⚖️ Comparativo — DeerFlow vs. Claude Code vs. Antigravity

Uma matriz fixa de eixos é um conjunto pré-definido de perguntas que você faz para qualquer plataforma, antes de conhecê-la a fundo, para evitar comparações enviesadas ou motivadas por marketing.

Sem régua fixa, toda comparação vira torcida; com régua fixa, o aluno aprende a avaliar ferramentas futuras que ainda nem existem.

Critério fixo vs. ad-hoc; viés de novidade; empate honesto; comparabilidade longitudinal; decisão por tarefa e não por plataforma.

Classificar a plataforma na sua categoria estrutural: IDE-agent (roda dentro do editor), harness (orquestrador hospedável), framework (biblioteca para você construir) ou SaaS (produto fechado).

Categorias diferentes resolvem problemas diferentes — comparar um IDE-agent com um harness como "rivais" já é um erro de leitura.

IDE-agent; harness; framework; SaaS vertical; fronteiras borradas; confundir categoria com feature.

Pergunta crua: a plataforma roda na máquina do usuário, em servidores do fornecedor ou num híbrido com partes em cada lado? E quem tem acesso aos dados em cada caso?

Define se você pode usar a ferramenta com dados sensíveis, se depende de uptime de terceiros e qual é a superfície de ataque.

Local-first; cloud-first; self-hosted; data residency; offline capability; telemetria obrigatória.

Como a plataforma permite que você adicione capacidades novas: via skills, tools, extensions, plugins, MCP servers, ou "nenhuma, só use as features prontas".

O modelo de extensibilidade define o teto prático da plataforma — ferramenta fechada trava no primeiro caso de uso fora do catálogo.

Skills; tools; MCP; plugins; extension points; DX de extensão; catálogo público.

Onde e como a plataforma executa código gerado pelo agente: no host do usuário sem isolamento, em container Docker, em pod K8s ou em sandbox remoto do fornecedor.

A resposta define o perfil de risco, de velocidade e de portabilidade — é o eixo que mais separa "ferramenta pessoal" de "ferramenta de empresa".

Sandbox host; Docker; K8s; remote sandbox; isolamento de rede; persistência entre execuções.

Quanto a plataforma lembra entre interações: só o contexto atual, a sessão inteira, ou memória de longo prazo persistida entre sessões e projetos.

Memória de longo prazo muda a forma como você usa a ferramenta — deixa de repetir contexto e começa a acumular projeto.

Stateless; session memory; long-term memory; recall semântico; memory hygiene; auditoria de memória.

A plataforma suporta sub-agentes chamados por um lead agent? E se sim, eles são primeira classe (com SOUL e roteamento) ou só paralelismo de tools?

Tarefas reais em produção quase sempre quebram em sub-tarefas com papéis diferentes — sem sub-agentes você acaba fazendo rodízio manual.

Lead agent; sub-agent; custom agent; roteamento por agent_name; SOUL; paralelismo real.

Preencher os 10 eixos (os 6 acima mais modelos suportados, interface, open source e público-alvo) para o DeerFlow 2.0 usando o que já se sabe das Trilhas 1, 2 e 3 — criando o gabarito da matriz.

Só quando você preenche a matriz inteira com uma plataforma conhecida percebe os eixos fracos, os eixos redundantes e o ponto cego.

Preenchimento honesto; citar fonte do README/docs; colar link por eixo; células "depende"; gabarito para os próximos módulos.

CLI/IDE-agent da Anthropic focado em engenharia de software, single-vendor em modelos, com skills + MCP e sandbox apoiado no host do desenvolvedor.

É o estado da arte de "par de programação" em 2026 e o benchmark honesto para tarefas de código dentro do curso.

CLI-first; IDE plugin; Anthropic-only; skills oficiais; MCP; sandbox do host; fluxo git-aware.

IDE-agent recente do Google focado em agentes autônomos dentro do próprio editor, com suporte multi-agente nativo e integração forte ao ecossistema Google/Gemini.

É a aposta mais nova em IDE agêntica, e comparar ao vivo é a forma honesta de evitar reagir a feature list de lançamento.

IDE agêntica; multi-agente nativo; Gemini; workspace Google; autonomia no editor; UX emergente.

Harness open-source multi-model e multi-channel (inclui IM), com skills para além de código (research, podcast, PPT, video), sandbox até K8s e memória de longo prazo como primeira classe.

É o único dos três que você hospeda, estende livremente e pluga em IM — entender o posicionamento evita usá-lo pelo motivo errado.

Harness genérico; skills para além de código; canais IM; self-host K8s; long-term memory; open-source.

Princípio didático do curso: em vez de listar features das 3 plataformas num slide, resolver a mesma tarefa ao vivo em cada uma para o aluno ver tempo, fricção e resultado real.

Feature list envelhece em uma semana e premia marketing; demo ao vivo premia o que funciona hoje na sua máquina para a sua tarefa.

Demo-first; tarefa controlada; observação cega; tempo real; honestidade com o aluno.

Lab-relâmpago: instalar/acessar Claude Code, Antigravity e DeerFlow, rodar a mesma mensagem "oi, o que você consegue fazer?" em cada um e anotar tempo, tom de resposta e fricção.

Calibrar a primeira impressão antes dos labs pesados evita que o aluno confunda "onboarding ruim" com "ferramenta ruim" nos módulos seguintes.

Onboarding comparado; tempo-para-primeira-resposta; tom do sistema; fricção de instalação; nota de baseline.

Dar às três plataformas o mesmo módulo Python legado para refatorar (extrair funções, tipar, cobrir com testes) e exigir que o resultado saia como PR aberto num fork.

É a tarefa em que Claude Code e Antigravity naturalmente brilham — o aluno precisa sentir isso antes de cair em cima com pretextos de research.

Diff equivalente; testes passando; PR descrito; tempo total; quantas rodadas foram necessárias; custo em tokens.

Pedir às três plataformas um relatório sobre um tema definido, com no mínimo 10 fontes explicitamente citadas e uma conclusão escrita — o domínio clássico da skill deep-research do DeerFlow.

Research profundo com memória e multi-fonte é onde o harness genérico mostra sua força sobre IDE-agents focados em código.

10 fontes citáveis; diversidade de fontes; precisão factual; profundidade do relatório; tempo e custo comparados.

Quatro dimensões fixas para anotar em qualquer lab comparativo: tempo total até o entregável, qualidade do output, fricção do caminho e custo em tokens/dinheiro.

Comparação sem rubrica vira "gostei mais de X"; comparação com rubrica resiste a revisão por outra pessoa.

Tempo até entregável; nota de qualidade; número de rodadas; fricção UX; custo real; planilha por lab.

Método para reler os resultados da comparação descontando a novidade: a plataforma mais nova parece mais impressionante porque é nova, não porque é melhor.

Sem descontar novidade, toda comparação feita em 2026 elege Antigravity; com desconto, a conclusão passa a ser por tarefa.

Viés de novidade; efeito demo; reteste daqui a 30 dias; separar UX novo de capacidade; pesos por dimensão.

Fechar os dois primeiros labs com um parágrafo por plataforma, resumindo o que funcionou, o que atrapalhou e uma nota de 0 a 10 para cada uma nas duas tarefas.

Escrever obriga a conclusão — o aluno descobre que tinha opinião diferente do que imaginava só de ter usado as três.

Rubrica fechada; nota final por tarefa; comentário honesto; insumo para o guia do módulo 4.4.

Tarefa de ponta a ponta: analisar um CSV de vendas, gerar um PPT com as conclusões e postar um resumo num canal Slack — três skills diferentes encadeadas num fluxo só.

É a tarefa em que DeerFlow ganha naturalmente, porque multi-skill e multi-channel estão no posicionamento dele — ver isso ao vivo vale mais que um slide.

Encadeamento de skills; data-analysis + ppt-generation; canal IM; tempo ponta-a-ponta; fricção de integração em cada plataforma.

Mesma capacidade nova (por exemplo, "consultar uma API interna e retornar X") implementada como skill/tool em cada uma das três plataformas para comparar DX, esforço e limites.

É o teste que separa "plataforma confortável" de "plataforma que você consegue dobrar" — o aluno sente o teto de extensibilidade de cada uma na pele.

DX de extensão; quantidade de código; test loop; onde publicar; reversibilidade; trigger accuracy da skill.

Mapeamento das tarefas em que DeerFlow ganha sem esforço (research profundo, multi-channel, fluxos longos com memória) e das que ele apenas empata ou perde (edição rápida de código, UX dentro do editor).

Curso honesto precisa dizer onde a própria ferramenta não é a melhor — é isso que faz o aluno confiar na recomendação quando ela chega.

Ganhos naturais; empates; perdas assumidas; recorte por tipo de tarefa; fim do viés de torcida.

Montar uma tabela final "tipo de tarefa → plataforma recomendada → justificativa em uma frase" consolidando os 4 labs e a matriz do módulo 4.1.

Tabela é a forma mais defensável de recomendação — cada linha pode ser contestada separadamente e revisada sem reabrir o debate todo.

Tabela de decisão; justificativa curta; exceções declaradas; data de validade; plano de reavaliação.

Documento curto de uso próprio em que o aluno registra, nas palavras dele, para quais tarefas vai usar cada uma das três plataformas no dia a dia depois do curso.

É o entregável que prova que o objetivo do módulo transversal foi atingido: escolher a ferramenta certa por tipo de tarefa, não por moda.

Guia pessoal; decisão por contexto; revisão periódica; compromisso com critério e não com ferramenta; fim honesto do curso.