Curso ZCode & GLM — aproveite cada modelo

Harness da Z.ai, família GLM-5.x e o GLM Coding Plan: quando usar cada modelo para gastar menos e acertar mais.

A tese deste curso: "nem tudo se executa no modelo mais top". O GLM-5.3 é o mais forte — e o mais caro em créditos. O segredo de quem aproveita a Z.ai é escolher o modelo e o esforço de raciocínio certos para cada tarefa, e usar o harness certo (ZCode, OpenCode, Claude Code, zclaw, OpenClaw) para o fluxo certo.

Este curso é interativo: clique nos botões "Mostrar" para revelar camadas dos gráficos, use o selecionador de tarefa → modelo e a calculadora de custo, e marque os checklists (progresso salvo no navegador).

O ecossistema Z.ai

~30 min · conceitos

Z.ai (ex-Zhipu AI) é o laboratório chinês por trás dos modelos GLM. Em 2026 ele fez o mesmo movimento que Anthropic, OpenAI e Google: criar o próprio harness — o ZCode. Para entender o ecossistema, precisamos separar dois conceitos que sempre se confundem: modelo e harness.

Modelo ≠ Harness

O que é	Exemplos	Papel
Modelo	GLM-5.3, GLM-5.2, GLM-5-Turbo	O "cérebro": raciocina, escreve código, responde
Harness	ZCode, OpenCode, Claude Code, Cline, zclaw	O "esqueleto agêntico": loop de planejar → editar arquivos → rodar terminal → testar → iterar

A tese do harness (Google SDLC paper, 2025): "o agente é mais harness do que modelo". Um modelo de ponta sem um bom loop de agente é um autocomplete muito caro. Por isso cada laboratório lançou o próprio harness — e por isso a Z.ai lançou o ZCode. As ferramentas de hoje não competem só por modelo; competem por fluxo de trabalho.

Fig. M1-1 — Mapa do ecossistema. A Z.ai fornece os modelos (via API ou GLM Coding Plan); os harnesses consomem esses modelos. Clique para destacar cada camada.

As duas formas de pagar pela Z.ai

Caminho	O que é	Quando usar
API por token (z.ai/model-api)	Paga por milhão de tokens. GLM-5.2: ~$1,40 in / ~$4,40 out por milhão de tokens	Scripts, chamadas ocasionais, produção (sem restrição de ferramenta)
GLM Coding Plan (z.ai/subscribe)	Assinatura mensal com cotas de créditos para agentes/IDEs	Quem passa horas por dia dentro de um harness

O Coding Plan é restrito a ferramentas de codificação oficiais (ZCode, OpenCode, Claude Code, Cline, Roo Code, OpenClaw e outras) — não é uma chave de API para uso de produção.

Onde o ZCode se encaixa

O ZCode (zcode.z.ai) é o harness oficial da Z.ai — um ADE (Agentic Development Environment): em vez de um editor com IA embutida (Cursor), o agente conversacional fica no centro e o editor/terminal/git orbitam ao redor. Lançado em 01/07/2026 para macOS/Windows/Linux (beta), é gratuito para baixar; você paga o modelo por baixo (GLM Coding Plan ou BYOK).

Exercícios M1

Ex.1.1 Explique com as suas palavras a diferença entre modelo e harness (1 parágrafo).
Ex.1.2 Liste 3 harnesses além do ZCode que podem consumir GLM via Coding Plan.
Ex.1.3 Quando você usaria API por token em vez do Coding Plan?

Entendo modelo ≠ harness e a "tese do harness"
Sei a diferença entre API por token e GLM Coding Plan
Sei onde o ZCode se encaixa no ecossistema
Fiz os exercícios 1.1 a 1.3

A família GLM

~45 min · modelos e benchmarks

Em menos de 7 meses a Z.ai passou do GLM-5 (fev/2026) ao GLM-5.3 (ago/2026). Cada versão mudou o equilíbrio entre capacidade, velocidade e custo — e é isso que você precisa dominar para escolher bem.

Linha do tempo

Fig. M2-1 — Linha do tempo da família GLM (2026).

Ficha dos principais modelos

Modelo	Lançado	Contexto	Destaque	Custo relativo
GLM-5.3	14/08/2026	1 milhão	Flagship atual; raciocínio profundo; agente de longo horizonte; top open em Terminal-Bench 3.0 e CyberGym	alto (out 24x)
GLM-5.2	meados de jun/2026	1 milhão	Pesos abertos (MIT); melhor custo/benefício; top open em LMArena Code	médio
GLM-5.1	08/04/2026	—	Agentes autônomos por horas (SWE-bench Pro SOTA)	médio
GLM-5	11/02/2026	200K	Marco: top open em coding; paridade com Claude Opus 4.5	médio
GLM-5-Turbo	—	—	Veloz e barato; para edições rotineiras e tarefas curtas	baixo
GLM-4.7	jan/2026	200K	Barato e confiável; preserva cotas; bom para o dia a dia simples	baixo

Benchmarks (segundo a Z.ai — trate com cautela)

Fig. M2-2 — Terminal-Bench 2.1, DeepSWE v1.1 e Terminal-Bench 3.0 (números da Z.ai / OpenLM, ago/2026). Clique para trocar o benchmark. O 5.3 é claramente o melhor da casa — e é o que mais custa em créditos.

O que isso significa na prática: em tarefas agênticas longas e complexas, o GLM-5.3 (28,3 no TB 3.0) é muito superior ao 5.2 (4,6). Em tarefas padrão de terminal (TB 2.1), todos ficam entre 81 e 89 — aí a diferença é pequena e o custo domina a decisão.

GLM-5.3 em detalhe (o flagship)

Mesma base do 5.2: 743B parâmetros MoE (~40B ativos/token), 1 milhão de contexto, 128K de saída. Todo o ganho veio de pós-treinamento.
Raciocínio sempre ligado: três níveis — low, high, max (padrão). Não dá mais para desligar o "thinking". max recomendado para código complexo.
Somente texto (por ora).
Sem pesos abertos ainda (o 5.2 é o último open-weight). Disponível principalmente no GLM Coding Plan.

Capacidade emergente de cibersegurança ("cyber"): durante o pós-treinamento em escala, o modelo desenvolveu sozinho uma habilidade que não estava no roteiro — ciber = descobrir e explorar vulnerabilidades em software. Os benchmarks mostram o tamanho do salto em relação ao GLM-5.2:

Benchmark (o que mede)	GLM-5.3	GLM-5.2	Diferença
CyberGym — descoberta de vulnerabilidades	84,5%	não divulgado*	melhor resultado já registrado no benchmark (à frente de Claude Fable 5: 83,8% e GPT-5.6 Sol: 83,6%)
ExploitBench — exploração de vulnerabilidades	54,4%	≈24%	mais que o dobro — e a vantagem cresce quanto mais fundo na cadeia de exploração

* A Z.ai divulgou o resultado do 5.3 como recorde; o valor exato do 5.2 nesse benchmark não foi publicado. Números da própria Z.ai (ago/2026).

Ótimo para defesa e auditoria de segurança — e, pelo mesmo motivo, atenção redobrada para não usar de forma indevida.

Exercícios M2

Ex.2.1 Em uma frase, qual é a diferença de foco entre GLM-5.2 e GLM-5.3?
Ex.2.2 Por que o mesmo modelo pode ter resultado muito diferente no TB 2.1 (todos ~85) e no TB 3.0 (4,6 vs 28,3)?
Ex.2.3 Quais modelos do lineup têm pesos abertos (MIT)? Por que isso importa para quem quer rodar localmente?

Conheço a linha do tempo GLM-5 → 5.3
Entendo as specs do 5.3 (1 milhão de contexto, effort low/high/max)
Sei que 5.2 é open-weight e 5.3 não (ainda)
Fiz os exercícios 2.1 a 2.3

O modelo certo para cada tarefa

~45 min · o núcleo do curso

Aqui está a resposta para "nem tudo se executa no modelo mais top". O GLM-5.3 cobra um multiplicador de saída de 24x em créditos. Usá-lo para renomear uma variável é jogar dinheiro fora. A regra de ouro: tarefa difícil → 5.3; tarefa média → 5.2/5.3 high; tarefa rotineira → 5-Turbo ou 4.7.

Matriz de decisão (interativa)

Escolha o tipo de tarefa e veja o modelo + esforço de raciocínio recomendado, e por quê.

—

Fig. M3-1 — Custo relativo por saída (multiplicador de créditos) vs. capacidade. O 5.3 é 24x na saída; 5.2 ≈ 2x (off-peak); 5-Turbo e 4.7 são os mais econômicos. Quanto mais para a direita na capacidade, maior o preço.

Regras práticas de escolha

GLM-5.3 + max effort — refactor grande, arquitetura, bugs cross-file difíceis, agentes longos, auditoria de segurança. Só para o que é realmente difícil.
GLM-5.3 + high/low — use high para tarefas médias complexas; low para respostas diretas quando o 5.3 já é obrigatório (ex.: dentro de um agente que já iniciou com ele).
GLM-5.2 — bom padrão de equilíbrio; no ZCode custa fator 0,67 (≈1,5x mais quota). Ideal para contexto de 1 milhão de tokens e tarefas diárias médias.
GLM-5-Turbo — edições rotineiras, snippets, testes simples, refactors leves. Rápido e barato: 90% das suas tarefas "chat" podem ir para cá.
GLM-4.7 / 4.5-air — o mais barato; preserva cota. Ótimo para perguntas curtas, formatação, tarefas repetitivas de baixo risco.

Dica de ouro para o Coding Plan: o GLM-5.2/5-Turbo já consumiram 3x em horário de pico (14–18h UTC+8) e 2x fora de pico (promoção de 1x fora de pico até setembro). O GLM-5.3 tem multiplicadores altos (input 6,9x · cache 1,7x · output 24x). Roteie o trabalho pesado para horários fora de pico e deixe o 5.3 só para tarefas que exijam raciocínio profundo.

Exemplo concreto de decisão

Você precisa: (a) renomear uma função em 3 arquivos, (b) descobrir por que um deadlock ocorre só em produção, (c) escrever os testes de uma API nova.

(a) → GLM-5-Turbo ou 4.7. Baixo risco, baixo custo.
(b) → GLM-5.3 + max. Raciocínio profundo, cross-file, difícil de reproduzir.
(c) → GLM-5.2 high ou 5-Turbo. Tarefa de volume, precisa de contexto do repo, mas não é "hard".

Exercícios M3

Ex.3.1 Liste 3 tarefas que você faz com frequência e atribua modelo + effort a cada uma.
Ex.3.2 Por que "renomear variável" no 5.3 é desperdício? Calcule: saída de 2K tokens × 24x vs. 5-Turbo.
Ex.3.3 Teste o selecionador acima com 5 tarefas diferentes e anote os padrões.

Sei quando usar 5.3 (max/high/low), 5.2, 5-Turbo e 4.7
Entendo os multiplicadores de crédito (out 24x no 5.3)
Aplico a matriz de decisão nas minhas tarefas reais
Fiz os exercícios 3.1 a 3.3

GLM Coding Plan: planos, créditos e como economizar

~40 min · assinatura e cotas

O Coding Plan é a forma mais barata de viver dentro de um harness o dia inteiro: em vez de pagar por token, você paga uma mensalidade e recebe créditos. A diferença entre os planos é só quantidade e prioridade — os modelos são os mesmos em todos.

Planos (ago/2026 — verifique preços atuais)

Plano	Mensal	Anual (−30%)	Créditos / 5h	Créditos / semana	Melhor para
Lite	$18	~$12,60	2.000	10.000	Solo, tarefas leves, testar
Pro	$80	~$56	12.000	60.000	Dev diário em repos médios (6x Lite)
Max	$168	~$117,60	28.000	140.000	Agentes pesados, MCP intenso (14x Lite)

Modelos incluídos (em todos os planos): GLM-5.3, GLM-5.2, GLM-5.1, GLM-5-Turbo, GLM-4.7. Pedidos de 5.2/5.1 são roteados automaticamente para o 5.3. MCP web (Search/Reader/Zread): 100 chamadas/mês no Lite, 1.000 no Pro, 4.000 no Max.

Como os créditos são gastos

1 "prompt" agêntico não é 1 chamada: o agente invoca o modelo 15–20 vezes por tarefa (planejar, editar, testar, iterar). Um Goal do ZCode pode custar dezenas de "prompts".
Multiplicadores do GLM-5.3 (o maior do lineup): input 6,9x, input em cache 1,7x, output 24x. Output é o item mais caro.
Fora de pico custa metade: fora de 14–18h UTC+8 em dias úteis, os pontos valem 50%. Em horário do Brasil: o pico é 03:00–07:00 (horário de Brasília). Ou seja: quase o dia inteiro é fora de pico para você.
Limites duros: quando a cota de 5h acaba, as chamadas falham até o reset (não há cobrança extra — e também não há como estourar a conta).
Cache salva: input em cache no 5.3 é 1,7x vs 6,9x do frio. Manter o contexto/conversa reutilizado (mesma sessão, arquivos referenciados) corta custo.

Calculadora de custo por token (API — $ por milhão de tokens)

Modelo

Tokens de entrada: 200k

Cache hit: 90%

Tokens de saída: 10k

—

Preço oficial por modelo (US$ por milhão de tokens)

Fig. M4-1 — Preço por milhão de tokens (API da Z.ai / OpenRouter, ago/2026). Entrada e saída custam diferente; entrada em cache é bem mais barata (~19% do valor cheio no GLM-5.2/5.3). Clique para trocar a métrica. Flash (GLM-4.5/4.7 Flash) é grátis na API. O GLM-5.3 não tem preço por token oficial publicado — via OpenRouter aparece no mesmo par do 5.2 ($1,40 / $4,40), mas o caminho principal é o GLM Coding Plan.

Quando a assinatura vale a pena: se você trabalha horas por dia em agentes, o Coding Plan (preço fixo, sem medo de surpresa) quase sempre vence. Se são chamadas esporádicas de script, a API por token vence. A Z.ai estima que um "prompt" no plano equivale a ~15–30x o valor em API — mas é estimativa da própria Z.ai; valide com o seu uso.

Como economizar créditos (playbook)

Roteie o 5.3 para o difícil; deixe 5-Turbo/4.7 para o rotineiro (multiplicadores menores).
Trabalhe fora de pico (no Brasil, fora das 03–07h) → 50% dos pontos.
Reaproveite contexto (cache) em vez de reabrir conversas do zero.
Quebre Goals grandes em etapas para não repetir contexto caro.
Acompanhe a cota de 5h e evite iniciar um Goal longo perto do fim da janela.

Exercícios M4

Ex.4.1 Compare Lite × Pro para o seu uso diário estimado (prompts/semana). Qual sobra?
Ex.4.2 Use a calculadora: quanto custaria, na API, uma tarefa de 200K in / 10K out no 5.2? No 4.7?
Ex.4.3 Converta o pico 14–18h UTC+8 para o seu fuso e anote a janela de pico.

Conheço Lite/Pro/Max (preço, créditos, prioridade)
Entendo multiplicadores, off-peak e cache
Sei quando usar Coding Plan vs API
Aplico o playbook de economia
Fiz os exercícios 4.1 a 4.3

ZCode na prática

~1h · hands-on

O ZCode é um ADE: o agente fica no centro. Em vez de dar "prompts" avulsos, você define um Goal — um objetivo de longo prazo que o agente planeja, executa, verifica e itera até concluir.

O loop de um Goal (animado)

Fig. M5-1 — Goal mode: o agente quebra o objetivo em plano, executa (edita arquivos, roda terminal), verifica e itera. Goals podem rodar em paralelo, cada um em sua própria trilha.

Setup em 6 passos

Baixe o ZCode em zcode.z.ai (macOS, Windows, Linux beta). Gratuito.
Login na Z.ai: gere uma API key em z.ai/manage-apikey ou assine o GLM Coding Plan.
Configure os Model Providers (Settings → Model Providers → Z.ai Open Platform): insira a key. Se usar o Coding Plan, os endpoints são:
```
OpenAI Base URL:  https://api.z.ai/api/coding/paas/v4
Anthropic Base URL: https://api.z.ai/api/anthropic
```
Abra um workspace: pasta local, host remoto via SSH ou container Docker.

Crie seu primeiro Goal com /goal — ex.:

/goal Corrija o bug de deadlock no módulo de filas, adicione
testes de concorrência e atualize o CHANGELOG. Rode a suíte
antes de concluir.

Opcional — estenda: conecte o Bot Control (Telegram/WeChat/Feishu) para iniciar e acompanhar do celular; instale plugins (Skills, Comandos, Subagents, MCP); ou use BYOK com outros provedores (Claude, DeepSeek, OpenRouter).

Recursos que valem a pena conhecer

Recurso	O que faz	Quando usar
Goals (/goal)	Objetivo de longo prazo com plano/execução/verificação, em trilhas de tarefa	Tudo que é mais que um snippet
Multi-agente (v3+)	Subagentes com permissões de leitura/escrita próprias	Um planeja, outro edita, outro testa
Plugins (v3.2.2)	Skills + Comandos + Subagents + MCP num pacote	Padronizar fluxos da equipe
MCP	Integrações externas (web search, leitor, etc.)	Dados além do repo (cotas no plano)
SSH / Docker	Agente roda no ambiente remoto/container	Dev em servidor ou CI
Browser embutido	Navegador com seletor de elementos; agente dirige	Validar front-end, pegar contexto visual
BYOK	Provedores Anthropic/OpenAI protocol	Usar outro modelo com o mesmo harness

BYOK — "traga a sua própria chave" (explicado sem rodeios)

BYOK (Bring Your Own Key) é uma sigla do mundo de IA que significa: em vez de usar a chave de API da própria Z.ai, você conecta a chave de um outro provedor — como Anthropic (Claude), OpenAI, DeepSeek ou OpenRouter — e o ZCode passa a usar aquele modelo no lugar do GLM.

Por que isso existe? Nenhum modelo é o melhor em tudo. O GLM é ótimo em código e contexto longo; o Claude pode ser melhor em raciocínio profundo; o DeepSeek é barato. Com BYOK, você mantém o mesmo harness (Goals, ferramentas, terminal, GUI) e troca só o "cérebro" — sem abrir outra ferramenta.

Como funciona na prática: o ZCode fala os protocolos Anthropic e OpenAI, que são padrões de mercado. Qualquer provedor que fale um desses protocolos entra: você cadastra a chave nos Model Providers e escolhe o modelo no seletor. O próprio site da Z.ai lista Claude, OpenAI, DeepSeek, OpenRouter, Moonshot, MiniMax e outros.

A pegadinha que ninguém te conta: BYOK troca o modelo, mas NÃO troca a infraestrutura. Seu código, o terminal e o histórico continuam passando pelos servidores de orquestração da Z.ai (em Beijing). Para trabalho sensível, BYOK não resolve — a saída é outro harness, self-host ou provedor de hospedagem de terceiros. Detalhe no M7.

Quando usar BYOK: você já paga uma assinatura/chave de outro provedor e quer concentrar tudo no ZCode; ou precisa de um modelo específico para uma tarefa sem mudar de ferramenta. Lembre: quem usa o GLM Coding Plan nativo não precisa de BYOK — o GLM já vem configurado.

Lançamento ainda verde (v1): usuários iniciais relataram precisar de ~3 retries por tarefa e consumo de cota maior que o esperado. Acompanhe versões; para trabalho crítico, prefira os caminhos maduros (OpenCode/Claude Code) até o ZCode estabilizar.

Exercícios M5

Ex.5.1 Instale o ZCode, configure a key e rode um Goal trivial ("explique este repo") — só para validar o fluxo.
Ex.5.2 Escreva um Goal bem especificado (com critérios de aceite e "rode os testes").
Ex.5.3 Conecte o Telegram (Bot Control) e dispare um Goal de fora da máquina — em um projeto de teste/sandbox.

Instalei e configurei o ZCode (key ou Coding Plan)
Entendo Goals, multi-agente, plugins, MCP e SSH/Docker
Sei os endpoints do Coding Plan no ZCode
Fiz os exercícios 5.1 a 5.3 (com sandbox no Bot Control)

Outros harnesses: OpenCode, Claude Code, zclaw, OpenClaw

~45 min · o resto do ecossistema

O ZCode não é a única porta de entrada para o GLM. O Coding Plan fala com 20+ ferramentas. Saber qual harness usar em cada situação muda o resultado tanto quanto o modelo.

Comparativo rápido

Harness	Forma	Pontos fortes	Quando usar
ZCode	App desktop (ADE)	Goals, multi-agente, Bot Control, GUI	Trabalho interativo no desktop com o ecossistema Z.ai
OpenCode	CLI / terminal + IDE	Open source, leve, multi-provedor, GitHub Actions, share	Dev que vive no terminal; automação via GitHub
Claude Code	CLI (Anthropic)	Maduro, ecossistema gigante, benchmarks da Z.ai usam ele	Quem já usa e quer GLM via endpoint Anthropic-compatível
Cline / Roo / Kilo	VS Code	GUI no editor, approval por ferramenta	Quem prefere trabalhar dentro do VS Code
zclaw	CLI/SDK headless (Node/TS)	One-shot, headless, Docker-native, multi-provider, server mode	Automação: CI, scripts, tarefas sem tela
OpenClaw / Clawdbot	Gateway self-hosted 24/7	Aciona do celular (Telegram etc.), dirige CLIs de coding	Assistente sempre-ligado no VPS/Mac Mini

OpenCode + GLM (passo a passo)

Instale: curl -fsSL https://opencode.ai/install | bash ou npm install -g opencode-ai.
Login: opencode auth login → escolha Z.AI (API) ou Z.AI Coding Plan (assinatura) → cole a key.
Rode opencode e selecione o modelo com /models (ex.: GLM-4.7, GLM-5.x).
Integre ao VS Code/Cursor (atalho Ctrl+Esc) e, se quiser, ao GitHub com opencode github install.

Dica: o OpenCode lê AGENTS.md (ou CLAUDE.md) como instruções de projeto — mesma regra vale no ZCode. Documente contexto/regras nesses arquivos para o agente acertar mais.

Claude Code + GLM

Configure a API da Z.ai como provedor Anthropic-compatível (endpoint https://api.z.ai/api/anthropic) — é exatamente o caminho que a própria Z.ai usa nos seus benchmarks. Ideal para quem quer manter o fluxo do Claude Code com modelo GLM.

zclaw (CLI headless) e OpenClaw (gateway 24/7)

zclaw é um framework de agente headless (CLI + SDK + servidor, Node/TS, MIT): roda one-shot (zclaw "…" --no-interactive), suporta múltiplos provedores (OpenAI, Anthropic, GLM), skills, modo Docker e server mode com API. Use para automação — CI, tarefas agendadas, sem interface.

OpenClaw / Clawdbot é um gateway self-hosted que liga seus apps de chat (Telegram, Slack, Discord…) aos agentes de coding (Claude Code, Codex, Gemini CLI) e aos modelos GLM via Coding Plan. Roda 24/7 num VPS; configuração em ~/.openclaw/config.json. Use para "assistente sempre-ligado" que você aciona do celular.

Cuidado (vale para ZCode Bot Control e OpenClaw): um agente com acesso a terminal e git respondendo a mensagens de chat é superfície de prompt injection. Rode em sandbox, com permissões mínimas e nunca com credenciais de produção expostas.

Exercícios M6

Ex.6.1 Configure o OpenCode com Z.AI Coding Plan e rode uma tarefa simples (ex.: "resuma este repo em README").
Ex.6.2 Compare o mesmo prompt no ZCode e no OpenCode: qual foi mais rápido/barato/assertivo?
Ex.6.3 Desenhe o seu fluxo ideal: quais tarefas ficam no ZCode, quais no OpenCode, quais num agente headless (zclaw) e quais no OpenClaw 24/7?

Configurei OpenCode + Z.AI (API ou Coding Plan)
Entendo a diferença ZCode vs OpenCode vs Claude Code vs Cline
Sei o que é zclaw (headless) e OpenClaw/Clawdbot (gateway 24/7)
Tenho um fluxo definido de qual harness usar em cada tarefa
Fiz os exercícios 6.1 a 6.3

Segurança & armadilhas

~30 min · o que ninguém te conta

Vale pela eficiência — mas com os olhos abertos. Três tópicos: dados e jurisdição, segurança operacional e armadilhas de uso.

1. Onde seus dados vão

Orquestração do ZCode roda em servidores em Beijing. A Lei de Inteligência Nacional da China (Art. 7, 2017) exige que organizações chinesas apoiem pedidos de inteligência do governo. BYOK não resolve isso — trocar o modelo não muda a infra de orquestração. O GLM-5.2 também é oferecido por hospedagens de terceiros (Together AI, Fireworks) e por OpenRouter.

Decisão prática: para código aberto ou trabalho pessoal não-sensível, o risco é baixo e o custo-benefício é ótimo. Para código proprietário, indústrias reguladas ou governo, avalie self-host (GLM-5.2 aberto, mas exige ~750GB de VRAM — 8×H200) ou provedores terceiros — e não use o ZCode com código sensível.

2. Segurança operacional

Bot Control / OpenClaw: agente + chat = risco de prompt injection. Sandbox, permissões mínimas, sem credenciais de produção.
Git: prefira worktrees/branches separados por agente para evitar contaminação; revise sempre antes de merge.
Segredos: nunca deixe chaves no repo (o Coding Plan não é para produção; use o API para workloads reais).
Capacidade "ciber" do 5.3: ótimo para defender (auditoria), e o mesmo poder exige cuidado ético/legal no uso.

3. Armadilhas de uso (para não se frustrar)

Armadilha	Como evitar
Lançar 5.3 para tudo → cota acaba em horas (out 24x)	Matriz do M3: rotineiro vai para Turbo/4.7
1 prompt = 15–20 chamadas internas; Goals longos queimam "prompts" rápido	Quebre em etapas; monitore a janela de 5h
ZCode v1: retries (~3x/tarefa) e consumo maior que o esperado	Para crítico, use OpenCode/Claude Code até estabilizar
Trabalhar no horário de pico (03–07h no Brasil) pagando 2x	Pesado fora de pico (50%)
Ignorar cache (input em cache 1,7x vs 6,9x)	Reutilize contexto/sessão; referencie arquivos com @
Confiar em benchmarks "a casa" como verdade absoluta	Números da Z.ai/OpenLM são referência; valide no seu repo

Checklist final do curso

Entendo os riscos de dados/jurisdição e decidi o que posso mandar pra Z.ai
Sei usar sandbox + worktree + sem segredos em agentes remotos
Conheço as armadilhas de cota, pico e cache e as evito
Tenho um fluxo modelo×harness×horário definido e documentado

📚

Fontes e links

Documentação oficial (priorize)

ZCode: zcode.z.ai · docs/welcome · configuration · ADE tools
GLM-5.3: docs.z.ai/glm-5.3 · blog do lançamento
GLM-5.2: docs.z.ai/glm-5.2 · pesos em huggingface.co/zai-org · github zai-org/GLM-5
Coding Plan: z.ai/subscribe · docs devpack (Coding Plan)
API: z.ai/model-api · pricing
OpenCode na Z.ai: docs.z.ai/devpack/tool/opencode · docs.z.ai/devpack/tool/zcode
OpenCode (o CLI): opencode.ai/docs · github sst/opencode
OpenClaw: docs.openclaw.ai · github/openclaw
zclaw (headless CLI/SDK): github.com/hashangit/zclaw

Análises e leituras (independentes)

VentureBeat — "Z.ai launches ZCode to challenge Cursor, Claude Code and GitHub Copilot" (02/07/2026)
AI Bacon — "Z.ai Shipped ZCode, an Official Harness for GLM-5.2 You Can Drive From Telegram" (02/07/2026)
eesel AI — "ZCode review: is Z.ai's GLM-5.2 harness worth it?" (09/07/2026)
Flowtivity — "ZCode: The Coding Agent Harness" (12/07/2026)
Byteiota — "ZCode Is Not an IDE — Z.ai's ADE Changes Coding" (14/07/2026)
OpenLM — "GLM-5.3" (benchmarks comparativos, 21/08/2026)
Atoms.dev — "GLM-5.3 Complete Guide: Benchmarks, API, Coding, Open Weights" (15/08/2026)
Emergent — "GLM-5.3 Pricing: What It Costs to Use Z.ai's New Coding Model" (14/08/2026)
AI Pricing Guru — "GLM Coding Plan Pricing" (atualizado 22/08/2026)
arXiv — "GLM-5: from Vibe Coding to Agentic Engineering" (papel da Z.ai)

Vídeos (busca sugerida)

⚠️ Preços, cotas, benchmarks e recursos mudam rápido (este curso reflete ago/2026). Sempre confira os links oficiais antes de assinar.