10 ferramentas de IA para engenheiro de IA em 2026 (e o critério pra escolher quando elas mudarem)

Toda lista de ferramentas de IA para engenheiro de IA tem prazo de validade. Inclusive esta.

Em doze meses o Langfuse virou parte da ClickHouse, o Helicone entrou em maintenance mode, o Codex saiu do zero e já tem 60% do uso do Cursor, e o próprio OWASP reescreveu o Top 10 de LLM. Se a sua defesa técnica é "eu uso a ferramenta X", você tem a validade da ferramenta X. Se a sua defesa é "eu escolho ferramenta com o critério Y", você sobrevive à próxima troca.

Este post é a lista — dez ferramentas, uma por slot da stack. Mas cada uma vem com a parte que ninguém escreve: o critério de troca. O sinal objetivo que diz quando aquela ferramenta parou de servir e é hora de arrancar. A lista apodrece. O critério não.

TL;DR

• O que é: as 10 posições (slots) da stack de um engenheiro de IA em produção, o default de 2026 em cada uma e o gatilho para trocar.
• Stack/Modelos: harness agêntico, gateway de modelos, SDK de agente, MCP, retrieval, evals, observabilidade, guardrails, dataset e runtime — o que o mercado chama de LLMOps quando quer vender plataforma.
• Custo/Acesso: oito dos dez slots têm opção open source ou self-hosted funcional.
• A tese: você não decora ferramenta. Você decora slot + critério. Ferramenta é implementação.

O contexto: por que toda lista de ferramentas apodrece

Ferramenta de IA não envelhece como framework web. Laravel 9 continua rodando. Uma plataforma de observabilidade de LLM pode ser adquirida, mudar de pricing e quebrar seu contrato de dados no mesmo trimestre.

Olha o tamanho da turbulência. O mercado de observabilidade de LLM foi estimado em US$ 2,69 bilhões em 2026, indo para US$ 9,26 bilhões em 2030 — CAGR de 36%. Mercado crescendo nessa velocidade é mercado que consolida: aquisição, fusão, produto descontinuado. Não é acidente, é a física do setor.

E não é só o mercado. A régua de risco também mudou. O OWASP Top 10 para LLM de 2026, publicado em 6 de agosto, foi a primeira edição calibrada por incidente real: 6.639 incidentes de bases públicas de vulnerabilidade e de uma base de danos de IA, pesando 25% do ranking contra 75% do voto de praticante. Resultado: Excessive Agency subiu para terceiro, Unbounded Consumption subiu quatro posições, Output Handling caiu de quinto para décimo, e System Prompt Leakage foi renomeado e ampliado para Hidden Context Exposure. Em um ano.

Agora o dado que fecha o argumento. Na pesquisa do Pragmatic Engineer com 906 respondentes (27/01 a 17/02 de 2026), 95% usam ferramenta de IA toda semana, 55% usam agentes regularmente e 70% usam de duas a quatro ferramentas ao mesmo tempo.

Leia esse último número de novo. Ninguém tem "a ferramenta". Todo mundo tem uma composição. E composição você não copia de listicle — você monta com critério, slot por slot.

Critério é exatamente o que separa engenheiro de dependente de ferramenta, e dependente de ferramenta é quem some da conversa quando a conversa muda. Esse tipo de decisão é o que a gente coloca na mesa toda semana no Clã Beer and Code: sistema com IA sendo construído ao vivo, com código rodando, e gente vindo de Laravel, Go, Python e C# provando que, com IA no meio, a stack deixou de ser o problema.

O critério antes da lista: cinco perguntas

Antes de cada uma das dez, o filtro. Rode essas cinco perguntas em qualquer ferramenta de IA que alguém te empurrar. Se ela reprovar em duas, não entra na stack.

1. Quem é dono do dado? Traces, datasets de eval, prompts versionados, anotações humanas. Esse é o ativo. A ferramenta é descartável, o dado não. Se você não consegue exportar em formato aberto num comando, você não está comprando ferramenta — está alugando seu próprio histórico.

2. Ela fala protocolo aberto? API compatível com o formato OpenAI, OpenTelemetry para trace, MCP para tools, JSON Schema para contrato. Protocolo aberto transforma migração em troca de base URL. Protocolo proprietário transforma migração em projeto de trimestre.

3. Dá pra provar no seu tráfego? Benchmark de vendor mede o caso do vendor. A pergunta certa é: consigo rodar essa ferramenta contra o meu dataset de falhas reais e ver o número mudar? Se a resposta é não, você está comprando narrativa.

4. Quanto custa sair? Cronometre a reversão. Se arrancar a ferramenta é uma tarde, ela é uma dependência saudável. Se é um trimestre, ela virou arquitetura — e arquitetura merece decisão registrada, não impulso de thread do X.

5. Ela resolve um slot que existe, ou inventa um? Metade das ferramentas de IA vendidas hoje resolvem um problema que você ainda não tem. Slot vazio é bug. Slot inventado é custo.

Guarde as cinco. Elas voltam em cada item abaixo.

As 10 ferramentas de IA para engenheiro de IA em 2026

Cada slot vem com três linhas: o que o slot faz, qual o default de 2026 e qual o sinal que manda trocar.

1. Harness de código agêntico

O slot: o ambiente onde o agente lê, escreve e roda seu código com permissão real. Não é autocomplete, é execução.

Default em 2026: Claude Code lidera a preferência declarada com 46% na pesquisa do Pragmatic Engineer, contra 19% do Cursor e 9% do GitHub Copilot. Codex chegou depois e já está em 60% do uso do Cursor.

Critério de troca: o harness deixa de servir quando você não consegue mais auditar o que ele fez. Se a ferramenta não te dá diff revisável, hook de permissão e log da sessão, ela não é harness, é roleta. A régua está nos 4 níveis de autonomia em agentic code: a pergunta nunca é o que o agente faz, é quem aprova, quem reverte e quem audita.

2. Gateway de modelos

O slot: uma camada entre seu código e todos os provedores. Chave virtual, budget, rate limit, fallback, tracking de gasto por time.

Default em 2026: LiteLLM se você quer self-hosted e governança própria (100+ modelos no formato de entrada e saída da OpenAI, com proxy que faz virtual key, budget por projeto e dashboard). OpenRouter se você quer gerenciado, uma chave e nada de infra.

Critério de troca: troque quando o gateway virar gargalo de latência ou quando ele começar a esconder erro do provedor atrás de mensagem genérica. Gateway bom é transparente. E note como a pergunta 2 do critério resolve esse slot sozinha: se sua aplicação fala formato OpenAI, trocar de gateway é isto aqui:

// A troca inteira. Nenhuma linha de lógica de negócio muda.
$client = OpenAI::factory()
    ->withBaseUri(config('ai.gateway_url'))   // litellm local, openrouter, ou direto no provedor
    ->withApiKey(config('ai.gateway_key'))
    ->make();

Se a sua troca de gateway não cabe nesse bloco, o problema não é o gateway. É o acoplamento que você deixou entrar.

3. SDK/runtime de agente

O slot: o loop. Quem decide chamar tool, quem mantém estado entre turnos, quem trata retry e quem encerra.

Default em 2026: LangGraph para grafo explícito de estado, Claude Agent SDK quando você quer contexto longo e prompt caching como cidadãos de primeira classe, OpenAI Agents SDK se você está travado no ecossistema deles (Python-first, sem TypeScript oficial).

Critério de troca: troque quando você começar a lutar contra a abstração. Sinal clássico: você abre o código do framework mais vezes por semana do que a documentação. Aí o framework virou o problema. Muita gente descobre tarde que precisava de um while com boas ferramentas, não de um DSL.

4. MCP como camada de tools

O slot: o contrato entre agente e ferramenta. Descoberta, schema, invocação.

Default em 2026: MCP, e ponto. A OpenAI adotou oficialmente em março de 2025 e hoje todos os frameworks relevantes consomem servidor MCP nativamente ou via adapter. Antes disso, cada framework tinha o seu formato de tool e nada era portátil.

Critério de troca: esse é o único slot da lista onde o critério é não trocar. MCP não é produto, é protocolo — e protocolo aberto é justamente o que a pergunta 2 manda perseguir. Escreva a tool uma vez, exponha via MCP, e ela sobrevive à troca de framework, de SDK e de modelo. Aqui você troca a implementação do servidor à vontade; o contrato fica.

5. Camada de retrieval

O slot: achar o pedaço certo de contexto antes de gastar token com o modelo.

Default em 2026: Postgres com pgvector para a esmagadora maioria dos casos abaixo de 10 milhões de vetores, com busca híbrida. Combinar BM25 com similaridade densa praticamente dobra o recall em corpus real, e hoje 8 de 10 bancos vetoriais suportam híbrido nativamente. Tem o passo a passo em RAG com pgvector no Laravel.

Critério de troca: troque de banco quando o p95 da query passar do seu SLO com o índice já tunado, ou quando o volume estourar a máquina. Não troque porque leu que Pinecone escala mais. Escala mais na faixa de bilhões de vetores — que provavelmente não é a sua. Ferramenta especializada resolvendo problema que você não tem é a pergunta 5 reprovando.

6. Framework de evals no CI

O slot: o gate que impede prompt ruim de virar deploy.

Default em 2026: promptfoo quando você quer matriz declarativa em YAML comparando modelo contra modelo, DeepEval quando quer regressão em estilo pytest colada na sua suíte. RAGAS quando o alvo é especificamente qualidade de RAG.

Critério de troca: troque quando adicionar um caso de teste virar burocracia. Suite de eval que dá preguiça de crescer é suite que morre. O formato importa menos que o hábito — o detalhe de rubrica e barra de erro está em evals para agentes com LLM-as-a-judge.

O gate no CI é isto, e é ele que sustenta as outras nove decisões:

# .github/workflows/evals.yml
- name: Eval gate
  run: npx promptfoo eval -c evals/agente.yaml --fail-on-threshold 0.85

Sem esse passo, você não tem critério — tem opinião. É o eval que transforma "acho que o modelo novo é melhor" em número que sobe ou desce.

7. Observabilidade e tracing

O slot: reconstruir a cadeia causal de uma decisão do agente depois que ela deu errado em produção.

Default em 2026: Langfuse para self-hosted com posse total do dado (agora sob a ClickHouse), LangSmith se você vive dentro de LangChain e LangGraph, Braintrust se o seu fluxo é eval-first e você quer score nativo dentro do trace. Comparei os trade-offs em LangSmith vs Langfuse vs Helicone — post que já nasceu com uma das três em maintenance mode, o que é a tese deste artigo em forma de nota de rodapé.

Critério de troca: troque quando o custo por trace crescer mais rápido que o seu tráfego, ou quando você precisar de dado que a plataforma não exporta. Instrumente com OpenTelemetry desde o dia um e esse slot vira commodity: você troca o backend sem tocar no código instrumentado.

8. Guardrails e segurança

O slot: filtro de entrada, hardening de system prompt, filtro de saída e monitoramento comportamental. Defesa em profundidade, não um regex.

Default em 2026: NeMo Guardrails ou Bedrock Guardrails em vez de construir do zero, mais o OWASP Top 10 de 2026 como checklist de revisão. Prompt injection segue em primeiro lugar e agora cobre ataque cross-modal escondido em imagem e áudio — se o seu agente lê PDF ou screenshot, esse é o seu problema.

Critério de troca: o gatilho aqui não é a ferramenta, é o escopo. Toda vez que o agente ganha uma tool nova com efeito colateral, o guardrail anterior ficou incompleto. Excessive Agency subiu para o terceiro lugar do OWASP em 2026 por esse motivo exato: gente dando permissão de escrita para agente sem revisar o raio de alcance. Menor privilégio na tool, aprovação humana em ação de risco, teste adversarial recorrente.

9. Dataset e anotação

O slot: o golden set. Os casos reais que definem o que é "certo" no seu domínio, com anotação humana em cima.

Default em 2026: annotation queue do LangSmith, gestão colaborativa de dataset do Braintrust, ou uma tabela no seu próprio Postgres. Sim, uma tabela resolve — o valor está na curadoria, não na UI.

Critério de troca: esse slot é o mais importante da lista e o mais ignorado. Aplique a pergunta 1 com força total: se o seu golden set mora só dentro de uma plataforma SaaS, você terceirizou o único ativo que era mesmo seu. Ferramenta você troca em uma tarde. Dois anos de anotação humana você não reconstrói. Mantenha o dataset versionado no seu repositório e sincronize para a plataforma, nunca o contrário.

10. Runtime de produção

O slot: onde o agente roda de verdade. Fila, retry com backoff, idempotência, timeout, dead letter, limite de gasto por execução.

Default em 2026: o que você já usa. Laravel com Horizon, Celery, Sidekiq, Temporal. Chamada de LLM é I/O lento, caro e não determinístico — o pior tipo possível de trabalho para fazer dentro de um request HTTP.

Critério de troca: troque quando não conseguir mais responder "quanto essa execução pode custar no pior caso?". Agente sem teto de gasto e sem timeout é como as contas de US$ 3 mil aparecem, e é o anti-pattern mais caro dessa lista. Esse slot é o menos glamouroso dos dez e o que mais derruba agente em produção.

Como isso vira decisão registrada

Lista na cabeça não sobrevive a rotatividade de time. Coloque a stack num arquivo versionado, com o critério ao lado, e o próximo dev entende por que — não só o quê.

# docs/stack-ia.yml — a decisão, não a ferramenta
harness:        { atual: claude-code,  troca_se: "sem diff revisável ou log de sessão" }
gateway:        { atual: litellm,      troca_se: "p95 do proxy > 80ms ou erro mascarado" }
runtime_agente: { atual: claude-agent-sdk, troca_se: "abrir código do framework > 1x/semana" }
tools:          { atual: mcp,          troca_se: "nunca — é protocolo, não produto" }
retrieval:      { atual: pgvector,     troca_se: "p95 > 300ms com índice tunado" }
evals:          { atual: promptfoo,    troca_se: "adicionar caso virar burocracia" }
observabilidade:{ atual: langfuse,     troca_se: "custo/trace subir acima do tráfego" }
guardrails:     { atual: bedrock,      troca_se: "toda tool nova com efeito colateral" }
dataset:        { atual: postgres+git, troca_se: "nunca sai do nosso repositório" }
runtime_prod:   { atual: laravel-horizon, troca_se: "sem teto de custo por execução" }

Dez linhas. Revise a cada trimestre. O que muda é a coluna atual; a coluna troca_se é o que você realmente aprendeu.

Limitações e pontos de atenção

Três coisas que esse post não resolve.

Nenhum default aqui é neutro. Todo default de 2026 é uma aposta com data. O que estou entregando com prazo maior é a coluna de critério — e mesmo ela precisa de revisão quando o modelo por trás muda de forma. Contexto de milhões de tokens, por exemplo, muda a régua do slot 5: parte do que hoje é retrieval vira contexto direto, e o critério "p95 da query" perde peso para "custo por token de entrada".

Trocar tudo de uma vez é pior que não trocar. Se você mexer em cinco slots no mesmo sprint, não vai saber qual mudança melhorou ou piorou o número. Um slot por vez, com o eval do slot 6 medindo antes e depois. Sem isso, você não está migrando, está apostando.

Cuidado com o dado que você joga na ferramenta enquanto avalia. Rodar POC de plataforma de observabilidade com trace de produção significa mandar conteúdo de cliente para um terceiro. Mascare PII antes, ou avalie com dataset sintético. Prompt injection e vazamento de contexto ocupam duas das dez posições do OWASP 2026 por bons motivos.

FAQ rápido

Preciso preencher os dez slots pra começar? Não. Comece com quatro: harness, retrieval, evals e runtime de produção. Esses quatro sustentam um agente de verdade. Observabilidade entra no dia em que você tiver o primeiro bug que não consegue reproduzir localmente — o que costuma ser na primeira semana.

Vale a pena self-hostar tudo? Só onde a pergunta 1 doer. Golden set e traces, sim, vale controlar. Gateway e guardrail gerenciados custam menos operação do que valem. Self-hosting é decisão de propriedade de dado, não de economia.

Esse post vai estar desatualizado em 2027? A coluna de ferramentas, sim, quase toda. Aliás, é literalmente a tese do primeiro parágrafo. A coluna de critério é o que estou apostando que envelhece devagar — e se envelhecer, o motivo vai ser um slot novo aparecendo, não uma ferramenta caindo.

Como eu justifico a troca para o meu time? Com número, não com thread. Rode a ferramenta candidata contra o seu golden set, meça pass rate, custo por execução e latência p95, e apresente as três linhas lado a lado. Se não der pra medir, a resposta é não trocar.

Conclusão

A lista tem dez itens. O que sobrevive é a coluna da direita.

Enquanto todo mundo discute qual ferramenta de IA é a melhor, o engenheiro que se destaca é o que consegue responder, sem hesitar, por que a dele está lá e sob qual condição ela sai. Isso não é sobre ferramenta. É sobre saber ler a arquitetura embaixo dela — que é exatamente o que separa quem constrói produto de quem coleciona tab aberta.

O próximo movimento desse mercado provavelmente vai colapsar slots: gateway com eval embutido, harness com observabilidade nativa, guardrail dentro do runtime do agente. Quando isso acontecer, a lista muda de novo. As cinco perguntas, não.

Se quiser ver como os dez slots se encaixam num desenho só, o mapa está em arquitetura de agentes de IA. E se o seu objetivo é a vaga, vale cruzar essa lista com o que o recrutador de AI engineer está pedindo — a interseção é menor do que parece.