daily tick, both caps set20 7 * * 1-5 cd /path/to/repo/loop && BUDGET_USD=5 ./ralph.sh >> ../progress.log 2>&134# system loop: nothing that passed once goes unwatched530 7 * * * cd /path/to/repo && python3 system/verify_goals.py goals/ >> progress.log 2>&167# system loop: failures become laws, once a week, proposals only80 9 * * 1 cd /path/to/repo && codex --profile deep exec \9 "$(cat ~/.codex/prompts/compost.md)" >> proposals/$(date +\%F).md 2>&1
O manual de operação. Cada alarme e o que fazer sobre ele:
O cronograma de 30 dias. Não pule as graduações; cada uma desbloqueia a próxima.
O Painel de Comando
Cada loop aqui é acessível por um atalho de teclado. Os comandos de barra vivem em ~/.codex/prompts/ no lado do Codex, onde o nome do arquivo se torna o comando, e em .claude/skills/ no lado do Claude. Os clipes de CLI são as versões headless que o cron e o CI executam.
Comandos de barra do Codex
/plan-stop e /effort se pagam mais rápido. Ambos gastam algumas centenas de tokens para evitar que você gaste algumas centenas de milhares.
Esses modelos executam por muito tempo, então o ponto de verificação que você precisa vem antes do gasto. /plan-stop retorna o plano, os comandos de "pronto quando", o raio de explosão, o custo e a única pergunta que faria a um humano. Então ele para.
Coloque ambos os arquivos em ~/.codex/prompts/, onde o nome do arquivo se torna o comando.
effort.md se torna /effort, o dial de roteamento tornado explícito:
1# /effort - pick the effort level before you spend it23Do not answer the task yet. Route it first.45Score it. One point each:6 - contains a why, a debug, a race, a deadlock, a refactor, a security concern,7 or an optimize8 - touches more than one subsystem9 - a previous attempt already failed10 - the change is irreversible or lands in front of users1112Then map:1314| Score | Effort | Seat |15|---|---|---|16| 0-1 | low | codex -e low, or profile fast (Luna). Never put a frontier seat on it. |17| 2 | medium | Terra at medium is the seat. |18| 3+ | high | the default for real work, and where the sweet spot sits. |1920Only if high has ALREADY been tried and failed: recommend max, and say plainly21what the extra thinking is expected to buy. The base rate you are arguing22against is roughly double the cost for a gain that usually does not repay.2324Two reminders before recommending an upgrade:25 1. A better model at lower effort usually beats a weaker model at max. Change26 the seat before the dial.27 2. If this task spawns subagents, state their effort explicitly (low unless28 proven otherwise). Subagents inherit the parent, and a fleet at max empties a29 context window in one message.3031Output exactly:32 EFFORT: low | medium | high | max33 SEAT: <model>34 WHY: <one line, naming the points that scored>35 SUBAGENTS: <effort to pin, or none>36Then stop. The human runs the task at the level you named.
Uma resposta ao vivo se parece com isso, e custa algumas centenas de tokens para evitar algumas centenas de milhares:
1EFFORT: high2SEAT: gpt-5.6-sol3WHY: contains "why", touches auth and sessions, prior attempt failed4SUBAGENTS: low
plan-stop.md se torna /plan-stop, o ponto de verificação antes do gasto:
1# /plan-stop - plan the work, then stop23These models run long. That is a feature when the plan is right and an expensive4way to be wrong when it is not. This command buys the checkpoint before the spend.56Plan the task. Do not edit a single file. Do not run a build. Do not start.78Produce:9 GOAL: <one line>10 ASSUMPTIONS: <what you take for granted; if these are wrong, so is the plan>11 STEPS: <numbered, each one commit's worth of work>12 DONE_WHEN: <the exact shell command that proves each step landed>13 BLAST RADIUS: <files and systems touched; name auth, payments, migrations, prod14 config explicitly>15 COST: <rough tokens or dollars, and which seat runs each step>16 UNKNOWNS: <what you would ask a human if you could ask exactly one question>1718Then stop and wait.1920Rules while planning:21 - Ambiguity goes in UNKNOWNS. Do not resolve it by guessing and proceeding. A22 guess that survives into execution costs a hundred times more than a question.23 - If the plan needs a credential, endpoint, or convention that is not written24 down in this repo, stop and say so. Never invent one.25 - If any DONE_WHEN is not a shell command, rewrite that step until it is. If a26 shell cannot check it, neither can a reviewer.27 - If the blast radius touches the never-list in AGENTS.md, say so at the top and28 recommend queueing for a human.2930You are paid for the plan here, not the diff. A short honest plan with real31unknowns beats a confident plan that quietly assumed the wrong thing.
fable-advice.md e review-hostile.md se tornam /fable-advice e /review-hostile. Ambos são os espelhos do lado do Codex dos arquivos que você já escreveu: o briefing do conselheiro do BUILD 5 e o contrato do revisor hostil do BUILD 6. Mesmas regras, mesmos limites, apontados na direção oposta através da linha do fornecedor.
compost.md se torna /compost, o construtor de instituições semanais do degrau 4:
1# /compost - turn this week's failures into next week's laws23Read this week's exhaust, all of it, and nothing else:4 - BLOCKED lines in progress.log (tasks that beat three advisor consults)5 - GATE: REFUSED entries (a run that could not prove it was done)6 - VIOLATED standing goals (something finished stopped being true)7 - circuit-breaker and budget exits (codes 2 and 3)8 - PRs opened by the loop and closed unmerged (the human silently disagreed)9 - any task class whose pass rate dropped below 90 percent1011Extract AT MOST three proposals. Three is a hard cap, not a target. A clean week is12a valid finding, and saying so is more useful than manufacturing work.1314Each proposal is exactly one of:15 1. A NEW LAW for CLAUDE.md or AGENTS.md. Quote the incidents it would have16 prevented. A law with one incident behind it is a coincidence; wait for the17 second.18 2. A SKILL FIX, when the same failure repeats in the same place. Name the skill,19 the pattern, and the smallest edit that breaks it.20 3. A STANDING GOAL you were missing, when something rotted silently. Write the21 predicate as a shell command, or do not propose it.2223Output:24 WEEK: <dates>25 EXHAUST: <counts: blocked, refused, violated, reverted>26 PROPOSAL n: <law | skill fix | standing goal>27 EVIDENCE: <the incidents, quoted>28 CHANGE: <the exact text or predicate to add>29 COST OF NOT DOING IT: <one line>30 VERDICT: <what you would do first if you could only do one>3132Hard rules:33 - Propose ONLY. Do not edit CLAUDE.md, AGENTS.md, any skill, or any goal file.34 The human signs, or it does not happen.35 - Do not propose a law that softens a gate, raises a budget, or relaxes a never.36 Those are the system asking to be allowed to fail more comfortably.37 - Empty exhaust: say "clean week" and stop. Do not go looking for work to justify38 the run.
Clipes de CLI
Mantenha-os em um arquivo temporário. Eles são o sistema inteiro acessível a partir de um terminal:
1# the daily tick, capped in both dimensions2BUDGET_USD=5 MAX_ITERS=20 ./loop/ralph.sh34# plan first, spend later (the single highest-leverage habit here)5codex -e high exec "$(cat ~/.codex/prompts/plan-stop.md)67TASK: migrate the session store off the legacy adapter"89# cross-vendor review of the last commit, in Sol's native harness10codex --profile deep exec "$(cat ~/.codex/prompts/review-hostile.md)"1112# the mirrored lane: Codex stuck, Claude advises13claude --model claude-fable-5 --effort high -p "$(cat ~/.codex/prompts/fable-advice.md)"1415# the goal loop: Fable plans, the fleet runs, Fable scores16CYCLES=3 FLEET=4 WORKER_EFFORT=low ./swarm/swarm.sh "split the auth migration"1718# the system loop: nothing that passed once goes unwatched19python3 system/verify_goals.py goals/ # exit 1 names what rotted20python3 gate/eval_gate.py eval/cases.jsonl # exit 1 blocks the routing change2122# rung 3, the factory: rows decide, not transcripts23./factory/factory.sh "build the kanban and notes app per PRD.md"24python3 factory/factory_gate.py gate factory.db2526# the weekly institution-building run27codex --profile deep exec "$(cat ~/.codex/prompts/compost.md)"2829# the one number that says whether any of this worked30grep '^route' progress.log | awk -F'\t' \31 '{n++; if($3!="frontier") c++} END{printf "cheap share: %.0f%%\n", c/n*100}'
A política completa está em ROUTING.md do BUILD 4, que ambas as plataformas leem.
As Regras (imprima isto)
- Leis, não dicas: um número, um "nunca" ou um comando que as verifica.
- O modelo é alugado. O loop é seu. Você vive no degrau 5.
- Um loop sem abortar é uma conta. Dois limites em cada um: iterações e dólares.
- Evidências sobem, controle desce. Nenhum degrau fecha com base em um relatório de um degrau abaixo dele.
- Um loop pode parar e ainda assim estar errado. Verifique o último commit antes de ele fazer merge.
- Roteie nas fronteiras. Esforço antes do modelo. O cache vota contra a troca.
- Padrão para alto. Máximo é profundidade, ultra é largura, modo rápido é um imposto de 2,5x, e subagentes herdam o assento e o dial do pai.
- O roteador é culpado até que supere o melhor modelo único em suas avaliações.
- Economias são a divisão de tráfego. Observe a parcela barata, não a tabela de preços.
- Execução é volume, conselho é gramas. Limite as consultas a três.
- Nada avalia seu próprio trabalho. Contexto novo, outra linhagem, plataforma nativa.
- Um thread é um rastro. Uma linha é uma evidência. O portão lê linhas.
- Nunca edite um teste para fazê-lo passar. Nunca faça merge passando por um portão BLOQUEADO.
- Uma meta que você verifica uma vez é uma suposição com um carimbo de data/hora.
- Uma graduação de cada vez. Todo mês, exclua algo.
Encerramento
Trinta dias a partir de agora, se você fez as verificações:
- Um loop entrega trabalho trivial sem supervisão, atrás de um portão determinístico
- Um driver barato consulta um especialista de fronteira apenas quando trava
- Cada diff significativo é julgado por um modelo que não o escreveu
- Um número no progress.log lhe diz se a economia está se compondo
Os modelos nunca foram a parte difícil. Um sistema que permanece honesto quando você para de observar é a parte difícil, e é por isso que o degrau 5 ainda tem seu nome.
Comece hoje à noite com os vinte minutos que provam isso. O verify.sh do BUILD 2. Um tick executado manualmente do BUILD 3. Uma revisão da outra linhagem no seu último commit.
Na primeira vez que um revisor que não compartilha contexto com o escritor encontrar um bug real em um trabalho que você tinha certeza de que estava pronto, você não precisará de convencimento sobre o resto.
Construa o portão hoje à noite. Responda com o que ele pegou na primeira execução.
Aviso Legal
Escrito a partir das notas de pesquisa do autor e fontes verificadas, com assistência de redação e verificação de fatos do Claude. Todos os preços e comportamentos de modelos foram verificados em relação às páginas oficiais de preços e documentação na semana da publicação; eles mudam, portanto, verifique antes de orçar.
Este artigo foi escrito a partir das notas do autor, conforme mencionado no parágrafo anterior, e editado com Claude Opus 4.7.
Se você quiser adicionar quaisquer outras correções, por favor, adicione-as nos comentários.
