O suspense de 100 dias foi resolvido. Na manhã de 13 de setembro, a equipe de open source do Ant Group (“Crescimento Tecnológico Open Source”) apresentou a versão 2.0 do seu Panorama do Ecossistema de Desenvolvimento Open Source de LLMs no Bund Summit, em Xangai. Há três meses, o projeto se autodenominava “um hackathon do mundo real, transmitido ao vivo” — e o rótulo continua se encaixando. A edição anterior capturou a infância do ecossistema; esta mostra uma fisionomia completamente diferente.
Navegue pelo mapa em antoss-landscape.my.canva.site. Esta edição cobre 114 projetos em 22 áreas — 21 a menos do que antes. Trinta e nove são novatos, enquanto 60 deixaram o palco, incluindo ex-figuras de destaque: NextChat, OpenManus, FastGPT e GPT4All, ultrapassados após iteração lenta e comunidades em declínio. A saída mais dramática é a última atuação do TensorFlow — a antiga estrela não resistiu ao assalto do PyTorch, e o PyTorch agora reina sozinho.
A tendência geral é inconfundível: o ecossistema passa por uma violenta reorganização. Como a explosão cambriana, a camada de agentes é a que mais se agita, com novas espécies surgindo constantemente. O metabolismo aparece nos números — contando os eliminados, a idade mediana dos projetos do ecossistema de LLMs é de apenas 30 meses, com tempo de vida médio inferior a três anos, uma selva extremamente jovem. Desde o “momento GPT” (outubro de 2022), 62% dos projetos atuais nasceram — doze deles já em 2025. Novas chegadas e saídas acontecem aproximadamente a cada trimestre. E esses projetos jovens despertam atenção sem precedentes: média de estrelas perto de 30 mil, muito além do que projetos da mesma idade já conquistaram antes, com o top dez cobrindo praticamente toda a cadeia do ecossistema de modelos. A nuvem de palavras-chave conta a mesma história: AI, LLM, Agent e Data são as letras maiores e mais brilhantes.
A taxonomia também mudou. A divisão grosseira entre Infraestrutura e Aplicação da versão 1.0 evoluiu para três painéis — AI Agent, AI Infra, AI Data — esboçando o centro de gravidade da indústria (agentes) e sua direção de deslocamento. Se a 1.0 ainda tinha cheiro de ecologia tradicional de software open source, a 2.0 tem o temperamento da era dos agentes. De uma comunidade global de 366.521 desenvolvedores, China e Estados Unidos juntos contribuem com mais de 55%, com os EUA em primeiro lugar, com 37,41%. Os EUA lideram a AI Infra de forma decisiva — 43,39%, mais que o dobro da China — e dominam a AI Data ainda mais claramente. Na camada de aplicações (AI Agent), os dois países praticamente empatam, com 21,5% e 24,62%, refletindo o maior investimento dos desenvolvedores chineses em agentes.
A Metodologia Evoluiu
Por que começar pela metodologia? Porque quais projetos entraram no mapa da 2.0 dependeu dela. A versão 1.0 partia de projetos de ponta conhecidos — PyTorch, vLLM, LangChain — e se estendia para fora por meio de suas dependências; os pontos de partida definiam os limites, com barra de entrada de OpenRank mensal (a métrica de influência do X-lab) de 10 ou mais. A versão 2.0, em vez disso, puxa os rankings do OpenRank de todo o universo do GitHub, filtra projetos relacionados a LLMs, reduz drasticamente o viés de ponto de partida e captura com muito mais sensibilidade as explosões de novos projetos — elevando a barra de entrada para OpenRank mensal acima de 50. Sob o novo método, três trilhas principais emergiram: AI Coding, Model Serving e LLMOps. O levantamento então trabalha da camada de aplicações para baixo, até a infraestrutura.
AI Agent: AI Coding Fora de Controle
A camada de agentes no mapa da 2.0 evoluiu de um amontoado de ferramentas para algo que lembra a estrutura em camadas da computação em nuvem — AI Coding, Plataformas de Workflow de Agentes, Frameworks de Agentes e Ferramentas de Agentes agora são categorias próprias, à medida que a comunidade sai do crescimento selvagem e entra na diferenciação sistemática. A iteração tem sido uma montanha-russa: o chão se move constantemente, todos estão fincando bandeiras, e novos projetos de alta temperatura continuam surgindo em coding, chatbots e plataformas de workflow. A edição 2.0 até flagrou a IA alcançando o mundo físico — o “Xiao Zhi” rodando modelos grandes em chips de baixo consumo, e o Genesis construindo uma plataforma de simulação física para robótica geral.
AI Coding: da loucura ao transe, a curva de crescimento ainda se acentuando. Além dos eternos líderes de audiência Cline, Continue e OpenHands, os novatos não param de chegar — Gemini, marimo, Codex CLI e OpenCode, posicionado como um substituto 100% open source do Claude Code. As evidências reafirmam que “agentes para desenvolvedores” continua sendo a aplicação de maior frequência e maior necessidade. O AI coding de 2025 passou de “completar código” para um motor de inteligência de ciclo de vida completo: mais da cadeia coberta, do desenvolvimento às operações, e métodos mais inteligentes — multimodal, consciente de contexto, coordenado em equipe. O relatório espera que o potencial comercial acompanhe: assinaturas pagas, serviços SaaS e funcionalidades adicionais como os novos modelos de receita. A realidade de campo das conversas da indústria confirma: no Bund Summit, um palestrante admitiu que as ferramentas de coding se multiplicaram além da capacidade de alguém testar todas; outro CEO revelou que o reembolso de ferramentas de IA da sua equipe já ultrapassa US$ 200 por pessoa. Alguns meses atrás, código gerado por IA exigia pesadas correções humanas; agora a qualidade subiu a ponto de pequenas edições bastarem. O próximo passo pode ser o AI coding saltando de “escrever código” para “comandar todo o workflow”. Note o sinal estratégico na popularidade do Gemini CLI e do Codex CLI: os gigantes estão usando cadeias de ferramentas abertas para prender desenvolvedores em seus ecossistemas de modelos fechados — Windows com .NET e iOS com Swift reprisados para a era da IA.
Chatbots e gestão de conhecimento: retorno racional depois do holofote. Os chatbots foram a primeira categoria de sucesso da GenAI — Cherry Studio, Open WebUI, Lobe Chat e LibreChat atingiram o pico no início de 2025, com atenção e contribuições enormes. Mas o calor não se sustentou; depois de maio, a categoria estagnou. O ritmo de lançamentos diários do Lobe-Chat transformou a conversa com o ChatGPT em algo que qualquer um podia hospedar por conta própria, mas, à medida que os recursos amadureciam, os usuários se depararam com a verdade de que o valor central de um chatbot é a conversa — e a conversa tem um potencial limitado de ganho de produtividade. O Cherry Studio abriu outro caminho, fundindo chatbot com bases de conhecimento e notas como um “assistente pessoal de conhecimento”, mais próximo das necessidades de produtividade de longo prazo — provavelmente o motivo de ter entrado na lista contra a maré, como o segundo novato mais ativo, em sétimo lugar geral. O esfriamento não é declínio: o Lobe-Chat ainda mantém 64,7 mil estrelas com lançamentos diários. Os chatbots simplesmente deixaram de ser o único espetáculo.
Plataformas de workflow de agentes se consolidando em infraestrutura de verdade. Quando GPT-5, Claude e Gemini convergem em capacidade, a diferenciação migra para a memória — o que gerou uma onda de projetos RAG com agentes. RAGFlow, MaxKB (foco em perguntas e respostas sobre bases de conhecimento), FastGPT (RAG leve) e Flowise AI (workflows visuais de Q&A baseados em RAG) todos surfaram a onda; embora a tendência tenha esfriado, o OpenRank de julho, de 1.418, segue muito acima do início de janeiro. O posicionamento do Dify é o mais completo: RAG, workflows de agentes, publicação de aplicações, gestão de usuários e observabilidade — uma plataforma de protótipo à produção que claramente lidera em influência comunitária e comercialização. Enquanto isso, a fronteira vai além do RAG clássico: o Letta (ainda não listado) experimenta aprendizado offline, permitindo que agentes aprendam genuinamente com a experiência em vez de apenas recuperar informação — sugerindo que os workflows de agentes podem evoluir da augmentação por recuperação para o aprendizado de longo prazo.
Ferramentas de agentes: um sucesso atrás do outro. As ferramentas de agentes remendam as deficiências estruturais do modelo, movendo a IA de “sabe conversar” para “sabe agir” — a trilha de inovação mais quente do momento. LiteLLM, Supabase, Vercel, ComfyUI e mem0 dominam cada um um elo crítico: roteamento de inferência, armazenamento de dados, gestão de memória, interação externa. O mem0 dá aos agentes memória de longo prazo com consciência de contexto; o Supabase está evoluindo para a infraestrutura de dados da GenAI, resolvendo lacunas de informação em tempo real e memória; e o Browser-use conquistou 60 mil estrelas em nove meses ensinando agentes a operar páginas web — o projeto-marco da última milha da automação. Os frameworks de agentes, por sua vez, caíram forte: quatro das quedas mais acentuadas são frameworks de orquestração — Eliza, LangChain, LlamaIndex, AutoGen — à medida que os projetos de ponta reduzem investimento comunitário e a atenção migra de frameworks gerais para inovação específica de aplicações em memória, chamada de ferramentas e interfaces. Mas a ascensão de Camel-AI, CrewAI, Agno e ELIZA.OS indica que sistemas colaborativos multiagente estão atraindo mais atenção, e a entrada do LiveKit Agents marca a interação em tempo real — voz, multiparte — uma zona que o mapa mal cobria antes.
AI Infra: Serving Continua a Ferver, LLMOps Herda o MLOps
Menos explosiva que a camada de agentes, a camada de infraestrutura ainda mostra fortes correntes subterrâneas: concorrência implacável em inferência na nuvem, florescimento da inferência leve e um LLMOps cada vez mais especializado. O model serving segue como o principal campo de batalha — a única trilha que consegue bater de frente com o AI Coding. O deployment vive ou morre por eficiência de inferência, custo e segurança; a trilha está aquecida desde 2023. vLLM e SGLang lideram a inferência em nuvem de alta performance com ecossistemas em expansão, e a estabilidade do vLLM mantém seu calor firme. Os gigantes estão entrando aos montes — o TensorRT-LLM da NVIDIA segue quente e o mais recente Dynamo o acompanha, acoplando profundamente o hardware de GPU e tratando o framework de inferência como uma nova alavanca de domínio computacional. A inferência local também está em sprint: o ollama voou com modelos grandes das nuvens caras para os lares comuns, rodando em computadores pessoais e até dispositivos móveis; seu calor caiu um pouco ultimamente, mas GPUStack e ramalama estão ocupando rapidamente a faixa — o caminho “leve e otimizado para a nuvem” continua cunhando jogadores.
O LLMOps herda o MLOps como a trilha principal que mais cresce em 2025: Phoenix, Langfuse, Opik, Promptfoo, 1Panel e Dagger cobrem praticamente tudo, do monitoramento e avaliação de prompts à gestão de workflows. A mudança-chave é conceitual — o trabalho antes dividido entre avaliação de modelos e MLOps tradicional está sendo absorvido pela gestão de LLMs de ciclo de vida completo, e o foco se desloca da precisão de treino e dos pipelines de dados da era dos modelos pequenos para “como manter os modelos rodando de forma estável e controlável”. O LLMOps agora se centra em monitoramento, efetividade de prompts, observabilidade e segurança — a estrutura de suporte que carrega os modelos grandes para aplicações reais. O treinamento de modelos, em contrapartida, caiu abaixo do nível de janeiro. O recuo é racional: indústrias diferentes querem sabores diferentes de modelos, treinar um modelo nível GPT-4 do zero custa caro demais, e a comunidade virou para o fine-tuning de baixo custo — com o Unsloth integrando QLoRA para rodar em hardware intermediário. A camada de aplicações se tornou o novo campo de batalha, mais amigável aos desenvolvedores e com mais espaço para contribuir; os frameworks de treino da era PyTorch estão maduros e estagnados, e, embora Swift, Unsloth e LLaMA-Factory tenham atraído atenção de curto prazo, nenhum se sustentou de forma consistente. Enquanto isso, o Ray domina a computação distribuída, e a ascensão de bibliotecas de kernels especializadas — TransformerEngine, DeepEP, Triton, Modular — marca o surgimento de um stack de software próprio dos modelos grandes, das APIs em Python até os operadores, criado sob medida para LLMs.
AI Data: A Calmaria Antes da Tempestade Maior
Comparada à agitação acima dela, a AI Data está notavelmente calma. A cadeia está completa — anotação, integração, governança, bancos de dados vetoriais e busca, até os frameworks de aplicação — cobrindo essencialmente todos os estágios do processamento de dados. A maioria dos projetos são velhos conhecidos nascidos entre 2014 e 2020, construídos para a era da IA 1.0 (machine learning clássico); o Chroma é um dos poucos novatos a pegar a onda dos LLMs, chegando em 2022 exatamente na eclosão do RAG. Mas o calor continua se esvaindo. Parte disso é maturidade — os data lakes Iceberg e Delta Lake, os armazenamentos vetoriais Milvus, Weaviate e Elasticsearch são infraestruturas comprovadas, sem avanços novos óbvios. Parte é a orientação corporativa — desenvolvedores individuais raramente sentem o valor diretamente, então a atenção no GitHub não se sustenta. Mas a calmaria costuma preceder a tempestade maior. O verdadeiro teste da AI Data está surgindo na era nativamente multimodal: vetorizar tudo, RAG em escala, processamento de dados multimodal — especialistas preveem que as plataformas de dados vão evoluir de “armazéns” para “hubs”: sistemas inteligentes, dinâmicos e em tempo real, alimentando continuamente a percepção do mundo real no cérebro do modelo. Os frameworks antigos continuam sólidos, mas estão sendo levados ao limite; a próxima geração de infraestrutura de dados nativa de LLMs está sendo gestada silenciosamente.
O Jogo Comercial: ‘Open Source’ Ficando Estranho
Antes do lançamento do mapa da 2.0, uma tendência sutil já era visível: cada vez mais projetos de LLMs abandonam MIT e Apache 2.0 em favor de “acordos de licença open source” redigidos por conta própria, abrindo zonas cinzentas entre abertura e controle. As licenças do novo estilo reservam mais direitos de intervenção para o concedente — onde as licenças tradicionais são irrevogáveis uma vez concedidas, algumas licenças de LLMs removem essa restrição, deixando espaço para jogos comerciais futuros. Outras limitam por escala de usuários: ultrapassado um limite de usuários ativos mensais, o licenciamento vira negociação. Os dados da 2.0 confirmam a observação — a maioria das licenças dos novatos são variantes restritivas, acendendo debates sobre “isso é open source sequer?”. O Dify usa uma variante de BSL (Business Source License) — o código se abre agora, vira permissiva anos depois, protegendo o comércio nesse meio-tempo. O n8n usa fair-code, explicitamente enquadrado como “impedir que os gigantes peguem carona”. Os termos do Cherry Studio exigem autorização separada para uso comercial. E uma segunda ambiguidade vem do próprio GitHub: Cursor e Claude Code mantêm até o código fechado enquanto emplacam na plataforma como janelas de coleta de feedback — o que conta como “comunidade open source” está sendo desafiado por essa onda.
Bônus: O Campo de Batalha dos Modelos
Como bônus, a edição 2.0 mapeou todos os grandes lançamentos de modelos — abertos e fechados, domésticos e estrangeiros — desde janeiro de 2025, anotados com parâmetros e modalidades. Cinco padrões emergem. Divergência de rota, aberto contra fechado: os modelos abertos chineses continuam florescendo enquanto os laboratórios estrangeiros de ponta continuam apostando no fechado; a Meta, que já contragolpeou com o Llama, está restringindo seu ritmo de abertura — a carta aberta de Zuckerberg admite “escolhas mais cautelosas sobre o que abrir” — e a recepção do Llama 4 tornou a posição desconfortável. Isso ecoa o veredicto de Wang Jian, fundador da Alibaba Cloud, no Bund Summit: a escolha entre aberto e fechado se tornou uma variável-chave da competição em IA. MoE por toda parte, parâmetros correndo para os trilhões: os carros-chefe de DeepSeek, Qwen e Kimi vêm todos com mixture-of-experts; a ativação esparsa permite que o total de parâmetros dispare à escala de trilhões enquanto apenas uma fração é ativada na inferência — K2, Claude Opus e o3 chegaram em sequência, com saltos de desempenho e picos novos de computo de treino e inferência. Raciocínio é o novo recurso padrão: a disputa do ano passado era escala; a de deste ano é raciocínio. Os ganhos de aprendizado por reforço do DeepSeek R1 tornaram o raciocínio automatizado e as decisões complexas um requisito de lançamento, e Qwen, Claude e Gemini agora entregam modos híbridos de pensamento rápido/lento que alternam a velocidade de resposta entre tarefas, como as pessoas fazem. Multimodalidade em erupção: os cérebros mais fortes pararam de olhar só para a linguagem — interação por linguagem, imagem e voz viraram o mínimo exigido, com fornecedores chineses liderando tanto na linha aberta quanto na fechada, e o ecossistema de voz (Pipecat, LiveKit Agents, CosyVoice) completando rapidamente sua cadeia de ferramentas. A distância até uma modalidade de vídeo madura — para não falar de AGI — continua real. Avaliação se pluraliza: alguns ainda confiam em arenas de voto humano como Design Arena e LMArena; outros confiam em suítes de testes objetivas com respostas padrão. Enquanto isso, plataformas de gateway de API como o OpenRouter, sentadas sobre dados naturais de volume de chamadas, estão formando leaderboards de “voto por dados” — e a atividade disparada do LiteLLM sugere que estatísticas de chamadas podem se tornar um novo instrumento de avaliação por si só. Fonte: Synced (machine.ai), edição de Wu Xin; Panorama do Ecossistema Open Source da Ant 2.0.
