Imagina dois jeitos de achar uma informação numa biblioteca gigante. Um bibliotecário decora o índice inteiro e sai catando fichas na mão, uma por uma. Outro já organizou tudo por assunto antes mesmo de você perguntar. É basicamente essa a disputa que está rolando entre os times que constroem os harnesses de IA para programação, aquela camada de software que fica entre o modelo de linguagem e o seu projeto de código.
Vinay Perneti, VP de Engenharia da Augment Code, contou à Ars Technica como sua empresa decidiu ir pelo caminho da recuperação semântica. Em vez de deixar o agente varrer arquivos com buscas textuais tipo grep, a Augment Code pré-indexa o repositório inteiro usando embeddings, um modelo de recuperação e um banco de dados vetorial. O resultado é que o agente consegue puxar trechos de código conceitualmente relevantes em milissegundos, sem precisar reler tudo do zero a cada tarefa.
Do outro lado do ringue está a Anthropic. Cat Wu, líder de produto do Claude Code, defende algo bem diferente: um harness enxuto, com poucas ferramentas engessadas, deixando o desenvolvedor plugar o que quiser por fora. A lógica dela é interessante, os modelos estão evoluindo tão rápido que travar decisões de arquitetura hoje pode virar peso morto amanhã.
Onde a diferença realmente aparece
Perneti fez um ponto que eu achei bem esclarecedor: em repositórios públicos, os modelos praticamente memorizaram o código de tanto benchmark que rodou em cima deles. Então qualquer abordagem parece funcionar bem, porque o modelo já sabe onde procurar. O teste de verdade aparece em bases de código privadas, essas que nenhum modelo nunca viu antes. Ali, sem um mapa semântico prévio, o agente fica tentando várias vezes até acertar o caminho, e cada tentativa consome tempo e tokens.
Se você tem entendimento semântico do repositório inteiro, chega à resposta muito mais rápido, resume Perneti.
Para sustentar o argumento, ele citou um benchmark próprio: rodando o Terminal-Bench com o mesmo modelo, Augment Code e Claude Code bateram acurácia parecida, mas a Augment usou 33% menos tokens no processo. Não é pouca coisa quando se fala em custo de operar agentes em escala.
Vale lembrar que as duas empresas não estão necessariamente testando as mesmas condições nem otimizando para os mesmos objetivos, então não dá para tratar isso como um veredito definitivo. Mas o contraste ajuda a entender algo maior: não existe consenso ainda sobre qual é a melhor forma de dar contexto a um agente de código, e isso talvez seja saudável. Cada abordagem, grep dinâmico ou indexação semântica prévia, carrega trade-offs diferentes entre velocidade, custo e flexibilidade.
No fim das contas, essa discussão sobre harnesses mostra que o avanço da IA para programação não está só nos modelos ficando mais inteligentes. Está também em como a gente constrói as pontes entre esses modelos e o código real, bagunçado e único de cada empresa.
Fonte: https://arstechnica.com/ai/2026/07/beyond-grep-the-case-for-a-context-rich-ai-coding-harness/