Um artigo da XDA sobre o Hermes Agent identificou a lacuna que tem incomodado entusiastas de LLMs locais há dois anos: um modelo em uma janela de chat não é a mesma coisa que um modelo que realmente consegue fazer coisas. Um modelo de 70B rodando na sua própria GPU é impressionante. Um modelo de 7B que consegue ler seus arquivos, executar um script e escrever a saída de volta é útil de uma forma que a caixa de chat não é.
Testamos sete apps de desktop que adicionam capacidades de agente a LLMs locais, executando Ollama e LM Studio como backends de modelo no Windows, macOS e Linux. As escolhas abrangem frameworks de código aberto que lidam com scripts, arquivos e shells, e ferramentas mais leves que focam em fazer um trabalho bem.
O que importa em um agente LLM local
- Flexibilidade de backend. Um agente útil funciona com qualquer servidor de modelo que você já executa. Ollama, LM Studio, llama.cpp e endpoints compatíveis com OpenAI aparecem aqui.
- Execução de ferramentas que você pode auditar. Agentes que executam comandos shell precisam de uma etapa de confirmação ou uma sandbox. Execuções de ferramentas em caixa preta em uma estação de trabalho real é como experimentos com LLM local terminam com arquivos de configuração danificados.
- Limites de acesso a arquivos. “Ler qualquer arquivo” é conveniente mas perigoso. As melhores ferramentas deixam você restringir um agente a uma pasta de projeto.
- Memória entre execuções. Algumas tarefas querem uma conversa nova. Outras querem contexto da execução de ontem. As ferramentas diferem em se a memória é opcional.
- Custo da falha. Um agente em nuvem falhando é uma chamada de API desperdiçada. Um agente local que executou o comando shell errado é uma tarefa de recuperação. Escolha ferramentas que falham com segurança.
Comparação rápida
| App | Melhor para | Suporte de backend | Execução de ferramentas | Licença |
|---|---|---|---|---|
| Open Interpreter | Shell de linguagem natural com execução de código | Ollama, LM Studio, llama.cpp, compatível com OpenAI | Sim, com modo seguro opcional | AGPLv3 |
| OpenHands | Agente de engenharia de software para codebases reais | Compatível com OpenAI, Ollama | Sim, em sandbox no Docker | MIT |
| Hermes Agent | Executor leve vinculado a modelos Hermes | Ollama, LM Studio, llama.cpp | Sim, ferramentas programadas | MIT |
| AutoGPT | Executor de tarefas autônomas de longo horizonte | Compatível com OpenAI, Ollama via adaptador | Sim, baseado em plugins | MIT |
| AgentGPT | Agente hospedado em navegador com opção de auto-hospedagem | Compatível com OpenAI, Azure, proxy local | Sim, no navegador | GPL-3.0 |
| Continue | Agente de codificação no editor | Ollama, LM Studio, compatível com OpenAI | Sim, restrito ao IDE | Apache 2.0 |
| CrewAI | Framework de orquestração multi-agente | Qualquer endpoint compatível com OpenAI | Sim, via ferramentas Python | MIT |
Os apps
1. Open Interpreter — Melhor shell de propósito geral
Open Interpreter é o mais próximo de “um LLM local que consegue usar seu computador”. Instale via pip, aponte para um endpoint Ollama ou LM Studio, e peça para resumir o conteúdo de uma pasta, renomear arquivos por data ou consultar um banco de dados SQLite. Escreve Python, pede confirmação antes de executar e direciona a saída de volta para a conversa.
Onde fica aquém: O modo padrão executa código localmente com confirmação; o modo seguro adiciona uma sandbox mas limita o que as ferramentas conseguem fazer. Modelos locais menores ocasionalmente imaginam chamadas de função que falham na execução. O REPL interativo é ótimo; o GUI de desktop é mais novo e mais áspero.
Preço:
- Gratuito: código aberto AGPLv3
- Pago: nenhum
Plataformas: Windows, macOS, Linux
Download: Open Interpreter | Código-fonte
Conclusão: Escolha isso quando quiser uma única ferramenta de linha de comando que transforme um LLM local em um assistente de shell funcionando.
2. OpenHands — Melhor para tarefas de engenharia de software
OpenHands (o projeto anteriormente conhecido como OpenDevin) é construído para trabalho em escala de codebase. O agente roda dentro de uma sandbox Docker, obtém um shell real, consegue usar um navegador e consegue executar planos multi-etapa contra um repositório Git. Ele se conecta a endpoints compatíveis com OpenAI, incluindo proxies locais Ollama e LM Studio, então o modelo fica no seu hardware enquanto o agente obtém ferramentas completas de desenvolvimento.
Onde fica aquém: Configuração mais pesada que Open Interpreter; você precisa do Docker rodando e disposto a dar ao container recursos substanciais. Modelos locais menores (abaixo de 13B) lutam com o planejamento multi-etapa que OpenHands espera. A UI web é funcional mas não tão suave quanto a versão hospedada na nuvem.
Preço:
- Gratuito: código aberto MIT
- Pago: nenhum
Plataformas: Windows, macOS, Linux (via Docker)
Download: OpenHands
Conclusão: Escolha isso quando o agente precisa ler uma codebase real, executar testes e produzir um pull request.
3. Hermes Agent — Melhor executor leve
Hermes Agent é o projeto que XDA destacou. Ele emparelha um LLM local com um pequeno e focado runtime de agente que consegue executar scripts e ler arquivos, projetado em torno da família de modelos Hermes ajustados mas compatível com qualquer modelo ajustado para chat servido através de Ollama ou llama.cpp. A pegada é pequena e a configuração é curta.
Onde fica aquém: Projeto mais jovem; documentação e base de conhecimento da comunidade são finas. Melhores resultados vêm da execução com os modelos da família Hermes para os quais o runtime foi ajustado; modelos abertos genéricos funcionam mas menos confiávelmente. Orquestração de trabalhos é mais simples que OpenHands.
Preço:
- Gratuito: código aberto MIT
- Pago: nenhum
Plataformas: Windows, macOS, Linux
Download: Hermes Agent no GitHub
Conclusão: Escolha isso quando quiser um pequeno executor que saia do caminho e execute os scripts que você já tem.
4. AutoGPT — Melhor executor de tarefas autônomas
AutoGPT popularizou o padrão “dê um objetivo a um LLM e deixe-o descobrir os passos”. A reescrita recente suporta um construtor de agente estilo gráfico, plugins para busca na web, manipulação de arquivos e uso de ferramentas, e um backend auto-hospedado que fala com endpoints de modelo locais através de proxies compatíveis com OpenAI.
Onde fica aquém: Loops autônomos em modelos locais pequenos podem espiralar, acumulando chamadas de ferramenta sem fazer progresso. O ecossistema de plugins cresceu durante o ciclo de hype de 2023, depois se encolheu; verifique plugins antes de conceder acesso ao sistema de arquivos. A interface é mais ocupada que as alternativas de CLI.
Preço:
- Gratuito: código aberto MIT
- Pago: nuvem gerenciada opcional
- vs OpenHands: objetivos mais amplos, execução menos estruturada
Plataformas: Windows, macOS, Linux
Download: AutoGPT
Conclusão: Escolha isso quando a tarefa é ampla e o objetivo é “veja o que o agente faz” em vez de “execute este plano definido”.
5. AgentGPT — Melhor opção primeiro no navegador
AgentGPT roda em uma aba do navegador. Expõe uma interface baseada em objetivo que decompõe um objetivo de alto nível em subtarefas e as executa através de um endpoint de modelo. O build Docker auto-hospedado deixa você apontá-lo para um servidor de modelo local, que mantém o modelo no seu hardware enquanto oferece uma UI web utilizável para usuários não-técnicos.
Onde fica aquém: Execução de ferramentas é mais limitada que Open Interpreter ou OpenHands; ele se apoia em busca e raciocínio em vez de acesso ao sistema de arquivos. A versão hospedada é um SaaS pago; a versão auto-hospedada é o caminho gratuito.
Preço:
- Gratuito: auto-hospedado GPL-3.0
- Pago: planos hospedados começando em torno de 40 USD por mês para limites maiores
Plataformas: Windows, macOS, Linux (navegador; backend via Docker)
Download: AgentGPT
Conclusão: Escolha isso quando quiser uma UI web que colegas não-técnicos conseguem usar, apontada para seu servidor de modelo local.
6. Continue — Melhor agente no editor
Continue é uma extensão do VS Code e JetBrains que transforma o editor em uma UI de agente. Ele se conecta a Ollama, LM Studio, llama.cpp e endpoints compatíveis com OpenAI, suporta uso de ferramentas restrito ao workspace e lida com autocompletar, chat e edições multi-etapa sem sair do IDE.
Onde fica aquém: Profundidade agentic é mais rasa que OpenHands; é excelente em “editar esses arquivos com base nesse prompt” e mais fraco em “explorar essa codebase de ponta a ponta”. Superfície de ferramentas é restrita ao IDE em vez de toda a máquina.
Preço:
- Gratuito: código aberto Apache 2.0
- Pago: recursos de equipe opcionais
Plataformas: Windows, macOS, Linux (como extensão do VS Code ou JetBrains)
Download: Continue | Código-fonte
Conclusão: Escolha isso quando o trabalho acontece em um IDE e você quer o agente dentro do editor, não em uma janela separada.
7. CrewAI — Melhor para configurações multi-agente
CrewAI é um framework Python, não um app polido. O ponto de inclusão: quando “um agente” é a unidade errada de trabalho e você realmente precisa de um pesquisador, um escritor e um crítico rodando em coordenação, este é o caminho mais amigável para configurar isso contra um servidor de modelo local. Ele aponta para a audiência de desenvolvedores Python e produz código de orquestração em vez de uma interface de chat.
Onde fica aquém: Code-first, sem GUI. Requer que você defina a equipe, ferramentas e tarefas em Python. A curva de aprendizado é real e a documentação espera familiaridade com padrões estilo LangChain.
Preço:
- Gratuito: código aberto MIT
- Pago: CrewAI Enterprise opcional
Plataformas: Windows, macOS, Linux (como biblioteca Python)
Download: CrewAI | Código-fonte
Conclusão: Escolha isso quando um agente não é o suficiente e você consegue escrever Python.
Como escolher o certo
- Se você quer uma única ferramenta de linha de comando que faz o trabalho: Open Interpreter.
- Se você quer um agente que lida com projetos de software reais: OpenHands.
- Se você quer um pequeno executor vinculado à família Hermes: Hermes Agent.
- Se você quer ampla autonomia e aceita o custo: AutoGPT.
- Se você quer uma UI de navegador para usuários não-técnicos: AgentGPT.
- Se o trabalho acontece em um IDE: Continue.
- Se você precisa de múltiplos agentes coordenados: CrewAI.
FAQ
Qual é a diferença entre um agente LLM local e um modelo de chat?
Um modelo de chat produz texto. Um agente roda em um loop: pense, chame uma ferramenta, observe o resultado, pense novamente, chame outra ferramenta, até o objetivo ser alcançado ou o loop terminar. As ferramentas são scripts, leituras de arquivo, buscas na web, comandos shell ou qualquer coisa que o framework exponha. O mesmo modelo pode ser qualquer um dependendo do wrapper de runtime.
Posso executar esses em um Raspberry Pi?
Alguns conseguem, com modelos pequenos. Open Interpreter e Hermes Agent são leves o suficiente para começar. OpenHands precisa de recursos Docker além do que um Pi entrega confortavelmente. Planeje pelo menos 16 GB de RAM e uma GPU ou Apple Silicon para qualquer agente construído em torno de um modelo de 13B ou maior.
Qual é o mais seguro para executar em uma estação de trabalho real?
OpenHands coloca tudo em sandbox dentro do Docker por padrão, o que oferece o isolamento mais forte. Open Interpreter tem um modo seguro que adiciona uma camada de sandbox. Trate o resto como você faria com qualquer ferramenta que execute scripts arbitrários: restrinja a uma pasta de projeto, não execute como root, e faça backup antes de deixar tocar em qualquer coisa importante.
Preciso de uma GPU?
Agentes úteis começam a parecer responsivos ao redor de modelos de 13B. Sem uma GPU, um modelo de 7B em uma CPU moderna é viável para tarefas simples. Um Mac Apple Silicon com 32 GB de memória unificada roda surpreendentemente bem. Uma GPU NVIDIA discreta com 16 GB+ é a configuração mais flexível.
Posso usar esses com a API do OpenAI em vez de um modelo local?
Sim para a maioria deles. Os frameworks listados aceitam qualquer endpoint compatível com OpenAI, então a mesma configuração funciona contra GPT-4o, Anthropic via proxy, Groq, Together ou sua instância Ollama local. O ponto de local é manter os dados no seu hardware; o código do agente não se importa com a fonte.
Qual é a diferença entre OpenHands e Open Interpreter?
OpenHands é construído para tarefas de engenharia contra uma codebase, com forte sandboxing e um loop de planejamento. Open Interpreter é construído para uso de “shell de linguagem natural” em toda a máquina, com uma sandbox mais leve e uma interface com prioridade de chat. Use OpenHands dentro de um repo; use Open Interpreter na máquina.
