Assistentes de IA no terminal Linux

A geração atual de assistentes de IA saiu do navegador e entrou no terminal — onde o sysadmin e o dev realmente trabalham. Eles leem arquivos, explicam erros, escrevem scripts e executam comandos com a sua aprovação. Este post é o mapa atualizado de setembro de 2026: o que existe, como instalar cada um e o que fazer para não levar um tiro no pé.

O que mudou desde a primeira versão deste post

Duas coisas, e as duas importam:

• O Gemini CLI acabou. O Google desligou o comando gemini em 18 de junho de 2026, sem período de carência para o tier gratuito, e consolidou tudo sob a marca Antigravity. O substituto é o agy. Se você tinha script de CI chamando gemini, ele parou de funcionar naquele dia.
• O campo lotou. Em 2025 eram dois ou três. Hoje são pelo menos oito CLIs relevantes, e a escolha passou a ser de harness — o programa que orquestra o agente — mais do que de modelo.

As opções em setembro de 2026

Comando	Ferramenta	Modelo por trás	Licença
claude	Claude Code (Anthropic)	Claude	Proprietária, assinatura ou API
codex	Codex CLI (OpenAI)	GPT	Código aberto, conta ChatGPT ou API
agy	Antigravity CLI (Google)	Gemini	Proprietária; sucessor do Gemini CLI
opencode	OpenCode	Qualquer um — você escolhe	Código aberto
copilot	GitHub Copilot CLI	Vários, via GitHub	Proprietária, assinatura
crush	Crush (Charm)	Vários provedores	Código aberto
grok	Grok Build (xAI)	Grok	Código aberto, Apache-2.0
ollama	Ollama	Modelo local, sem nuvem	Código aberto

Claude Code

O agente que popularizou o formato: navega no projeto, lê e edita arquivos, roda comandos e pede aprovação antes de agir.

npm install -g @anthropic-ai/claude-code
cd ~/meu-projeto
claude

Na primeira execução ele pede login. Depois é conversar:

> explique o que esse script faz e onde ele pode falhar

> escreva um script bash que faça backup do /etc para
  /backup com data no nome e mantenha só os últimos 7

Codex CLI

O agente da OpenAI, escrito em Rust e de código aberto. Autentica com a sua conta do ChatGPT ou com chave de API:

# instalador oficial
curl -fsSL https://chatgpt.com/codex/install.sh | sh

# ou, se você já vive no npm
npm install -g @openai/codex

codex

Ele também roda em modo não interativo, o que serve para automação:

echo "resuma os erros deste log e sugira a causa" | codex exec -

Antigravity CLI (o agy)

O substituto do Gemini CLI. Escrito em Go, com foco em orquestrar vários agentes em paralelo, com passagem de tarefa entre eles e estado que sobrevive a sessões longas.

curl -fsSL https://antigravity.google/cli/install.sh | bash
agy

Quem vinha do gemini precisa migrar de verdade: é instalação nova, não um alias. As skills, hooks e subagentes que você tinha continuam valendo, mas o binário é outro.

OpenCode

O curinga da lista, e o mais interessante para quem não quer ficar preso a um fornecedor: é aberto e agnóstico de modelo — você aponta para Anthropic, OpenAI, Google, um provedor local ou o que quiser.

curl -fsSL https://opencode.ai/install | bash

# ou
npm install -g opencode-ai

opencode

GitHub Copilot CLI

Faz sentido se a sua empresa já paga Copilot e o código vive no GitHub — a integração com issue e pull request é o diferencial.

npm install -g @github/copilot
copilot

Grok Build

O agente da xAI, e o mais recente da lista — o repositório xai-org/grok-build foi aberto em julho de 2026 sob licença Apache-2.0 e já passa de 26 mil estrelas. É escrito em Rust, o que se nota no arranque: ele abre instantaneamente.

A diferença de formato em relação aos outros é que ele não é um prompt rolando no terminal, e sim uma TUI de tela cheia — interativa, com mouse — que entende o projeto, edita arquivos, executa comandos de shell, pesquisa na web e acompanha tarefas longas.

# macOS e Linux
curl -fsSL https://x.ai/cli/install.sh | bash
grok --version

# rodar dentro do projeto
cd ~/meu-projeto
grok

Três coisas que valem saber antes de adotar:

• Modo headless. Além da TUI, ele roda sem interface para script e CI — é o que permite colocá-lo dentro de um pipeline.
• ACP. Ele fala o Agent Client Protocol, então dá para embutir o agente dentro do editor em vez de alternar entre janelas.
• Compilar da fonte é chato. Dá para fazer, mas o build exige a toolchain Rust fixada pelo rust-toolchain.toml mais o DotSlash no PATH para resolver o protoc hermético. Para uso normal, pegue o binário publicado.

Uma ressalva honesta sobre o “código aberto”: o repositório é a fonte Rust do CLI e do runtime do agente, sincronizada periodicamente a partir do monorepo da empresa — não é um projeto de desenvolvimento comunitário. O modelo continua sendo serviço pago da xAI. Você audita e modifica o harness, não o cérebro.

Sem nuvem: modelo local

Para servidor isolado, dado sensível ou simples teimosia, o caminho é rodar o modelo na sua máquina. É mais lento e o resultado é pior que o dos modelos de fronteira, mas nada sai da rede:

curl -fsSL https://ollama.com/install.sh | sh
ollama run qwen2.5-coder:7b

O passo a passo completo está em Rodando IA local no Linux com Ollama. Para servir vários usuários ao mesmo tempo com vazão de verdade, veja vLLM.

Qual escolher

• Não sabe por onde começar? Claude Code ou Codex. São os dois com o fluxo de agente mais maduro.
• Não quer depender de um fornecedor? OpenCode, apontando para o provedor que você quiser.
• Quer o harness auditável, em Rust, com TUI de tela cheia? Grok Build — o código do agente é Apache-2.0.
• Empresa já paga GitHub? Copilot CLI, pela integração.
• Dado que não pode sair da máquina? Ollama, e aceite o resultado mais fraco.
• Quer todos instalados sem trabalho? A distro Omarchy já vem com todos esses CLIs pré-conectados como stubs — nada é baixado até o primeiro uso.

Para que essas ferramentas são realmente boas

• Explicar erro na cara: cole o stacktrace e peça o diagnóstico.
• Gerar boilerplate: unit do systemd, playbook Ansible, config do nginx, Dockerfile.
• Ler log: “resuma os erros deste journalctl e agrupe por serviço”.
• Entrar em código alheio: “onde este projeto valida o token?” resolve em segundos o que levaria uma tarde de grep.
• Aprender: “por que esse find usa -print0 e xargs -0?”

E onde elas são ruins: decisão de arquitetura, qualquer coisa que dependa de contexto que você não deu, e comando destrutivo. A confiança do modelo não tem relação com o acerto.

Cuidados de sysadmin

IA erra com confiança. Regras de sobrevivência, em ordem de importância:

1. Leia TODO comando antes de aprovar a execução.
2. Nunca rode sugestão de IA como root em produção sem testar antes.
3. Senha, chave privada e token não entram no prompt — nem "só para
   o agente ver". O que entra no contexto sai da sua máquina.
4. Trabalhe em repositório com git limpo: o desfazer é o `git diff`.
5. Desconfie do modo automático. "Não pergunte, faça" economiza
   cliques até o dia em que economiza o seu /etc.
6. Em servidor isolado ou com dado regulado, prefira modelo local.

Vale um parágrafo sobre o item 5. Todos esses agentes têm um modo de aprovação automática, e é tentador ligá-lo. Ele é aceitável em contêiner descartável ou em repositório versionado que você pode reverter. Em servidor de produção, com acesso de root, não é.

O que vem depois: MCP e skills

A evolução recente não está no modelo, e sim no que o agente consegue alcançar. Dois mecanismos padronizaram isso:

• MCP (Model Context Protocol) — um protocolo aberto para o agente falar com ferramentas externas: seu banco de dados, seu WordPress, sua API interna, o Kubernetes. Em vez de colar saída de comando no prompt, o agente consulta a fonte.
• Skills — instruções empacotadas que ensinam o agente a executar uma tarefa do seu jeito, carregadas só quando fazem falta.

Cobrimos o assunto em Vibe coding no Linux: quatro skills de IA no CLI.

Fechando

O ganho real não é “a IA faz por mim” — é ter um par técnico disponível 24 horas dentro do terminal, que já leu a documentação inteira e nunca se cansa de explicar. Quem aprende a usar bem, com revisão e sem terceirizar o julgamento, produz visivelmente mais. Quem aprova comando sem ler, mais cedo ou mais tarde restaura backup.