Framer lança Harness 2, que executa o código do agente enquanto ele ainda é transmitido em streaming

O Harness 2 da Framer troca o modelo de "um comando por vez" por programas JavaScript completos. Na primeira versão, o agente emitia comandos de uma DSL (INSERT e PATCH) para criar nós e definir propriedades na árvore do documento. Funcionava para ver a página tomar forma, mas travava em edição repetitiva (mudar uma propriedade em 100 frames exigia 100 comandos), em operações dependentes (ler um valor e usá-lo numa escrita pedia outra chamada ao modelo) e em fluxos de várias etapas, como inspecionar, publicar em staging e promover para produção.

A solução é a execução ansiosa (eager execution). Conforme o código chega em streaming, a Framer faz o parsing, identifica instruções JavaScript completas, agrupa em "cells" e envia a um Web Worker, onde rodam em ordem como scripts clássicos, com bindings preservados. Se um erro terminal ou um retorno antecipado acontece, o restante da geração é cancelado, o que poupa tempo e tokens de saída cobrados. As edições já aplicadas ficam no documento. O Worker mantém uma cópia do documento em memória, com leitura e escrita síncronas. Agentes externos (ChatGPT Desktop, Claude Code, Cursor) agora enviam um único programa via MCP que roda direto na Framer. A empresa reporta até 33% de redução de custo e 20% mais velocidade, além de 43% menos etapas de ferramentas e 39% menos tokens de entrada em cache por mensagem. O texto da própria Framer também cita 2x menos etapas de ferramentas, o que é coerente com os 43%. Segundo a empresa, não houve queda de qualidade medida.

A Framer reconhece que a ideia não é inédita: o artigo acadêmico Executing as You Generate, publicado em 1º de abril de 2026 por pesquisadores da Singapore Management University e da Beihang University, aplica execução ansiosa baseada em AST em Python. A empresa diz que pretende adotar uma otimização do paper, remover instruções já executadas do buffer de parsing. Aqui, o produto em produção é que demonstra o ganho na prática.

Para quem opera agentes em produção, o recado é que custo de agente depende tanto do desenho do harness quanto do modelo. Menos idas e vindas ao modelo reduzem o reenvio de contexto, e cancelar geração inútil corta tokens de saída. Os números são da própria Framer, medidos no produto dela, então vale tratá-los como referência de ordem de grandeza e não como garantia para outros casos.