Harness e grafos de agentes: o que a aula de Andrew Ng diz de fato

• Link: x.com/0xnicc0/status/2106741374028578913 ^[2]
• Autor do post: @0xnicc0 (nome exibido: nicco), conta com selo azul; neste post, republica o vídeo de uma aula de terceiros.
• Publicado em: 04/out/2026, 10:40 (horário de Brasília) · na leitura de 04/out/2026: 11,2 mil visualizações, 70 curtidas, 11 republicações e 176 itens salvos.
• Texto (tradução): "Andrew Ng, fundador do Google Brain: 'o prompt vai morrer em 7 meses', 'harnesses é que vão substituí-lo'. Prompts → Agentes → Harness → Loops → Grafos → Sistemas que se autoaprimoram. Em 97 minutos, Andrew mostra como construir um harness que deixa agentes planejar, executar, verificar e melhorar sozinhos. Um harness carrega o contexto certo, encaminha cada tarefa, confere o resultado e dispara o passo seguinte. A maioria ainda está aperfeiçoando prompts enquanto a engenharia de IA já está indo para o harness. Assista hoje e depois salve o guia completo de harness engineering abaixo."
• Mídia: vídeo de 1h38min11s com legendas coloridas queimadas na imagem e a marca de Stanford no canto.
• Post citado: o artigo no X Graph Engineering: Stop Chaining Your Agents, de @seeconvm (14/ago/2026, 2,2 milhões de visualizações na leitura) ^[3].
• Notas da comunidade: nenhuma na leitura de 04/out/2026.

De onde vem o vídeo. É um recorte da Lecture 9: Career Advice in AI do curso CS230 (Deep Learning) de Stanford, no outono de 2025. A aula foi dada em 18/nov/2025 e publicada no canal oficial Stanford Online em 16/dez/2025, com 1h45min08s e cerca de 456 mil visualizações na leitura de 04/out/2026 ^[1]. A descrição lista três nomes: Laurence Moroney (autor de livros de IA, convidado), Andrew Ng e Kian Katanforoosh ^[1]. O recorte do post tem quase 7 minutos a menos que o original; os cortes não foram mapeados um a um.

Quem fala. Andrew Ng, fundador da DeepLearning.AI e líder fundador da equipe Google Brain ^[13], abre com uns 15 minutos de conselhos de carreira. O restante (mais de 80% do vídeo) é de Laurence Moroney, que trabalhou no Google e na Microsoft e hoje está na Arm, falando de mercado de trabalho, dívida técnica de código gerado por IA, hype e modelos pequenos ^[1].

Por que circula agora. Desde jul/2026, várias contas atribuem a Ng frases como "o prompt morre em 6 meses" e cada uma diz que ele vai ser substituído por uma coisa diferente: loops, grafos ou harness ^[7]. Em set/2026, um usuário do Hacker News identificou o vídeo original e notou que a palavra "graph" não aparece na transcrição ^[6]. Este post repete o padrão, agora com "7 meses" e "harness", e emenda um artigo de terceiros sobre grafos de agentes ^[3].

O tema por trás é real. "Harness engineering" virou nome de disciplina no início de 2026 ^[12]: a OpenAI descreveu um produto construído com 0 linha de código escrita à mão, em que o trabalho dos engenheiros passou a ser projetar o ambiente dos agentes ^[10], e a Anthropic publicou como estrutura agentes de longa duração ^[11].

Legenda: ✅ confirmado por fonte independente · ⚠️ parcial ou exagerado · ❌ contradito · ❓ sem fonte.

• Fonte primária: a aula original no canal Stanford Online, com data, duração e palestrantes ^[1]. O recorte do post foi comparado com ela pelos quadros (marca de Stanford, slides, palestrantes) e por uma transcrição automática do áudio feita para este material.
• Ponto de partida: o post ^[2] e o artigo citado ^[3], lidos na íntegra.
• Independente 1: a publicação original do METR sobre a duração das tarefas (19/mar/2025), que mostra o gráfico usado no slide ^[4].
• Independente 2: a discussão no Hacker News que localizou o vídeo original e apontou o título enganoso de um reenvio anterior ^[6].
• Independente 3: o rastreio da TIMEWELL (09/ago/2026), que não achou fonte primária para a frase e registra as versões divergentes ^[7].
• Independente 4: documentação e cookbook da Anthropic sobre dynamic workflows ^[8][9]; textos de OpenAI ^[10], Anthropic ^[11] e O'Reilly ^[12] sobre harness.

O que mudou desde a aula (18/nov/2025) (checado em 04/out/2026):

• A métrica do slide foi revisada. Em 29/jan/2026, o METR publicou o Time Horizon 1.1: a duplicação de longo prazo ficou em 196,5 dias (os mesmos ~7 meses), mas, só com modelos desde 2024, ela cai para 88,6 dias ^[5]. O ritmo recente é mais rápido que o do slide.
• "Harness" ganhou nome e literatura. OpenAI (11/fev/2026) ^[10], Anthropic (24/mar/2026) ^[11] e O'Reilly (15/mai/2026) ^[12] passaram a tratar o ambiente em volta do modelo como a parte que mais pesa no resultado.
• Os grafos viraram recurso de produto. O Claude Code documenta dynamic workflows: até 16 subagentes ao mesmo tempo por padrão, limite de 1.000 por execução, e um fluxo pronto, /deep-research, que divide a pergunta, busca em paralelo, confere as fontes e escreve um relatório citado ^[8][9].
• O que não mudou: a aula não é sobre harness, e nenhuma fonte primária sustenta que o prompt vai acabar.

Limites. A transcrição automática do recorte pode errar palavras; os minutos citados são do vídeo do post, não do original no YouTube. Não foi possível conferir se o artigo citado ^[3] usa recursos que já estão em todas as versões do Claude Code.

1. 00:00–15:00 · Ng: com blocos de IA (LLMs, RAG, fluxos agentic, voz) e código assistido, qualquer aluno faz software que ninguém fazia um ano antes; slide do METR; ficar na geração mais recente das ferramentas de código.
2. 03:00–05:00 · Ng: o gargalo passa a ser decidir o que construir. A proporção engenheiro por gerente de produto, antes de 4 a 8 para 1, cai em alguns times para perto de 1 para 1.
3. 09:00–15:00 · Ng: escolha o time e as pessoas, não a marca; construa sem esperar permissão, com responsabilidade; trabalhe duro se puder.
4. 15:00–33:00 · Moroney: um candidato que acompanhava mais de 300 vagas e era reprovado por parecer hostil nas entrevistas; mercado com menos vagas de entrada depois da supercontratação de 2022–2023; foco no negócio e em mostrar o que você fez.
5. 33:00–52:00 · Moroney: risco e responsabilidade em IA (o caso dos filtros de imagem do Gemini); código gerado como dívida técnica: boa ("hipoteca") ou ruim ("cartão de crédito").
6. 52:00–1:05:00 · Moroney: a moeda das redes sociais é engajamento, não precisão; um agente em 4 passos (intenção, plano, ferramentas, reflexão) aplicado a vendedores.
7. 1:05:00–1:38:00 · Moroney: bolha, modelos grandes versus modelos pequenos e locais, IA no próprio aparelho; perguntas da plateia.

Tempos do vídeo anexado ao post ^[2], conferidos com a transcrição automática; palestrantes e data pela página oficial ^[1].

1. Duração das tarefas (o slide dos "7 meses")

• Em uma frase: o METR mede a duração, em tempo humano, das tarefas que um modelo conclui com 50% de sucesso; esse número dobrou a cada ~7 meses entre 2019 e 2025 ^[4].
• Explicação: em mar/2025, o melhor modelo medido, o Claude 3.7 Sonnet, tinha horizonte de cerca de uma hora; os modelos da época acertavam quase 100% das tarefas de menos de 4 minutos e menos de 10% das de mais de ~4 horas ^[4]. A revisão de jan/2026 manteve a tendência longa e mostrou ritmo maior desde 2024 ^[5].
• Erro comum: ler o gráfico como prazo ("em 7 meses acaba o prompt"). Ele diz que agentes aguentam tarefas cada vez mais longas, e isso aumenta a importância do que fica em volta do modelo.

2. Harness

• Em uma frase: tudo o que não é o modelo: o laço de execução, as ferramentas, o contexto, as permissões, a verificação e o estado ^[12].
• Explicação: um modelo sozinho só completa texto; vira agente quando um harness lhe dá ferramentas, memória e um ciclo de tentar, conferir e corrigir. Na OpenAI, um time de três engenheiros abriu ~1.500 pull requests em cinco meses, todos escritos por agentes, porque passou a investir em documentação legível, testes e regras checadas por máquina ^[10].
• Exemplo prático: em vez de um arquivo de instruções gigante, um índice curto que aponta para documentos mais profundos ("dê ao agente um mapa, não um manual de 1.000 páginas") ^[10].
• Princípio útil: "todo componente de um harness codifica uma suposição sobre o que o modelo não consegue fazer sozinho"; quando o modelo melhora, a peça pode sair ^[11].

3. Laço com avaliador separado

• Em uma frase: um agente gera, outro avalia com critérios explícitos, e o laço só fecha quando a avaliação passa.
• Explicação: a Anthropic montou um harness de três papéis (planejador, gerador e avaliador) para sessões de horas. Gerador e avaliador combinam antes o que é "pronto" em cada etapa, e o avaliador reprova a etapa se algum critério ficar abaixo do mínimo ^[11].
• Erro comum: pedir ao mesmo agente que avalie o próprio trabalho. Separar o juiz e afinar o juiz para ser cético funciona melhor ^[11].

4. Grafo de agentes: nós e arestas

• Em uma frase: nó é um trabalho com entrada e saída definidas; aresta é um dado que sai de um nó e entra em outro ^[3].
• Explicação: o artigo citado no post propõe uma pergunta simples para cada "e depois" de um fluxo: o próximo passo lê a saída do anterior? Se não lê, não existe aresta entre eles, e os dois podem rodar em paralelo ^[3].
• Contrato: cada nó devolve dados validados por um esquema (JSON Schema), e não texto livre; o Claude Code aceita um schema em cada chamada agent() ^[3][9].

5. Leque e funil: parallel() × pipeline()

• Em uma frase: parallel() roda várias tarefas ao mesmo tempo e espera todas (barreira); pipeline() passa cada item pelas etapas sem esperar os outros ^[8][9].
• Exemplo: auditar 18 arquivos: com barreira, o arquivo mais lento segura todos antes da etapa seguinte; em pipeline, quem termina antes já segue para a verificação.
• Regra do artigo: use barreira só quando a etapa precisa de todos os resultados juntos, como deduplicar ou ranquear ^[3]. Juntar e filtrar listas é código comum, sem agente e sem tokens ^[3][9].

6. Ciclo que converge

• Em uma frase: quando não se sabe o tamanho do trabalho (quantos bugs existem), o fluxo repete rodadas até K rodadas seguidas não acharem nada novo ^[3].
• Detalhe que decide: deduplicar contra tudo o que já foi visto, inclusive o que foi rejeitado; senão os mesmos falsos achados voltam toda rodada e o laço nunca para ^[3]. A documentação do Claude Code traz um exemplo parecido: rodar testes repetidamente e parar quando duas rodadas seguidas não acham nada novo ^[8].

7. Filtrar o hype (a lição que está mesmo no vídeo)

• Em uma frase: Moroney diz, no próprio vídeo do post, que "a moeda das redes sociais é engajamento, não precisão" ^[1].
• Aplicação: antes de agir sobre um "fulano disse", procure o original, a data e o contexto. Neste caso, bastou o nome do curso no canto da tela para chegar à aula ^[1][6].

• Base: Agentes de IA, segundo Andrew Ng: da ideia ao sistema traz os quatro padrões de Ng (reflexão, ferramentas, planejamento e multiagentes) que este material mostra virando harness e grafo.
• Na prática: Code w/ Claude: 8 palestras sobre programar com agentes mostra sub-agentes, memória e rotinas numa ferramenta real de programação.
• Do lado de quem usa: How I use LLMs, de Andrej Karpathy (fev/2025) ajuda a separar o que muda no uso diário do que é só embalagem nova.
• Contraponto: a ideia de que "o prompt morreu" é contestada por quem trabalha com harness: as instruções só mudaram de lugar, do chat para arquivos versionados e descrições de ferramentas ^[7][12].

• Ao receber um "fulano disse", procure a fonte primária e o minuto exato antes de repassar; marcas na tela, nomes de curso e datas costumam bastar.
• Desenhe seu fluxo de agentes como caixas e setas. Corte toda seta que não carrega dado: esses passos podem rodar em paralelo.
• Dê a cada etapa um contrato: entrada explícita e saída validada por esquema.
• Coloque um verificador separado antes do resultado final, com critérios escritos e um limite de tentativas.
• Use código comum para juntar, filtrar e deduplicar; guarde os modelos para as decisões que exigem julgamento.
• Revise o harness quando trocar de modelo: peças que compensavam limitações antigas podem sair.

Aresta Edge

Dado que sai de um nó e entra em outro; sem dado passando, não há aresta.

Barreira Barrier

Ponto em que o fluxo espera todas as tarefas paralelas terminarem.

Contrato de nó Node contract

Entrada explícita e saída com formato validado, geralmente por esquema.

Diamante Diamond (fan-out/fan-in)

Topologia que divide o trabalho, roda em paralelo e junta no fim.

Duração da tarefa (50%) 50% time horizon

Tempo humano das tarefas que um modelo conclui com 50% de sucesso.

Harness Agent harness

Todo o código e a configuração em volta do modelo que o fazem agir.

Leque Fan-out

Disparar várias tarefas independentes ao mesmo tempo.

Nó Node

Unidade de trabalho com uma entrada, uma saída e uma única tarefa.

Pipeline Pipeline

Cada item passa pelas etapas sem esperar os demais.

Subagente Subagent

Agente com contexto próprio disparado por outro agente ou script.

Verificador Verifier

Etapa que tenta derrubar um resultado antes de ele seguir adiante.

Workflow dinâmico Dynamic workflow

Script que o Claude Code escreve para orquestrar muitos subagentes.

1. Qual é a fonte real do vídeo do post?

   • a) Um curso pago de harness engineering
   • b) A aula de carreira do Stanford CS230 de 18/nov/2025
   • c) Uma palestra de Ng sobre grafos de agentes
   • d) Um evento da Anthropic
   Ver resposta ›

   b) Lecture 9: Career Advice in AI, publicada pelo Stanford Online ^[1].

2. De onde vêm os "7 meses" do post?

   • a) De uma previsão de Ng sobre o fim do prompt
   • b) Do tempo de duplicação, medido pelo METR, da duração das tarefas que a IA conclui
   • c) Do prazo de lançamento de um modelo
   • d) De nenhuma fonte
   Ver resposta ›

   b) O slide de Ng mostra o gráfico do METR ^[1][4].

3. Quanto tempo Ng fala no vídeo de 98 minutos?

   • a) Os 98 minutos
   • b) Cerca de 60 minutos
   • c) Cerca de 15 minutos
   • d) Não aparece
   Ver resposta ›

   c) O restante é de Laurence Moroney ^[1].

4. Qual a diferença entre parallel() e pipeline() nos workflows do Claude Code?

   • a) Nenhuma
   • b) parallel() espera todas as tarefas (barreira); pipeline() deixa cada item seguir sozinho pelas etapas
   • c) pipeline() só roda uma tarefa por vez
   • d) parallel() não usa subagentes
   Ver resposta ›

   b) ^[8][9].

5. Por que deduplicar contra "tudo o que já foi visto" num ciclo de busca de bugs?

   Ver resposta ›

   porque, se você deduplicar só contra os achados confirmados, os rejeitados voltam a cada rodada e o laço nunca chega às rodadas vazias que o encerram ^[3].

6. O prompt morre num sistema com harness?

   Ver resposta ›

   não. As instruções mudam de lugar (instruções de sistema, descrições de ferramentas, arquivos de regras versionados), mas continuam sendo escritas e revisadas ^[7][12].

Toque no cartão para virar. Baixar CSV para o Anki › (separador “;”, colunas frente;verso;tags)

Tarefa (30 min): pegue um fluxo que você já faz com IA em vários passos (pesquisar e resumir, revisar um texto, triar mensagens). Desenhe cada passo como caixa e cada dado que passa como seta. Marque as setas que não carregam dado, reagrupe os passos independentes em paralelo, escreva o formato de saída de cada caixa e acrescente um verificador com 3 critérios antes do resultado final.

Feito quando: você tem o desenho antes e depois, pelo menos um par de passos que agora roda em paralelo, um formato de saída por caixa e 3 critérios de verificação que outra pessoa conseguiria aplicar sem perguntar nada.

• Stanford CS230, aula 9: Career Advice in AI · vídeo · iniciante · a aula completa, sem os cortes e legendas do post ^[1].
• Measuring AI Ability to Complete Long Tasks (METR) · artigo · intermediário · de onde vem o gráfico dos 7 meses ^[4].
• Harness engineering (OpenAI) · artigo · intermediário · um time que só escreve o ambiente dos agentes ^[10].
• Harness design for long-running application development (Anthropic) · artigo · avançado · planejador, gerador e avaliador ^[11].
• Dynamic workflows (Claude Code) · documentação · intermediário · como grafos de subagentes funcionam na prática ^[8].

1. Stanford Online. Stanford CS230 | Autumn 2025 | Lecture 9: Career Advice in AI (Andrew Ng, Laurence Moroney, Kian Katanforoosh), aula de 18/nov/2025, publicada em 16/dez/2025. https://www.youtube.com/watch?v=AuZoDsNmG_s · fonte primária · acessado em 04/out/2026.
2. @0xnicc0. Post com o vídeo, 04/out/2026. https://x.com/0xnicc0/status/2106741374028578913 · ponto de partida · acessado em 04/out/2026.
3. @seeconvm. Graph Engineering: Stop Chaining Your Agents (artigo no X), 14/ago/2026. https://x.com/seeconvm/status/2088199384580108339 · citado no post · acessado em 04/out/2026.
4. METR. Measuring AI Ability to Complete Long Tasks, 19/mar/2025. https://metr.org/blog/2025-03-19-measuring-ai-ability-to-complete-long-tasks/ · independente · acessado em 04/out/2026.
5. METR. Time Horizon 1.1, 29/jan/2026. https://metr.org/blog/2026-1-29-time-horizon-1-1/ · independente, atualização · acessado em 04/out/2026.
6. Hacker News. Prompting Is Dead in 6 Months. Andrew Ng, Stanford [video] (discussão), set/2026. https://news.ycombinator.com/item?id=49605222 · independente · acessado em 04/out/2026.
7. TIMEWELL. What Graph Engineering Actually Is: Tracing a Viral Quote to Its Source, 09/ago/2026. https://timewell.jp/en/columns/graph-engineering-explained · independente · acessado em 04/out/2026.
8. Anthropic. Orchestrate subagents at scale with dynamic workflows (documentação do Claude Code), sem data. https://code.claude.com/docs/en/workflows · documentação · acessado em 04/out/2026.
9. Anthropic. Orchestrate subagents at scale with dynamic workflows (Claude Cookbook), sem data. https://platform.claude.com/cookbook/claude-agent-sdk-08-dynamic-workflows · documentação · acessado em 04/out/2026.
10. Lopopolo, R. (OpenAI). Harness engineering: leveraging Codex in an agent-first world, 11/fev/2026. https://openai.com/index/harness-engineering/ · independente · acessado em 04/out/2026.
11. Anthropic. Harness design for long-running application development, 24/mar/2026. https://www.anthropic.com/engineering/harness-design-long-running-apps · independente · acessado em 04/out/2026.
12. Osmani, A. Agent Harness Engineering. O'Reilly Radar, 15/mai/2026. https://www.oreilly.com/radar/agent-harness-engineering/ · independente · acessado em 04/out/2026.
13. Ng, A. Andrew Ng: Official Website, sem data. https://www.andrewng.org/ · biografia oficial · acessado em 04/out/2026.

• Post original: @0xnicc0, 04/out/2026 · Aula original: Stanford Online
• Preparado em: 04/out/2026 pelo agente 📚 Estudos, a partir da captura integral do post e do artigo citado, de quadros do vídeo e de uma transcrição automática do áudio (modelo de reconhecimento de fala rodado localmente).
• Última verificação das fontes: 04/out/2026.
• Método: recorte comparado com a aula oficial (data, duração, palestrantes, slides); busca das palavras "prompt", "harness", "graph" e "seven months" na transcrição; afirmações do artigo citado conferidas na documentação oficial.
• Limites conhecidos: transcrição automática com falhas em trechos de áudio ruim; minutos referentes ao recorte do post.
• Validade: checagem estável; recursos do Claude Code e números do METR, revisar a cada 6 meses.