AMAP-ML cria ferramenta para manter agentes em tarefas longas
Projeto usa contexto novo, estado verificado e auditoria para levar agentes por aplicativos e terminal sem perder o progresso.
Edição: Anderson Gomes
· 3 min de leitura
Quem deixa Claude Code ou Codex trabalhando por horas pode perder o progresso quando uma etapa falha ou o contexto cresce demais. O LongHorizon-Harness é uma ferramenta de código aberto que retoma tarefas longas com estado verificado e auditoria independente. A AMAP-ML criou o projeto em 2026-08-04. O repositório já tem 202 estrelas e atende equipes que usam agentes em aplicativos de desktop, navegador e linha de comando.
Manager, Executor e Auditor dividem a tarefa
O LongHorizon-Harness roda sobre agentes existentes. Ele não treina um modelo novo nem substitui Claude Code, Codex ou OpenClaw; organiza a execução, guarda o estado e verifica os resultados.
A arquitetura separa três funções. O Manager mantém o objetivo original, o progresso confirmado e o próximo passo. O Executor começa cada rodada com um contexto novo e trabalha em uma tarefa delimitada. O Auditor examina arquivos, interfaces, logs e testes no ambiente real.
O sistema só grava no estado persistente o resultado que passa pela verificação independente. Se uma ação falhar, o contexto for renovado ou o artefato não passar na inspeção, o sistema preserva o que já foi validado e retoma o restante.
Essa divisão reduz a dependência de um único histórico crescente. O agente não precisa carregar toda a tarefa em cada rodada. Ele recebe uma etapa, produz evidências e deixa o Auditor decidir se o resultado entra no estado confiável.
O projeto trabalha com Claude, GPT, Qwen e outros modelos expostos pelo backend escolhido. Claude Code, Codex CLI, OpenClaw e implementações próprias de AgentAdapter entram como backends. Manager, Executor e Auditor podem usar modelos diferentes.
O ambiente também pode ser local, ssh://user@host:port ou docker://container. A linguagem do projeto é Python. A licença é MIT.
A interface gráfica depende de um servidor MCP externo
O fluxo atravessa aplicativos gráficos e terminal. Um agente pode navegar no navegador, editar documentos, operar planilhas e usar software de design; depois, pode executar comandos, modificar código, instalar dependências e validar arquivos no terminal.
O LongHorizon-Harness não inclui uma implementação própria de computer use. Para controlar a interface gráfica, a equipe precisa conectar um servidor MCP externo compatível. Sem essa camada, o projeto não fornece sozinho os cliques, a digitação e a navegação na tela.
A adoção começa pela instalação do projeto e pela escolha do backend. O README informa instalação por um comando e integração com Claude Code, Codex e OpenClaw. Depois, a equipe configura o ambiente de execução e define os modelos ou adaptadores de cada papel.
Quem usa Claude Code pode configurar LH_HARNESS_CLAUDECODE_MCP_CONFIG e LH_HARNESS_CLAUDECODE_ADD_DIRS. A primeira variável informa a configuração do MCP; a segunda adiciona diretórios. Quando nenhuma configuração existe, o adaptador do Claude Code não acrescenta argumentos MCP.
Na primeira execução, o sistema cria rodadas com contexto novo e passa cada resultado pelo Auditor. O usuário deve esperar progresso registrado por evidências, não apenas uma resposta final do modelo. A tarefa pode começar no navegador, seguir para o terminal, produzir um artefato em um aplicativo e voltar ao terminal para depuração.
O projeto ainda tem pouca história para sustentar conclusões sobre estabilidade. O repositório AMAP-ML/LongHorizon-Harness foi criado em 2026-08-04 e registra idade de 0 dias. O último commit ocorreu em 2026-08-04, a versão mais recente é a v0.1.0, lançada na mesma data, e não há issues abertas.
As 202 estrelas e os 18 forks mostram interesse inicial, mas não comprovam maturidade operacional. A licença MIT permite usar, modificar e redistribuir o código conforme seus termos. A ferramenta não serve para quem procura um modelo novo ou um agente independente; ela coordena sistemas existentes e exige um MCP externo para automação gráfica.
- Python
- MIT
- Ferramentas para Devs
- Trendshift

Google lança plugin que testa projeto de software com agentes de IA
· 3 min de leitura
CodeRabbit usa GPT-6.1 Sol para buscar falhas além do pull request
A OpenAI anunciou a chegada do modelo ao agente de segurança da ferramenta, que simula ataques em sandbox e sugere correções diretas.
· 3 min de leitura
Gemini CLI do Google chega ao terminal com 108 mil estrelas e proteção de pasta
Ferramenta open source do Google põe modelo de IA no terminal com três canais de release
· 3 min de leitura
Gathin23 cria script para tirar anúncios de TVs Android em 15 minutos
Projeto soma 8.558 estrelas no GitHub em três dias ao trocar telas cheias de propaganda por interface limpa sem exigir root ou cabo.
· 3 min de leitura