Resumo: Orca é um aplicativo desktop da Stably para executar uma frota de agentes de codificação simultaneamente, cada um em seu próprio worktree Git isolado. Ele opera qualquer agente CLI através de suas assinaturas existentes, adiciona divisões de terminal, anotação de diff, worktrees SSH, um Modo de Design Chromium, navegação GitHub e Linear, e um aplicativo complementar móvel. 58.464 estrelas em 1º de setembro de 2026, com licença MIT, para macOS, Windows e Linux. Ele te remove como gargalo de produtividade. Ele não te diz qual dos cinco diffs está correto, e não deixa um registro que qualquer outra pessoa possa ler.
Esta é uma análise aprofundada de uma ferramenta do nosso compilado de cinco ferramentas de agente de IA de código aberto que valem a pena instalar em 2026.
Um agente em um terminal é uma unidade de trabalho. Você dá o prompt, você espera, você revisa, você dá o prompt novamente. O agente é rápido e você é a parte lenta, o que é um lugar estranho para se estar depois de dois anos de progresso em ferramentas.
A solução óbvia é executar vários agentes simultaneamente, e o problema óbvio é que agentes editando o mesmo worktree se destroem. Orca resolve ambos, e então avança para um conjunto de recursos que são principalmente sobre a remoção de trocas de contexto.
button
A ideia central: um worktree por agente
Worktrees Git permitem que um repositório tenha vários diretórios de trabalho com diferentes branches simultaneamente. Orca torna isso o primitivo. Cada agente recebe seu próprio worktree, então cinco agentes podem trabalhar no mesmo repositório ao mesmo tempo sem tocar nos arquivos uns dos outros.
O padrão que torna isso mais do que uma conveniência é o fan-out (distribuição). Você pega um prompt, envia para vários agentes de uma vez e compara os resultados:
Distribua um prompt para cinco agentes, cada um em seu próprio worktree isolado, então compare os resultados e mescle o vencedor.
Para uma tarefa bem especificada, isso é um desperdício. Para uma tarefa genuinamente difícil, onde você não consegue prever qual abordagem funcionará, é a coisa mais valiosa desta lista. Três tentativas de uma migração complexa de três modelos diferentes não falharão da mesma maneira, e escolher o melhor entre três supera a iteração no primeiro.
Fazer isso manualmente significa cinco abas de terminal, cinco comandos git worktree add e um mapa mental de qual aba é qual. Esse é exatamente o tipo de controle que as pessoas param de fazer depois de uma semana.
O que ele executa
Qualquer coisa que execute em um terminal. A lista de suporte é longa e inclui Claude Code, Codex, Cursor CLI, GitHub Copilot CLI, OpenCode, Grok, Amp, Antigravity, Pi, oh-my-pi, Hermes Agent, Devin, Goose, Auggie, Charm, Cline, Codebuff, Command Code, Continue, Droid, Kilocode, Kimi, Kiro, Mistral Vibe, Qwen Code, Rovo Dev, e MiMo Code, além de um "catch-all" para qualquer outro agente CLI.
Crucialmente, ele usa suas próprias assinaturas e chaves de API. Nada aqui revende seus tokens ou age como proxy para suas requisições. Se você estiver executando Claude Code com Opus 5 e Codex contra modelos abertos, Orca executa ambos nas contas pelas quais você já paga.
Isso também torna a comparação multi-modelo genuinamente barata de experimentar. Distribuir um prompt entre Claude Code, Codex e OpenCode custa a você três chamadas de assinatura em vez de um novo relacionamento com fornecedor.
Instalando
# macOS
brew install --cask stablyai/orca/orca
# Arch Linux
yay -S stably-orca-bin
Downloads diretos para macOS Apple Silicon e Intel, um instalador Windows e um AppImage Linux estão na página de lançamentos. Para um servidor Linux headless, há o orca serve e um guia dedicado no repositório.
O aplicativo complementar móvel emparelha com o aplicativo desktop e está na App Store do iOS, com um APK Android nos lançamentos.
Os recursos que importam após a primeira semana
A história do worktree paralelo ganha as manchetes. Estes são os que mudam o uso diário.
Alternador de contas e rastreamento de uso. Veja o uso de Claude e Codex e os tempos de reinício do limite de taxa no aplicativo, e troque de contas rapidamente sem fazer logout e login novamente. Se você estiver executando cinco agentes em paralelo, você atingirá os limites, e saber quando eles são redefinidos é a diferença entre planejar com antecedência e descobrir isso no meio da tarefa.
Anote diffs de IA. Adicione comentários em qualquer linha de diff e envie-os de volta ao agente. Revise, edite e faça commit sem sair do aplicativo. Este é o modelo de interação correto para a saída do agente, porque o feedback útil da revisão é quase sempre específico da linha e digitar “no helper de retry, o backoff deve ser exponencial” em uma caixa de bate-papo perde o ancoramento.
Worktrees SSH. Execute agentes em uma máquina remota maior com edição completa de arquivos, git e terminais, com reconexão automática e encaminhamento de porta. Prático quando seu laptop não consegue hospedar cinco builds paralelos, o que geralmente ele não consegue.
Modo Design. Clique em qualquer elemento em uma janela real do Chromium e Orca envia seu HTML, CSS e uma captura de tela recortada para o prompt do agente. Isso elimina a pior parte do trabalho de agente frontend, que é descrever em palavras qual coisa está quebrada.
Divisões de terminal. Terminais de classe Ghostty com renderização WebGL, divisões infinitas e scrollback que sobrevive a reinicializações. Guarde esse último detalhe; ele volta mais tarde.
GitHub e Linear, no aplicativo. Navegue por PRs, issues e boards, e abra um worktree diretamente de uma tarefa.
CLI do Orca. Agentes podem operar o próprio Orca com orca worktree create, snapshot, click e fill, para que os fluxos de trabalho sejam scriptáveis em vez de apenas cliques.
Há também arrastar e soltar arquivos e imagens em prompts em um editor baseado em VS Code com salvamento automático, abertura rápida entre worktrees e agentes, pré-visualizações de markdown e PDF, uso de computador para fluxos de trabalho que necessitam de interação real da UI, e notificação e estado de não lido para que você saiba quando um agente terminou ou travou. Os mantenedores entregam diariamente e dizem que o changelog é a verdadeira lista de recursos, o que é tanto um aviso justo quanto um bom sinal.
Quando o fan-out compensa, e quando ele queima tokens
Paralelismo não é gratuito, e o modo de falha é gastar cinco vezes os tokens para obter cinco versões da mesma resposta. Uma regra prática ao usar este padrão: distribua em caso de ambiguidade, execute um único em caso de especificação.
Distribua quando a tarefa tiver várias abordagens defensáveis. Um refatoramento de gerenciamento de estado, uma migração de dados complexa, um problema de desempenho onde o gargalo ainda não foi identificado, uma integração de biblioteca desconhecida. Aqui os modelos realmente divergem, e a dispersão é o valor. Três agentes produzirão três estruturas diferentes, e uma delas será melhor do que o que você teria escrito.
Execute um agente quando a tarefa estiver especificada. Adicionar um campo a um endpoint, conectar um manipulador que corresponde a quatro manipuladores existentes, escrever testes para uma função cujo comportamento está documentado. Cinco agentes produzirão cinco diffs quase idênticos, e você terá pago cinco vezes por um erro de arredondamento.
Distribua entre modelos, não apenas entre execuções. Três instâncias de Claude Code no mesmo prompt se agrupam de perto. Claude Code, Codex e OpenCode no mesmo prompt divergem muito mais, porque as diferenças vêm do treinamento e não da amostragem. Orca tornar isso uma comparação de um clique é o recurso subestimado aqui, e é a razão pela qual o alternador de contas e o rastreamento de uso importam tanto quanto os worktrees.
Escreva os critérios de aceitação antes de distribuir. Se você não conseguir declarar como uma resposta correta se parece antes dos agentes começarem, você escolherá um vencedor com base na estética. Escrever três pontos de critério primeiro leva um minuto e converte a revisão de um julgamento para uma verificação. Também te dá algo para entregar aos agentes, o que geralmente melhora todos os cinco candidatos.
A economia é simples o suficiente para se ter em mente. O fan-out troca tokens por uma busca mais ampla do espaço de solução. É uma boa troca quando o espaço é amplo e uma má quando há apenas uma resposta sensata.
O problema que Orca cria
Execute cinco agentes e você terá cinco diffs. E agora?
Esta é a parte que a ferramenta não responde, e piora à medida que a ferramenta melhora. O fan-out multiplica a saída. Sua capacidade de distinguir o correto do plausível permanece exatamente onde estava. Ler cinco diffs cuidadosamente leva mais tempo do que escrever o código, então, na prática, as pessoas apenas leem por cima, escolhem o que parece mais limpo e o mesclam.
Ter uma boa aparência não é o mesmo que estar correto. Esse é todo o problema com a saída do agente, e é mais acentuado em qualquer coisa que toque em uma API, porque é onde o agente está adivinhando em vez de raciocinar. Cada um dos seus cinco agentes inventou sua própria ideia do que o endpoint retorna. Todos os cinco escreveram código que lida com a forma imaginada por eles. Todos os cinco escreveram testes que são aprovados contra suas próprias suposições. Os diffs discordam e nenhum deles pode ser verificado apenas lendo.
O que você precisa é de um árbitro que não seja você. Isso significa um contrato que os agentes não inventaram e um conjunto de testes que falha na diferença:
- A especificação OpenAPI é a verdade compartilhada. Cada agente em cada worktree lê os mesmos esquemas, códigos de status e envelopes de erro em vez de cinco palpites separados. Esse é o argumento apresentado em usar sua especificação OpenAPI como ferramentas de agente.
- Mocks são gerados a partir da especificação. Incluindo os branches de erro, para que um agente que apenas lidou com o caminho feliz falhe imediatamente em vez de no ambiente de staging.
- Testes de contrato decidem o vencedor. Execute o mesmo conjunto de testes contra todos os cinco worktrees. Dois passam, três não. Essa é uma decisão de merge baseada em evidências, em vez de em qual diff parecia mais agradável às 18h.
- Mudanças de forma aparecem ruidosamente. Quando o contrato upstream muda, os testes quebram em vez do comportamento desviar silenciosamente. Veja o que acontece quando mudanças na API quebram agentes de IA.
É aqui que Apidog se encaixa em uma configuração Orca, e é um ajuste genuinamente complementar, em vez de uma proposta. Orca te dá cinco respostas candidatas a baixo custo. Uma especificação mais um conjunto de testes determinísticos é o que torna a escolha entre eles barata também. Sem essa segunda metade, o paralelismo multiplica sua carga de revisão em vez de sua produtividade. Baixe Apidog e configure a especificação antes de ativar o fan-out, não depois. O argumento mais amplo para por que a verificação cresce em vez de diminuir à medida que os agentes escrevem mais código está em você ainda precisa de uma ferramenta de API na era dos agentes de IA, e as práticas de confiabilidade em torno disso estão em confiabilidade de agentes de IA em produção.
Scrollback não é um registro
Agora, a segunda lacuna, que não é tanto uma falha no Orca, mas sim um limite do que ele é.
Orca é um excelente cockpit para um operador. Tudo vive em sua máquina: os worktrees, as sessões de terminal, os diffs, o scrollback que convenientemente sobrevive a reinicializações. Isso é exatamente certo para trabalho solo e se torna um problema no momento em que uma segunda pessoa precisa de algo.
Você executa cinco agentes na quinta-feira. Na segunda-feira, um colega de equipe pergunta por que a lógica de retry mudou no cliente de pagamentos. A resposta está em um painel do terminal no seu laptop, se você não tiver fechado aquele worktree. O prompt que o produziu se foi, o raciocínio se foi, e o único artefato durável é uma mensagem de commit escrita por um modelo.
Prompts não são um registro. Um cockpit não é uma organização.
Sharkly é construído do outro lado dessa linha, e os dois são mais próximos em filosofia do que os nomes das categorias sugerem. Ambos isolam o trabalho por unidade. Ambos permitem que você traga sua própria execução e suas próprias assinaturas. A diferença é qual é a unidade: a unidade de Orca é um worktree que você está olhando, e a de Sharkly é uma tarefa que sobrevive à sessão.
- A tarefa é o registro compartilhado, não o prompt. Progresso, chamadas de ferramenta e resultados retornam a ela, e a saída do agente aparece como comentários aos quais você responde. A pergunta de segunda-feira tem uma resposta que não é uma gravação de tela.
- Um Agente é uma configuração salva. Instruções, runtime, habilidades, repositórios, ambiente. A configuração que você ajustou para o serviço de pagamentos é reutilizada em vez de ser digitada novamente em um painel novo a cada manhã.
- Uma Equipe é um agente líder mais outros agentes e pessoas, funcionando com o líder primeiro. O líder lê o contexto da tarefa, decide quais membros chamar e combina os resultados em um só lugar. Isso é fan-out com uma etapa de síntese, em vez de fan-out mais você lendo cinco diffs.
- A execução é 'traga a sua'. Você conecta um Computador, que pode ser seu laptop, um servidor ou um container, e Sharkly usa o Runtime já instalado nele. O mesmo modelo de uso de suas próprias assinaturas do Orca, e a mesma razão pela qual é o certo.
- O trabalho do repositório é executado em um worktree separado por tarefa. O truque idêntico de isolamento, aplicado no nível da tarefa em vez do nível do painel.
- Backlog não executa. Uma tarefa no Backlog não inicia nada, então o trabalho é preparado e revisado antes que quaisquer tokens sejam gastos. Esse checkpoint é o que a maioria das configurações de agente paralelo está perdendo.
- Estrutura que uma equipe já entende. Espaços, projetos, sprints, tarefas, com sincronização Jira para equipes que vivem lá.
O resumo honesto: se você trabalha sozinho, Orca provavelmente é suficiente, e é muito bom. No momento em que uma segunda pessoa precisa de visibilidade sobre o que os agentes fizeram, você precisa de um registro de tarefa durável, e nenhuma quantidade de scrollback oferece isso.
Uma configuração que funciona
Se você está adotando isso, uma ordem que evita a confusão comum:
- Instale o Orca e use um agente por uma semana. O terminal, editor e anotação de diff valem a pena antes de você tocar no paralelismo.
- Configure a especificação e os testes de contrato primeiro. O fan-out sem um árbitro piora as coisas. Este é o passo que as pessoas pulam.
- Distribua apenas em problemas difíceis. Três agentes em um refatoramento ambíguo, um agente em um ticket claro. Distribuir tudo desperdiça tokens e sua atenção.
- Reduza o custo de token de cada agente primeiro. Cinco agentes vasculhando o mesmo repositório é cinco vezes o desperdício, então combine isso com codebase-memory-mcp.
- Use anotação em vez de re-prompting. Comentários de linha de volta ao agente superam a reescrita de toda a instrução.
- Mude para worktrees SSH quando seu laptop parar de aguentar. Isso acontecerá, por volta do terceiro ou quarto agente em qualquer build real.
- Adicione uma camada de tarefa quando uma segunda pessoa estiver envolvida. Sozinho, pule. Em uma equipe, o registro não é opcional.
Perguntas Frequentes
- Orca substitui minha IDE? Principalmente, para trabalho impulsionado por agentes. Ele possui um editor baseado em VS Code com salvamento automático, um explorador de arquivos, terminais e revisão de diffs. As pessoas ainda mantêm uma IDE completa para depuração profunda.
- Preciso de assinaturas separadas para cada agente paralelo? Não. Orca usa as contas que você já possui, e o rastreamento de uso integrado mostra seus limites de Claude e Codex e os tempos de redefinição. Você atingirá limites de taxa executando vários agentes ao mesmo tempo; essa é uma questão de limite de plano, não do Orca.
- Executar cinco agentes em um único repositório é realmente seguro? Sim, porque cada um recebe seu próprio worktree git, então eles não podem sobrescrever os arquivos uns dos outros. O estado compartilhado fora do repositório, como bancos de dados, servidores de desenvolvimento em execução e portas, ainda é sua responsabilidade gerenciar. Aponte-os para ambientes separados ou você terá falhas confusas que parecem erros de agente.
- Como escolho entre os diffs? Execute o mesmo conjunto de testes contra todos eles e deixe-o decidir. Se seus testes não distinguem os candidatos, os testes são o que deve ser corrigido antes de você escalar o fan-out. Rastrear o que cada agente realmente chamou também ajuda, o que é abordado em rastreamento de chamadas de ferramenta de agente.
- Orca ou uma ferramenta de gerenciamento de trabalho como Sharkly? Camadas diferentes, e elas se complementam. Orca é onde você opera agentes agora. Um sistema de tarefas é onde o trabalho reside, é atribuído e permanece revisável depois. Sozinho, você pode precisar apenas do primeiro.
- É realmente licenciado sob MIT? Sim, ao contrário de algumas ferramentas nesta categoria. Stably é uma empresa comercial e o aplicativo desktop é de código aberto sob licença MIT.
Conclusão
Orca é a resposta mais forte disponível para o problema de produtividade. Worktrees paralelos, um terminal real, anotação de diff, execução remota e um aplicativo complementar móvel se somam a uma ferramenta séria, e usar suas próprias assinaturas em vez de revender tokens é o modelo de negócios correto.
O que ele te oferece são mais respostas candidatas por hora. Isso só é progresso se você também puder decidir entre elas e lembrar o que aconteceu. A parte da decisão precisa de um contrato e um conjunto de testes, que é Apidog. A parte da lembrança precisa de uma tarefa que sobreviva à sessão, que é Sharkly.
Cinco agentes sem um árbitro não são cinco vezes a saída. É cinco vezes a fila de revisão.
button