Uma coleção manual de recursos para Engenharia de Prompt e Engenharia de Contexto — cobrindo artigos, ferramentas, modelos, APIs, benchmarks, cursos e comunidades para trabalhar com Modelos de Língua Grande.
https://promptslab.github.io
Master Prompt Engineering. Join the Course at https://promptslab.github.io
EvoPrompt [2023, ACL 2024] — Abordagem do algoritmo evolucionário para otimizar automaticamente prompts discretos.
Metaprompting para sistemas de IA [2023, ICLR 2024 Workshop] — Modelos estruturais de diagnóstico de exemplo formalizados utilizando a teoria de categoria.
Engenharia Prompt Engenheiro Prompt (PE2) [2024, ACL Findings] — Utiliza os LLMs para se meta-promptarem, refinando prompts com modelos passo a passo para melhorar significativamente o raciocínio.
Aprendizado de Muitos Tiros no Contexto [2024, NeurIPS 2024 Spotlight] — Ganhos significativos escalando ICL para centenas/milhares de exemplos; introduz ICL reforçada e sem percepção.
Resolver NLP Problemas com LLM & facilmente gerar diferentes pedidos de tarefas NLP para modelos generativos populares como GPT, PaLM, e muito mais com Promptify
Plataforma auto-hostável para gerenciar arquivos de configuração do IDE de IA (.cursorrules, CLAUDE.md, copilot-instrutions.md). Web UI, API REST, CLI e mercado de projetos federados para assistentes de codificação de IA 30+.
Visual AI prompt builder que se decompõe em 12 blocos semânticos (papel, contexto, restrições, exemplos, etc.) e os compila em XML otimizado. Extensão de navegador para ChatGPT/Claude/Gemini e servidor MCP para agentes Claude Code. Livre, código aberto.
MCP é um padrão aberto desenvolvido pela Anthropic (nov 2024, doado para Linux Foundation Dez 2025) para conectar assistentes de IA a fontes de dados externas e ferramentas através de uma interface padronizada. Tem. 97M+ downloads mensais SDK e foi adotado pelo GitHub, Google, e a maioria dos principais fornecedores de IA.
Nome
Designação das mercadorias
Ligação
MCP Specification
A especificação do protocolo principal e SDKs. ~15K+
Agente de IA de terminal de código aberto otimizado para Qwen3-Coder; suporte multiprotocolo (A API OpenAI/Anthropic/Gemini), 1.000 solicitações grátis/dia. ~21K+
Auxiliar de codificação de IA de código de código de código de código de código aberto (alternativa Copilot); funciona inteiramente na sua infraestrutura. ~25K+
Ferramenta CLI (npx pawmode) que transforma Claude Code em um assistente pessoal, gerando prompts de sistema (CLAUDE.md + SOUL.md) com personalidade, memória e 38 roteadores de habilidade.
CLI de código aberto que injeta permanentemente 10 frameworks de decisão estruturados (MECE, Issue Trees, Pré-Mortems) e 12 detectores de viés cognitivo em alertas assistentes de IA. Vai, MIT.
Última emblemática, 90% de desconto em cache, raciocínio configurável
GPT-5.1
400K
$1.25 / $10
Emblema de geração anterior
GPT-4.1 / 4.1 mini / nano
1M
$2 / $8
Melhor modelo não racional, 40% mais rápido e 80% mais barato do que GPT-4o
o3 / o3-pro
200K
Variações
Raciocínio de modelos com uso de ferramenta nativa
o4-mini
200K
Custo-eficiente
Raciocínio rápido, melhor em AIME em sua classe de custo
GPT-OSS-120B / 20B
128K
$0.03 / $0.30
Primeiros modelos de peso aberto, Apache 2.0
Principais características: Respostas API, Agentes SDK, Saídas Estruturadas, Chamada de função, cache rápido (90% de desconto), API Batch (50% de desconto), suporte MCP. Documentos da Plataforma
Principais características: Pensamento estendido com uso de ferramenta, Uso de Computador, MCP (originado aqui), cache prompt, Claude Code CLI, disponível no AWS Bedrock e Google Vertex AI. API Docs
Modelo Google mais inteligente, implantado em 2B+ Pesquisar usuários
Gemini 2.5 Pro
1M
$1.25 / $10
Melhor para tarefas de codificação/agente, modelo de pensamento
Gemini 2.5 Flash / Flash-Lite
1M
$0.30/$1.50 · $0.10/$0.40
Líderes de desempenho de preços
Principais características: Pensando (todos os modelos 2.5+), Google Search grounding, execução de código, Live API (audio/vídeo em tempo real), cache de contexto. Google AI Studio
Desenvolvido mas ainda experimental a partir de 2025. As pesquisas mostram preocupações de fragilidade.
Experimental
Ressalva importante: Nenhum detector reivindica 100% de precisão. O texto misto humano/AI permanece mais difícil de detectar (precisão de 50% a 70%). A robustez adversária varia muito. O mercado de detecção de IA deverá crescer de ~$2.3B (2025) para $15B até 2035.
Guia de Engenharia de Prompt da OpenAI — Abrangente, abrangendo o GPT-4.1/5 de prompting, modelos de raciocínio, saídas estruturadas, fluxos de trabalho agentes. Continuamente actualizado.
OpenAI GPT-4.1 [2025] — Design rápido tipo agente estruturado: persistência do objetivo, integração de ferramentas, processamento de longo contexto.
3Blue1Brown: Série de Redes Neurais [Atualizado em 2024] — Explicações visuais icônicas animadas de transformadores e mecanismos de atenção. 7M+ assinantes.
AI Explicado [2024–2025] — Análise de longa duração, quebrando trabalhos, capacidades de modelo e desenvolvimento de PE.
Sam Witteveen [2024-2025] — Tutoriais práticos sobre engenharia rápida, LangChain, RAG e agentes.
Matthew Berman [2024-2025] — Lançamentos de modelos de cobertura de canais populares e uso prático de LLM. 600K+ assinantes.
DeepLearning.AI YouTube [2024–2026] — Aulas estruturadas, pré-visualizações de cursos e Andrew Ng fala sobre agentes e carreiras de IA.
Lex Fridman Podcast [2024-2025] — Entrevistas de longa duração com Altman, Hinton, Amodei em LLMs, alertas e segurança.
kayba-ai/recursivo-melhorar — Framework de auto-melhoria recursiva onde os agentes capturam traços de execução, analisam padrões de falha e aplicam correções direcionadas com avaliação keep-or-revert.
vukrosic/auto- pesquisa — Avião de controlo apenas para docs para um laboratório de investigação de IA autónomo aberto — modelo operacional baseado em ficheiros para a direcção humana e a execução do agente.
uditgoenka/autoresearch — Claude Code habilidade que generaliza autopesquisa em um loop reutilizável para software, documentos, segurança, transporte, depuração, e outros objetivos mensuráveis.
leo-lilinxiao/codex-autoresearch — habilidade de auto-pesquisa codex-nativo com suporte de currículo, aulas em toda corrida, experiências paralelas opcionais e fluxos de trabalho específicos de modo.
junjunjunbong/research-loop — Autopesquisa-estilo Agente Skill para Codex e Código Claude com um corredor determinístico, aprovação plano-hash, árvores de trabalho Git isoladas, avaliação métrica autoritária, e um livro de experiência somente apêndice.
xieyulai/steer — Estrutura de experiências governada onde os agentes de codificação editam código de treino e executam rondas, enquanto a tarefa, marcador e evidência permanecem fixos.
SeeleAI/Thoth — Primeiro Código Claude e Codex para auto-pesquisa, com execuções duráveis, itens de trabalho bloqueados, registros visíveis e vereditos revetíveis.
supratikpm/gemini-autoresearch — Gemini CLI habilidade que generaliza autopesquisa para qualquer objetivo mensurável. Gemini-native: usa o Google Search como uma fonte de verificação ao vivo dentro do loop, verdadeiro modo noturno sem cabeça via —yolo —prompt e contexto de token 1M. Também funciona no Antigravity IDE via .agents/skills/.
davebcn87/pi-autoresearch — pi extensão mais painel para loops de experimentos persistentes, métricas ao vivo, rastreamento de confiança e sessões de pesquisa automática reutilizáveis.
drivelineresearch/autoresearch-claude-code — Claude Code plugin / skill porto de pi-autoresearch, com um workflow de experimento limpo e um estudo de caso de biomecânica concreta.
greyhaven-ai/autocontexto — plano de controlo do circuito fechado para a melhoria do agente repetido, com avaliação, conhecimentos persistentes, validação faseada e destilação facultativa em tempos de execução locais mais baratos.
Necmttn/ax — Loop retro local para agentes de codificação de IA: capta traços de sessão, transforma atritos repetidos em propostas e rastreia correções aceitas como experimentos.
jmilinovich — Generaliza a auto-investigação num GOAL.md padrão para repos onde o agente deve primeiro construir uma função de aptidão mensurável antes que possa otimizar.
james-s-tayler/lazy-developer — Claude Code habilidade que orquestra autopesquisa através de uma sequência priorizada de objetivos de otimização (cobertura, velocidade de teste, velocidade de construção, complexidade, LOC, desempenho) usando GOAL.md como o motor. Suporta execução independente e Ralph Mode multi-instance.
mutável-state-inc/autoresearch-at-home — Forquilha colaborativa de auto-research upstream que adiciona experiência reivindicando, melhor-configuração compartilhada sincronia, troca de hipóteses e coordenação em estilo enxame em muitos agentes de uma única GPU.
zkarimi22/ pesquisa automática-qualquer coisa — Generaliza a auto-investigação para qualquer métrica mensurável — prompts de sistema, desempenho API, landing pages, suites de teste, ajuste de configuração, consultas SQL. “Se conseguir medi-lo, pode optimizá-lo.”
Entrpi/Investigação Automática-em todos os lugares — Expansão entre plataformas que detecta automaticamente a configuração do hardware e inicia o loop. A “cola e generalização” metade da pesquisa automática.
ShengranHu/ADAS — Desenho automatizado de sistemas agentic — ICLR 2025. Meta-agentes que inventam novas arquiteturas de agentes, programando-as em código.
MaximeRobeyns/self_melhoria_codificação_agente — SICA: Auto-melhoramento da codificação Agente que edita a sua própria base de códigos. Documento do seminário ICLR 2025 que demonstra a auto-aperfeiçoamento do andaime em benchmarks de codificação.
metauto-ai/HGM — Máquina Huxley- Gödel para agentes de codificação — aplica-se auto-melhoramento ao desempenho do banco SWE através de otimização de meta-nível.
gepa-ai/gepa — GEPA (Genético- Pareto) — ICLR 2026 Oral. Reflexiva rápida evolução que supera RL (GRPO) em benchmarks. Otimiza quaisquer parâmetros textuais contra qualquer métrica usando reflexão de linguagem natural.
sencient-agi/EvoSkill — Descoberta automatizada de habilidades para agentes de codificação: evolui habilidades reutilizáveis e alertas de trajetórias falhadas contra benchmarks, com suporte para Claude Code, Codex CLI, OpenCode, OpenHands e Goose.
Tsepa/autoevolve — Pesquisa auto-auto-inspirada GEPA para auto-jogo: estratégias de código mutado, avaliar cabeça-a-cabeça, taxa com Elo/Bradley-Terry, ramo da frente Pareto. O agente lê traços correspondentes às mutações alvo. Funciona como uma habilidade do Código Claude.
HKUDS/ClawTeam — Inteligência de enxame de agentes para pesquisa automática — gera direções paralelas de pesquisa da GPU, distribui trabalho entre agentes, agrega resultados.
Orquestra-Investigação/AI-Investigação-SKILLs — Biblioteca de competências abrangente, incluindo orquestração de auto-pesquisa com arquitetura de dois circuitos (otimização interna + síntese externa).
WecoAI/aideml — AIDE: Tree-search Agente de engenharia ML que autonomamente melhora o desempenho do modelo através da geração e avaliação de código iterativo.
weco.ai — Weco: Plataforma em nuvem para AIDE com observação, rastreamento de experimentos e execução gerenciada — traz o loop de pesquisa automática para a produção.
Mirando-lab/AutoResearchClaw — Oleoduto de pesquisa de ponta a ponta que transforma um tópico em revisão de literatura, experimentos, análise, revisão por pares e rascunhos de papel; mais amplo do que a pesquisa automática, mas claramente na mesma linhagem.
OpenLAIR/dr-claw — Espaço de trabalho de investigação de código aberto, com oleodutos de ideias a papel sequenciais e pacotes integrados de ferramentas de auto-investigação.
Openraiser/NanoPesquisa — Motor de pesquisa autônomo de ponta a ponta que planeja experimentos, gera código, executa trabalhos localmente ou em SLURM, analisa resultados reais, e escreve trabalhos baseados nessas saídas.
kaust-ark/ARK — ARK (Kit de Pesquisa Automática): idea + local → pipeline de papel orquestrando 6 agentes — análise de proposta, pesquisa de literatura, experimentos Slurm, redação LaTeX, revisão iterativa por pares. Controlado através de CLI, painel web ou Telegram.
wanshuiyin/Auto- claude- code- research- in- sleep — Primeiros fluxos de trabalho de pesquisa para Claude Code e outros agentes, centrados em revisão de literatura autônoma, experimentos, iteração de papel e crítica cross-model.
skyllwt/AutoSci — Plataforma de pesquisa de ciclo de vida completo centrada no Wiki construída em Claude Code, percebendo a visão de Karpathy LLM-Wiki. 20+ habilidades cobrir o loop completo: ingerir → ideate → verificação novidade → projeto de experimento / execução / eval → escrita de papel. O estado de pesquisa vive em uma wiki de conhecimento estruturado com um gráfico interativo.
Sibyl-Research-Team/AutoResearch-SibylSystem — Cientista totalmente autônomo de IA construído em Claude Code, com linhagem de AutoPesquisa explícita, iteração de pesquisa multi-agente, execução de experimentos GPU, e um laço externo auto-evolutivo.
wjc2830/Fácil-AutoPesquisa-para-DeepLearning — Claude Code habilidade que executa uma auto-pesquisa-estilo, humano-gated profunda aprendizagem loop em seis papéis, experiências versionadas, e prova-checked conclusão.
eimenhdt/autopesquisador — Primeiro pacote de código aberto para automatizar fluxos de trabalho científicos, actualmente centrado na geração de revisão de literatura com uma ambição de investigação autónoma mais ampla.
hiperspaceai/agi — Rede de pesquisa distribuída, peer-to-peer, onde agentes autônomos executam experimentos, descobertas de fofocas, mantêm os leaderboards CRDT e arquivam resultados para o GitHub em vários domínios de pesquisa.
Human-Agent-Society/CORAL — CORAL: Evolução autónoma dos multiagentes para a descoberta aberta (arXiv:2604.0165). Agentes de longa duração com memória persistente compartilhada, execução assíncrona e intervenções baseadas em batimentos cardíacos; SOTA em 10 tarefas matemáticas/algorítmicas/sistemas.
SakanaAI/AI-Scientist — O cientista da IA: Primeiro sistema abrangente para descoberta científica totalmente automática. Da geração de ideias à escrita de papel com supervisão humana mínima.
SakanaAI/AI-Scientist-v2 — Descoberta científica automatizada a nível do seminário através de uma pesquisa arbórea agentiva. Remove dependência de modelo do v1, generaliza em todos os domínios de pesquisa.
AweAI-Team/AiScientist — AiScientist: laboratório de pesquisa de longo horizonte ML com orquestração hierárquica e coordenação File-as-Bus - arquivos de espaço de trabalho funcionam como o sistema durável de registro. Ativa loops autônomos de reprodução de papel (PaperBench) e competição-estilo MLE-Bench iteração sob orçamentos fixos de computação/tempo (arXiv 2604.13018)
Pesquisador HKUDS/AI — Papel NeurIPS 2025. Automação de pesquisa completa de ponta a ponta: hipótese → experimentos → manuscrito → revisão por pares. Versão de produção em novix. science.
openags/Auto- Pesquisa — OpenAGS: Orquestra uma equipe de agentes de IA em todo o ciclo de vida da pesquisa — revisão de literatura, geração de hipóteses, experimentos, escrita de manuscritos e revisão por pares.
SamuelSchmidgall/AgenteLaboratório — Fluxo de trabalho de investigação autónomo: ideia → revisão de literatura → experiências → relatório. Suporta os modos autônomo e co-piloto.
AgenteRxiv — Quadro de investigação autónomo colaborativo, em que os laboratórios de agentes partilham um servidor pré-impresso para desenvolver o seu trabalho iterativo.
JinheonBaek/Agente de Investigação — Geração iterativa de ideias de investigação sobre literatura científica com LLMs. Multi-agente revisão e feedback loops.
du-nlp-lab/MLR-Copilot — Quadro autónomo de investigação ML — gera ideias, implementa experiências, analisa resultados.
MASWorks/ML-Agent — Reforço dos agentes LLM para a engenharia autónoma de ML. Aprende com tentativa e erro para melhorar o desempenho do modelo.
PouriaRouzrokh/LatteReview — Pacote Python de código baixo para revisões sistemáticas automatizadas da literatura através de agentes com IA.
LitLLM/LitLLM — Assistente de revisão de literatura com I.A. utilizando RAG para seções precisas e bem estruturadas relacionadas com o trabalho em escrita académica.
Laboratório de agentes — Oleoduto de pesquisa trifásico: Revisão de Literatura → Experimentação → Redação de Relatórios, com agentes especializados para cada fase.
happy happy-jun/writing-driven-autoresearch — Autoresearch-estilo arnês que mantém um papel submittable desde o primeiro minuto e impulsiona cada experiência a partir das reivindicações nesse rascunho, looping modificar → medida → verificar → rever. 1o lugar no Ralphthon@ ICML 2026 Hackathon de investigação autónoma.
Fábrica/Agon de Pesquisa Automática — Orchestrator de pesquisa de ponta a ponta construído sobre um princípio fundamental, Prompt Economy (laops reutilizáveis, não prompts one-off), mais cinco regras de apoio; executa loops cientista/coder/auditor em mais de 10 disciplinas, mesma linhagem de loop reutilizável como autopesquisa, mas escalou para programas de pesquisa completos.
gianfrancopiana/openclaw-autoresearch — Porto OpenClaw de pi-autopesquisa; ciclo de experiências autónomo para qualquer alvo de otimização com pontuação de confiança estatística.
miolini/autoresearch-macos — Forquete macOS amplamente adotado que adapta a pesquisa automática upstream para Apple Silicon / MPS, preservando a forma original do laço.
trevin-creator/autoresearch-mlx — porta MLX-native Apple Silicon que mantém o orçamento fixo a montante val_bpb loop ao remover completamente a dependência PyTorch/CUDA.
jsegov/autoresearch-win-rtx — Garfo RTX nativo do Windows focado em GPUs de consumo NVIDIA, com pisos VRAM explícitos e um caminho prático de configuração de desktop.
iii-hq/n-auto-research — Infraestrutura de pesquisa automática multi-GPU com rastreamento estruturado de experiências, estratégia de busca adaptativa, recuperação de falhas e orquestração questionável em torno do clássico train.py Loop.
lucasgelfond/autoresearch-webgpu — Porta Browser/WebGPU que permite aos agentes gerar código de treinamento, executar experimentos in-browser, e feed resultados de volta para o loop sem uma configuração Python.
tonitangbatato/autoresearch-engram — Forquilha com memória cognitiva persistente — recuperação ponderada em frequência dos conhecimentos intersessões para uma melhor continuidade das experiências.
Porta Colab/Kagle T4 — Adapta auto-research para GPUs T4 grátis (Google Colab / Kaggle) com custo zero e configuração local zero. Principais alterações: Flash Atenção 3 → PyTorch SDPA, remove dependência de kernel somente H100.
ArmanJR- Lab/auto-research — porto de Jetson AGX Orin com um diretor — um binário Go que atua como um “diretor criativo” injetando novidade (papers arxiv + DeepSeek Reasoner) no loop para escapar de mínimos locais. Inclui comparação multi-experimento (baseline vs diretor-guiado) com análise detalhada da baia.
mattprusak/genealogia de pesquisa automática — Aplica o padrão de auto-pesquisa à genealogia, usando prompts estruturados, guias de arquivo, verificações de fonte e fluxos de trabalho de cofre para expandir iterativamente e verificar a pesquisa de história familiar.
ArchishmanSengupta/autovoicevals — Utiliza chamadas adversas mais edições rápidas para endurecer agentes de IA de voz em Vapi, Menor IA e OnzeLabs.
chrisworsey55/atlas-gic — Aplica a auto-research keep-ou-revert loop aos agentes de negociação, otimizando os prompts e orquestração de portfólio contra a relação Sharpe rolamento em vez de perda de modelo.
Now-AI/autokernel — Aplica o loop de autopesquisa à otimização do kernel da GPU: gargalos de perfil, editar um kernel, benchmark, manter ou reverter, repetir.
ElliotXie/autozima — Framework multi-agente que aplica a auto-research keep-ou-revert loop para software científico do lado da CPU: perfilar uma função alvo, gerar um candidato de otimização, referência para a velocidade, preservando as saídas originais, manter ou reverter, repetir.
Agent-Analytics/Autoresearch-crescimento — Aplica auto-pesquisa ao posicionamento da página de aterragem e aos candidatos aos testes A/B, utilizando instantâneos analíticos e resultados de experiências medidos nas rodadas subsequentes.
Rkcr7/autoresearch-sudoku — Melhoramento do fluxo de trabalho de pesquisa automática, onde um agente de IA reescreve iterativamente e faz referência a um solucionador Rust sudoku, derrotando os principais solucionadores construídos por humanos em conjuntos de benchmark rígidos.
jeongph/autospec — Lê regras de negócios em linguagem natural e constrói autonomamente um serviço de Boot Spring com testes através do loop keep-or-revert. Avalia com Gradle build + JUnit XML. esqueleto de 119 linhas para 950 linhas em 5 ciclos.
vlasenkoalexey/tpu_desempenho_pesquisa automática_wiki — Aplica o auto-research keep-or-revert loop ao desempenho do modelo TPU (MFU / tokens-per-sec) em hardware v6e: perfis cada um executado através de um servidor XProf MCP, faz uma mudança de código de modelo por experimento, e mantém ou reverte contra MFU medido. Emparelha o loop com uma wiki LLM estilo Karpathy para conhecimento de domínio e traços de otimização por experiência; inclui estudos de caso Llama3-8B e Qwen3-8B em todas as faixas JAX e tochax.
VoltAgent — Documentos de agentes de IA curados de 2026 — Engenharia de agentes, memória, avaliação, fluxos de trabalho e sistemas autónomos.
masamasa59/ai-agent-papers — Documentos de investigação do agente de IA actualizados quinzenalmente através de pesquisa automática arxiv com selecção com curadoria.
tmgthb/Agentes autónomos — Documentos de investigação dos agentes autónomos, actualizados diariamente.
WecoAI/investigaçãoautomática incrível — Lista com curadoria de casos de uso AutoPesquisa com traços verificáveis e gráficos de progresso, organizados por domínio (treino LLM, kernels GPU, agentes de voz, negociação, etc.).
Congratulamo-nos com as contribuições para esta lista! Antes de contribuir, por favor, tome um momento para rever o nosso Orientações para as contribuiçõesEssas diretrizes ajudarão a garantir que suas contribuições se alinham aos nossos objetivos e atendam aos nossos padrões de qualidade e relevância.
O que estamos à procura:
Novos artigos, ferramentas ou recursos de alta qualidade com uma breve descrição do porquê eles importam
Atualiza as entradas existentes (links quebrados, informações desatualizadas)
Correções às contagens de estrelas, preços ou detalhes do modelo
Traduções e melhorias de acessibilidade
Normas de qualidade:
Todas as ferramentas devem ser mantidas ativamente (atualizadas nos últimos 6 meses)
Os documentos devem ser provenientes de locais revistos por pares ou ter uma adopção comunitária significativa
Os conjuntos de dados deverão ser acessíveis ao público
Por favor, inclua uma descrição de uma linha explicando por que o recurso é valioso
Obrigado pelo seu interesse em contribuir para este projeto!
O HagiCode é um ambiente de programação com agentes. Interações de interface ricas e práticas tornam o planejamento, a execução de agentes e o trabalho em projetos mais acessíveis e fáceis de acompanhar, criando uma experiência de desenvolvimento envolvente.
Uma experiência de desenvolvimento envolvente, com interações de interface ricas e práticas.
InteligenteOs fluxos de trabalho do OpenSpec transformam a intenção em um caminho executável, da proposta ao design, às tarefas e à entrega.
EficienteA execução multiagente mantém pesquisa, implementação e revisão em andamento em paralelo, em vários repositórios e com os Agent CLI que você já usa.
InteressanteInterações de interface ricas e práticas tornam o planejamento, a execução de agentes e o trabalho em projetos mais acessíveis e fáceis de acompanhar.
O HagiCode torna o planejamento, a execução de agentes e o trabalho em projetos mais acessíveis por meio de interações de interface ricas e práticas: https://www.hagicode.com/
Transforme ideias em software entregue.
O HagiCode é um ambiente de programação com agentes: os fluxos de trabalho do OpenSpec planejam a mudança, a execução multiagente a realiza e o Hero Scenario torna o longo percurso visível, para transformar ideias em software entregue.
