Como trocar de coding agent ou modelo sem perder a tarefa

Transfira uma tarefa entre coding agents e modelos usando um handoff estruturado, sem segredos e com uma checagem focada.

Ao lidar com problemas de engenharia complexos, desenvolvedores frequentemente alternam entre coding agents: por exemplo, começam o planejamento de arquitetura no Claude Code e depois tentam fazer uma refatoração algorítmica ou gerar testes no Codex ou em outro modelo. Porém, despejar todo o histórico de conversa em um novo agent enche o contexto dele de hipóteses ultrapassadas e desperdiça tokens e tempo.

Trocar de modelo só é eficaz quando se baseia em um cartão de handoff formalizado e portátil, além de uma etapa de verificação focada, e não em tentar transferir um histórico de chat ilimitado.


1. Comparando mudanças: modelo, ferramenta ou provedor de API

Não confunda três operações essencialmente diferentes:

DimensãoMudar o modelo dentro do agentTrocar de ferramenta (Claude Code ↔ Codex)Mudar o provedor de API
O que mudaO parâmetro Model ID na configuraçãoO cliente CLI, o protocolo e a orquestração de ferramentasO endpoint, a Base URL e a chave de autenticação
Contexto da tarefaÉ mantido na sessão atualA sessão é totalmente reiniciada; exige um handoff limpoÉ mantido na configuração do ambiente local
Protocolo de APIAnthropic ou OpenAI (sem mudança)Transição de Anthropic Messages para OpenAI Responses APIConfiguração da Base URL e do grupo de API keys
Cenário recomendadoElevar rapidamente o nível de raciocínioTestar hipóteses alternativas em um worktree limpoRotear por gateways locais ou dedicados

2. Seleção de ferramenta por cenário

Escolha a abordagem mais adequada aos requisitos atuais da tarefa:

  • Opção 1 (Claude Code): recomendada para explorar uma base de código de forma interativa, realizar refatorações arquiteturais complexas em vários arquivos e usar ferramentas de shell flexíveis.
  • Opção 2 (Codex CLI / Custom Provider): indicada quando você precisa de geração de testes determinística, execução direta sobre a Responses API compatível com OpenAI ou uma segunda opinião independente sobre um diff preparado.

3. O protocolo de handoff portátil

Para transferir o estado da tarefa com confiabilidade e sem poluir o prompt, escreva um cartão de handoff estruturado contendo somente fatos verificados:

Task Handoff: Database Connection Pool Limits

  • Goal: Enforce max_connections=20 and add a 5s connection acquisition timeout.
  • Current State: Branch perf/db-pool-limits created; modified config/database.go.
  • Verified Progress: Test go test ./config -run TestPoolLimits passes.
  • Unresolved Blocker: Under wrk load, pool exhaustion crashes without returning HTTP 503.
  • Target Check for Next Agent: Implement 503 error handling on pool timeout and verify with a test.
> [!IMPORTANT] > **Zero segredos no handoff**: nunca inclua API keys, tokens de autenticação ou o conteúdo de arquivos `.env` em cartões de handoff. Cada ferramenta CLI lê suas credenciais das variáveis de ambiente locais. Consulte os guias de configuração do Claude Code e do Codex nos [BetterToken Docs](https://docs.bettertoken.ai/ai-tools/claude-code). ---

4. Troca e verificação passo a passo

Siga este procedimento de cinco passos ao passar o trabalho para outro agent:

  1. Etapa 1: registrar o estado do Git. Revise e guarde temporariamente as alterações não confirmadas: git status --short; depois, salve o cartão de handoff estruturado.
  2. Etapa 2: iniciar uma sessão nova. Inicie o agent secundário em um worktree Git isolado ou em uma janela de terminal limpa.
  3. Etapa 3: forneça apenas o cartão de handoff. Passe ao novo agent o objetivo da tarefa e a etapa de verificação, sem o histórico de chat anterior.
  4. Etapa 4: execute a verificação focada. Peça ao agent para executar o teste-alvo e inspecionar os arquivos alterados: git diff --check.
  5. Etapa 5: decida com base na saída observável. Se o modelo secundário resolver o bloqueio de forma limpa, continue nesse branch; caso contrário, volte à sessão principal sem sobrecarga de regressão.

Essa abordagem evita prompts inchados e transforma a troca de modelo em um experimento de engenharia objetivo e mensurável.

Quer otimizar seu fluxo de trabalho com LLMs?

Conecte modelos por uma única API, gerencie chaves e controle os gastos com IA.