Os agentes de IA mais capazes compartilham uma característica simples: eles têm um computador para trabalhar. Um filesystem, um shell, ferramentas, a capacidade de executar código. A resposta da Cloudflare para esse problema agora tem nome — @cloudflare/computer — um runtime de agentes open-source que inverte o modelo atual de “um agente, um container”.
Por que containers não escalam para agentes
Seis meses atrás, subir um container e rodar um agente dentro dele era o padrão. Hoje a indústria está caminhando para uma divisão: o harness (o cérebro) roda o loop do agente, enquanto a execução de código em sandbox (as mãos) acontece em um ambiente separado. Mas mesmo essa divisão ainda assume que cada agente tem seu próprio container. O argumento da Cloudflare: em todas as nuvens e hyperscalers, não existe computo suficiente no planeta para dar a centenas de milhões — depois bilhões — de agentes concorrentes um ambiente containerizado para cada um. Por isso, dizem eles, a indústria está em uma corrida desesperada por computo de CPU, e não apenas de GPU.
Como o Cloudflare Computer funciona
O pacote, instalado via npm install @cloudflare/computer, gira em torno de um workspace: um filesystem virtual apoiado em SQLite que pode ser populado a partir de repositórios git, buckets de armazenamento ou quaisquer arquivos que você escolher. Toda operação sobre ele é controlada, auditada e observável. Sobre esse filesystem, o runtime pode executar trabalho em três backends, todos atrás da mesma interface exec(string, options):
- Shell em isolate — o just-bash traduz código shell para JavaScript, rodando em um Dynamic Worker com o filesystem anexado via bindings.
- JavaScript em isolate — módulos ECMAScript em um Dynamic Worker recém-criado.
- Container — um ambiente Linux completo via Cloudflare Containers, com o filesystem montado através de FUSE e as alterações sincronizadas de volta.
O harness do agente em si vive em um Durable Object — um isolate que hiberna quando ocioso, persiste estado e escala horizontalmente sem limite. O container é anexado sob demanda, como uma chamada de ferramenta, apenas quando uma tarefa precisa de Linux, npm ou binários nativos. Os agentes escolhem seu ambiente pelo argumento backend da ferramenta exec, e a Cloudflare relata que os modelos de fronteira são surpreendentemente bons em escolher o caminho rápido e barato, recorrendo a um container apenas quando necessário.
Uma escrivaninha, não uma oficina
O modelo mental: pense no isolate como uma escrivaninha e no container como uma oficina completa. A maior parte do trabalho do agente — edição de arquivos, processamento de dados, operações git, documentação — acontece na escrivaninha. O trabalho pesado — compilar, rodar binários nativos, gerenciamento de pacotes — exige uma ida até a oficina. O filesystem compartilhado garante que nada se perde no trajeto; as tarefas podem migrar entre os dois ambientes sem interrupções.
O que isso sinaliza para a economia dos agentes
Isso vai além de um lançamento de produto da Cloudflare. É uma aposta estrutural na próxima fase da computação agêntica:
- O container por agente está economicamente morto. Se a contagem de agentes caminhar para bilhões, containers por agente são fisicamente impossíveis. A primitiva de computo que vencer será aquela que multiplexa de forma barata.
- Runtimes estão se tornando o campo de batalha. A Cloudflare está correndo para ser a camada de execução padrão para agentes, assim como se tornou o padrão para sites estáticos e funções serverless.
- CPU é o novo gargalo. O pânico com capacidade de CPU — e não apenas de GPUs — é real, e isso vai remodelar como as nuvens precificam e provisionam computo geral.
O objetivo declarado da Cloudflare: um container deve ser necessário para menos de 10% do trabalho de um agente. Se isso se confirmar, a curva de custo de rodar agentes despenca — e a restrição passa da infraestrutura para a qualidade dos agentes.
Experimente hoje
O Cloudflare Computer está em early preview, voltado explicitamente para experimentação e prototipagem. Pegue o pacote no repositório do workspace no GitHub, siga o tutorial passo a passo e teste quão bem o seu modelo de preferência distribui o trabalho entre isolates e containers. Para uma referência sobre o lado do computo local dessa mesma equação, veja nosso guia para rodar o Qwen3.8-27B em GPUs de consumo.
