Criei o Smol Coder, o melhor Claude Code gratuito

Autoria: Leon van Zyl · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: I Built Smol Coder, the Best Free Claude Code · Canal: Leon van Zyl · 14:26 · Assistir no YouTube

Tópicos: Agentes de IA, Claude Code, Engenharia de software com IA, Modelos locais e open source, Open source e ecossistemas de software

Resumo

Leon van Zyl apresenta o Smol Coder, uma ferramenta open source gratuita otimizada para modelos locais de código. O vídeo mostra como instalar a ferramenta, baixar um modelo com Ollama e usá-lo pela interface de terminal ou pela interface web. O apresentador demonstra a criação de um jogo da velha e explica como um plano claro pode ajudar modelos menores a desenvolver projetos mais complexos. Por fim, ele mostra como iterar sobre o resultado usando capturas de tela para corrigir problemas.

Pontos-chave

O Smol Coder foi desenvolvido para funcionar com modelos locais gratuitos e detecta modelos configurados no Ollama ou no LM Studio.
A ferramenta pode ser usada pelo terminal ou por uma interface web com gerenciamento de projetos e sessões.
O usuário pode escolher o modelo, ajustar o esforço de raciocínio e alternar entre modos de permissão.
Um plano de tarefas ajuda o agent a manter o rumo quando a conversa passa por compactação.
O apresentador recomenda usar um modelo mais capaz para criar uma especificação clara e deixar um modelo menor implementar o projeto.
O exemplo de jogo da velha mostra como iniciar um servidor de desenvolvimento e visualizar o resultado no navegador integrado.
Modelos pequenos podem precisar de instruções adicionais e capturas de tela para identificar e corrigir bugs.
O vídeo destaca a execução contínua de uma tarefa longa sem precisar reiniciar ou solicitar que o agent continue.

Capítulos

Início	Capítulo	Resumo
00:00	O Smol Coder e a proposta de modelos locais	O apresentador explica por que criou o Smol Coder e como ele busca tornar mais simples o uso de modelos locais em tarefas de programação.
04:06	Instalação e uso pelo terminal e pela interface web	O vídeo demonstra como selecionar modelos, ajustar esforço e permissões e acompanhar o uso da context window.
08:13	Criando um jogo da velha	O apresentador usa um plano de tarefas e o navegador integrado para criar e testar um jogo simples.
10:17	Projetos complexos e correção iterativa	O vídeo recomenda preparar uma especificação clara com um modelo mais capaz e mostra como orientar o modelo local para corrigir bugs com capturas de tela.

Citações

É open source, totalmente gratuito e altamente otimizado para modelos locais gratuitos que rodam no seu próprio hardware. — 01:33

Esse plano realmente mantém o agent no rumo. — 08:43

O plano inicial e o conjunto inicial de requisitos precisam ser extremamente claros. — 10:48

Isso rodou por 20 minutos. Não precisei pedir que continuasse nem reiniciar. — 12:22

Conceitos e entidades

Smol Coder (ferramenta): Ferramenta open source gratuita apresentada no vídeo para usar modelos locais em tarefas de programação.
Ollama (ferramenta): Aplicativo usado no tutorial para baixar e executar um modelo local.
LM Studio (ferramenta): Aplicativo compatível com modelos locais que o Smol Coder pode detectar.
Qwen3.8 (modelo): Modelo open-weight citado como opção para tarefas de programação e como compatível com visão e tool calling.
Claude Code (ferramenta): Harness de programação usado como referência ao discutir o consumo de context window por ferramentas existentes.
Oracle Agent Studio for Fusion Applications (ferramenta): Produto patrocinador apresentado como ambiente para criar agents dentro do Oracle Fusion.
ChatGPT (ferramenta): Ferramenta mencionada como opção para gerar a especificação inicial de um projeto complexo.
Three.js (ferramenta): Biblioteca sugerida na especificação do exemplo para criar um jogo 3D executado no navegador.

Tradução completa (pt-BR)

00:00 Acabei de criar o melhor agent de programação para modelos locais gratuitos. Tenho certeza de que a maioria de vocês está cansada de ver agents criarem clones de Minecraft, mas isto é diferente. Este jogo, junto com todos os animais e a inteligência artificial deles, tudo o que vocês estão vendo aqui foi criado por um modelo local gratuito rodando na minha própria máquina, e vocês também podem fazer isso. Isso significa que não precisam pagar custos de API, sua máquina pode ficar offline e tudo roda com segurança, localmente, no seu próprio hardware. Já criei muitos vídeos no meu canal

00:30 mostrando como usar modelos locais gratuitos em agents de programação como Claude, Pi Agent SDK, DeepSeek Harness, OpenCode e muitos, muitos outros. Por melhores que sejam esses harnesses de programação, eles têm um enorme problema: não são otimizados para modelos locais gratuitos. Modelos de pesos abertos como Qwen 3.8 têm context windows muito pequenas. Elas só chegam a 256.000 tokens se o seu hardware permitir. O problema de rodar esses modelos em algo como Claude Code é que Claude já ocupa 34.000

01:02 tokens antes mesmo de você fazer qualquer coisa. E, se o tamanho total da sua context window for de apenas 128.000 tokens, isso se torna um problema enorme. Para carregar esses modelos em qualquer um desses harnesses, é preciso fazer muita configuração técnica. Eu só queria uma solução em que pudesse iniciar uma nova sessão, clicar no modelo e ele detectasse automaticamente todos os modelos que configurei na minha máquina, seja usando Ollama ou LM Studio. Sem configuração, sem preparação: simplesmente funciona.

01:33 Foi por isso que criei Smol Coder. É open source, totalmente gratuito e altamente otimizado para modelos locais gratuitos que rodam no seu próprio hardware. Otimizei praticamente tudo para modelos locais: o system prompt inserido no início da conversa, as ferramentas disponíveis para o agent, a forma como funciona a compactação, e introduzimos uma lista de tarefas especial que mantém o agent no rumo depois que ocorre a compactação. Se quiser saber mais, vou deixar o link para o repo do GitHub na descrição. E, já que você está

02:03 lá, seja gentil e clique no botão de estrela. Neste vídeo, vamos ver como configurar Smol Coder e também baixar nosso primeiro modelo de pesos abertos e rodá-lo na nossa própria máquina. E, por fim, vou dar uma dica muito legal para criar projetos complexos como este clone de Minecraft. Além disso, se você acha esse tipo de vídeo útil, clique no botão de curtir e se inscreva no meu canal para ver mais tutoriais de programação com agents. Certo, para começar, abra o prompt de comando ou o terminal, o que preferir. O PowerShell também serve perfeitamente. Então, para instalar Smol Coder,

02:34 vamos executar este comando: npm install -g smolcoder. Também gosto de adicionar @latest para garantir que sempre instalemos a versão mais recente. Pronto. Agora podemos começar a usar Smol Coder. Foi realmente fácil assim. Antes de iniciar Smol Coder, precisamos baixar um modelo local para a nossa máquina. Para isso, temos basicamente duas opções: podemos usar Ollama, que é muito popular, ou LM Studio. Neste tutorial, vou usar Ollama. E, se

03:04 quiser acompanhar, acesse ollama.com, clique em Download, selecione seu sistema operacional e baixe e instale Ollama. Depois de instalar Ollama, podemos explorar os vários modelos disponíveis. Há muitos modelos. A escolha dependerá do seu hardware. Acho que Qwen 3.8 é o melhor modelo gratuito para tarefas de programação. O modelo em si tem cerca de 18 GB e precisa de aproximadamente 16 GB de VRAM ou memória unificada, se você estiver usando um Mac. Para baixar o modelo, basta copiar este

03:35 comando. Depois, de volta ao prompt de comando ou terminal, podemos executar o comando Ollama pull, seguido do nome do modelo. Em seguida, podemos verificar se o modelo funciona executando Ollama run e digitando novamente o nome do modelo. Na primeira vez que executar isso, vai demorar um pouco enquanto o modelo é carregado na memória. Depois, podemos enviar uma mensagem como “Oi” e receber a resposta. Assim, podemos ver o esforço de raciocínio e também a resposta do agent. Podemos usar Smol Coder de uma de

04:06 duas maneiras: no terminal ou na interface web. Se quiser executá-lo no terminal, recomendo abrir Smol Coder em uma pasta de projeto específica. Por exemplo, vou criar uma nova pasta na minha máquina e abrir o terminal nessa pasta. Então, podemos executar o comando smol. Isso abrirá Smol em uma interface de terminal. A partir daqui, podemos selecionar o modelo executando barra models. Quando pressionarmos Enter, ele detectará automaticamente os

04:36 modelos em execução no LM Studio e no Ollama. Deve detectar os modelos independentemente de estarem rodando em um contêiner Docker ou diretamente na sua máquina. Agora, podemos simplesmente selecionar o modelo que queremos usar. Também podemos alterar os níveis de esforço executando o comando barra effort. Vou selecionar esforço alto. E, claro, se enviarmos uma mensagem, veremos a resposta aparecer imediatamente. Também podemos alterar o modo de permissões mantendo Shift pressionado e apertando Tab. Assim, podemos alternar entre edição, ignorar permissões e

05:07 modo somente leitura. No modo somente leitura, o agent não pode fazer alterações. Só pode ler os arquivos da pasta do projeto. No modo de edição, pode editar os arquivos, mas não pode executar comandos sem pedir sua permissão. No modo de ignorar permissões, o agent poderá alterar arquivos e executar comandos. Também podemos sair deste projeto executando o comando exit. Sei que muitos de vocês não querem usar a interface do terminal e preferem a versão web. Para iniciar a versão web, basta executar o comando smol –web.

05:38 Isso vai mostrar este URL exclusivo. O legal é que você pode ver todos os seus projetos diferentes na barra lateral esquerda. Se já usou Claude Code, Claude Desktop ou o aplicativo ChatGPT, é bem parecido. Assim, você pode ver todos os seus projetos e sessões por aqui. Vamos começar abrindo uma nova pasta. Vou selecionar a pasta smol demo e ativar a opção para iniciar uma sessão. Legal. Podemos ver nosso novo projeto aqui e nossa nova sessão. Assim como na interface do terminal, também podemos alterar o modo de permissões. Vou deixá-lo no modo de edição. Nós

06:09 também podemos mudar o modelo, que detectará automaticamente os modelos locais na sua máquina. Também podemos alterar o esforço de raciocínio. Vou deixá-lo no nível alto. Aqui, também podemos ver a context window neste momento. Estou usando cerca de 1% da context window, e podemos ver que o tamanho dela é de 131.000 tokens, não os 256.000 completos. Isso acontece porque Ollama verifica automaticamente o uso de VRAM na minha máquina e aloca dinamicamente a context window que

06:40 está disponível para este agent. Lembre-se também de que estou usando meu software de gravação neste momento, que também está ocupando bastante VRAM. Então, vamos dizer “Oi” e veremos a saída do raciocínio aqui, assim como a resposta do nosso agent. Vamos criar nosso primeiro projeto. Vamos começar com algo simples e, depois, vou mostrar um projeto mais complexo e como obter os melhores resultados desses modelos pequenos. Mas, primeiro, uma mensagem rápida do nosso patrocinador, Oracle. Se você já criou um agent de IA que funciona muito bem em uma demonstração, sabe o que acontece depois. No momento em que uma empresa precisa usá-lo de verdade, tudo fica difícil. Quem pode acessar o quê, quem aprova as alterações, quem acompanha tudo. E, geralmente, é aí que esses projetos emperram. Oracle Agent Studio para Fusion Applications, de forma inteligente. Seus agents rodam dentro do próprio Oracle Fusion. Assim, seu agent conta automaticamente com todas as regras de segurança e o monitoramento em que as empresas já confiam. E aqui está a parte de que eu gosto: você desenvolve com as ferramentas que já usa

07:10 todos os dias. Podem ser VS Code, Cursor, o terminal, Git e agents de programação como Codex e Claude Code. Também há um repo público no GitHub cheio de templates e aplicativos de exemplo. Assim, você nunca precisa começar do zero. Basta acessar GitHub.com/Oracle/Fusion-AI-Studio. Se você já é cliente Fusion, AI Agent Studio está incluído sem custo adicional. E o repo do GitHub está aberto para todos. Acesse Oracle.com/

07:41 todos os dias. Isso pode ser o VS Code, o Cursor, o terminal, o Git e agentes de programação como Codex e Claude Code. Também há um repo público no GitHub, repleto de templates e apps de exemplo. Assim, você nunca começa do zero. Basta acessar GitHub.com/oracle/fusion-ai-studio. Se você já é cliente da Fusion, o AI Agent Studio está incluído sem custo adicional. E o repo do GitHub está aberto a todos. Acesse Oracle.com/

08:13 applications/Fusion AI para conferir. O link está na descrição. Mais uma vez, obrigado à Oracle por patrocinar este vídeo. Para nosso primeiro projeto, vamos fazer algo leve e simples. Vou dar uma instrução simples, como criar um jogo multiplayer da velha que rode no navegador. Alguns desses modelos também têm suporte a visão. Então, se você quiser anexar imagens como referência, também pode fazer isso. Basta clicar neste botão de anexo ou colar algo da área de transferência. Vou enviar isso. Agora, este é um dos

08:43 recursos principais do Smol. Você vê este plano aqui. Ele é um pouco diferente do plano que você veria em algo como o Claude Code. Este plano realmente mantém o agent no rumo. Então, se for preciso fazer uma compactação — e, como a context window deste modelo é tão pequena, isso vai acontecer com frequência —, o agent vai revisar este plano para descobrir o que foi criado e o que precisa fazer em seguida. E, à medida que conclui todas essas tarefas, ele vai marcando cada uma delas no plano. E isso foi muito, muito rápido. E então o jogo

09:15 foi criado. Mas como podemos ver o jogo agora? Bem, poderíamos simplesmente abrir a pasta e executar o arquivo daqui, ou pedir ao agent para iniciar um servidor de desenvolvimento. O Smol inclui um navegador integrado. Então, se quisermos, podemos ver o jogo neste pequeno navegador sem sair desta tela. Podemos simplesmente dizer: “Inicie o servidor de desenvolvimento, por favor”. Como estamos no modo de edição, ele vai pedir nossa permissão para executar este comando. E pronto. O jogo está rodando neste URL,

09:45 que posso simplesmente colar no navegador integrado. E esta porta ainda está executando aquele clone de Minecraft de antes. Então, vou avisar que essa porta já está em uso. Agora o agent está executando nosso jogo em outra porta. E lá vamos nós. Podemos ver o jogo aqui. E, se clicarmos neste botão, o site será aberto em seu próprio navegador. Pronto. Agora temos um jogo da velha totalmente funcional. E ele foi criado rapidinho. Isso é otimizado pra caramba. Certo,

10:17 para o próximo jogo, vou simplesmente apagar todos os arquivos desta pasta. Vou iniciar uma nova sessão. E vou mostrar como criar jogos e projetos complexos como este jogo de Minecraft. A regra geral é que esses modelos pequenos podem ser bons para implementar mudanças. Mas o plano inicial e o conjunto inicial de requisitos precisam ser extremamente claros. Temos que ser honestos com nós mesmos: esses agents pequenos nunca vão estar no nível dos modelos principais, como o ChatGPT ou os modelos Claude. Então, o que

10:48 recomendo é usar um modelo mais inteligente para criar o plano inicial. Depois, podemos passar esse plano para nosso modelo pequeno implementar. E sim, isso também pode ser totalmente gratuito. Na verdade, nem sequer estou conectado ao ChatGPT. O que podemos fazer é o seguinte: ele pode me fornecer uma especificação para eu pedir a um modelo menor, gratuito e open source que crie um clone de Minecraft. Podemos manter tudo simples, com apenas alguns biomas. Mas vamos dar instruções suficientes para criar um jogo usando HTML, CSS e JavaScript, que possa rodar no navegador. Você pode usar coisas como Three.js; as

11:20 texturas, o skybox e o sol devem parecer realistas. Também deve haver alguns animais. E os animais devem ter uma IA bem básica. Também deve haver um sistema de criação de itens bem simples. Esses modelos têm context windows limitadas. Então, tome muito cuidado com a forma como você escreve. Não deixe o texto longo demais. Vamos enviar. Depois, podemos pegar a especificação gerada pelo ChatGPT e simplesmente colá-la no Smol. Esta é a especificação completa. Podemos enviá-la. E vemos que este agent está pensando bastante. Podemos expandir esta

11:52 linha de pensamento. Assim, podemos ver todo o raciocínio neste momento. Também podemos recolhê-la facilmente se não quisermos vê-la. E, claro, nosso plano está aparecendo, e podemos ver exatamente no que o agent está trabalhando. Desculpem se a webcam está travando. Isso está usando muita VRAM da minha máquina neste momento. Vou deixar o agent concluir e depois veremos o resultado final. E pronto. Levou cerca de 20 minutos. E, se você já usou esses modelos locais e outros harnesses, sabe que eles

12:22 costumam travar, e você meio que precisa reativá-los e pedir que continuem. Com o Smol Coder, não. O Smol Coder garante que este agent continue trabalhando até terminar. Ele rodou por 20 minutos, sem interrupções. Não precisei mandar uma mensagem para ele nem reiniciá-lo. Então, pedi ao agent para executar o jogo na porta 1234. Vamos copiar este URL. Vamos abrir um navegador. E este é o Voxel Mini. O que estou vendo — na verdade, deixe-me abrir em tela cheia — é que algumas dessas texturas estão

12:53 com problemas. Se olharmos para o mundo, veremos que algumas texturas estão faltando. Então, podemos tirar uma captura de tela. Vou fazer uma captura de tela deste erro. Vou fazer assim. Certo. Depois, de volta ao Smol, podemos simplesmente colar essa captura de tela ou anexá-la. E podemos dizer: “Ei, parece que há texturas faltando”. Certo. Vamos enviar. A propósito, o modelo precisa ter suporte a visão. Então,

13:25 o Qwen 3.8 tem suporte a visão, tool calling e raciocínio. Seja qual for o modelo que você estiver usando, confira se ele também tem as tags de ferramentas e visão. Vamos ver. A propósito, isso é normal com esses modelos pequenos. Você meio que precisa dar um empurrãozinho neles. Então, você tira capturas de tela e avisa que algo está quebrado. Mas, eventualmente, você chega lá. E é uma ótima maneira de aprender a criar prompts eficazes para agents. Certo. Depois de atualizar o jogo, vamos ver se esse erro foi corrigido. E sim, foi.

13:55 Olha só. Agora conseguimos ver as texturas. E isso é legal. Temos nosso joguinho. Parece que tudo está funcionando. Temos animais. E é isso. Podemos continuar enviando novos prompts e iterando. Podemos até pedir ao ChatGPT ou ao Claude que elabore um plano mais detalhado para nós, usando os modos gratuitos deles. Então, me digam o que acharam. Experimentem o Smol Coder. Contem nos comentários o que acham desse tipo de harness. E, mais uma vez, cliquem no botão de curtir

14:26 e se inscrevam no meu canal se quiserem ver mais tutoriais de programação com agents. Vejo vocês no próximo vídeo. Tchau, tchau.

Transcrição original

[00:00] I just created the best coding agent for free local models. I’m sure most of you are tired of watching agents build Minecraft clones, but this is different. This game, along with all of the animals and their artificial intelligence, everything that you see here was built by a free local model running on my own machine, and you can do this too. This means you don’t have to pay for API costs, your machine can be offline, and everything is running securely and locally on your own hardware. I’ve created tons of videos on my channel

[00:30] showing how you can use free local models in coding agents like Claude, the Pi Agent SDK, DeepSeek Harness, OpenCode, and a lot, lot more. Now, as good as these coding harnesses are, they’ve got one massive problem. They’re not optimized for free local models. Open-weight models like Qwen 3.8 have very small context windows. This only goes up to 256,000 tokens if your hardware allows for that. The problem with running those models in something like Claude Code is Claude already takes up 34,000

[01:02] tokens before you’ve done anything. And if your entire context window size is only like 128,000 tokens, this becomes a massive issue. If you want to load these models into any of these harnesses, it involves a lot of technical setup. I simply wanted a solution where I can start a new session, click on the model, it should automatically detect all of the models I have set up on my machine whether I’m using Ollama or LM Studio. No configuration, no setup, it just works.

[01:33] So that is why I created Smol Coder. It’s open source, it’s totally free to use, and it’s highly optimized for free local models that run on your own hardware. I’ve pretty much optimized everything for local models from the system prompt that gets injected at the start of the conversation, the tools that are available to the agent, the way compaction works, and we’ve introduced a special to-do list that keeps the agent on track after compaction happens. If you would like to find out more, I’ll link to the GitHub repository in the description. And while you’re

[02:03] there, be kind and hit the star button. In this video, we’ll go over setting up Smol Coder, we’ll also download our very first open-weight model and run it on our own machine. And finally, I’ll give you a really cool tip for building complex projects like this Minecraft clone. Also, if you find these kinds of videos useful, hit the like button and subscribe to my channel for more agentic coding tutorials. Alright, to get started, just open up the command prompt or terminal, whatever you want to use. PowerShell is perfectly fine as well. Then to install Smol Coder,

[02:34] we’ll just run this command npm install -g smolcoder. I also like to just tag @latest to ensure that we always install the latest version. And done. We can now start using Smol Coder, it was really that easy. Before we start Smol Coder, we do have to download a local model onto our machine. For this, we basically have two options. We can use Ollama, which is incredibly popular or LM Studio. For this tutorial, I’ll go with Ollama. And if

[03:04] you want to follow along, go to ollama.com, then click on download, select your operating system, and then download and install Ollama. Once you’ve installed Ollama, we can browse all the different models and there are tons of models available. The choice of model will depend on your hardware. I think Qwen 3.8 is the best free model for coding tasks. Now the model itself is about 18 gig, starts about 16 gig of VRAM or unified memory if you are using Mac. To download the model, we can simply copy this

[03:35] command, then back in our command prompt or terminal, we can run the command Ollama pull, followed by the model name. We can then check if the model works by running Ollama run, then we can just enter that model name again. The first time you run this, it will take a while as the model loads into memory. Afterwards, we can send it a message like, “Hey,” and we get the response back so we can see the reasoning effort as well as the agent’s response. We can use Smol Coder in one of

[04:06] two ways. We can run it in the terminal or in the web-based view. If you want to run it in the terminal, I do recommend opening up Smol Coder in a very specific project folder. For example, create a new folder on my machine and I’ll just open the terminal in that specific folder. Then we can run the command smol. This will open up Smol in a terminal UI. From here, we can select the model by running front slash models. When we press enter, this will automatically detect the

[04:36] models running on LM Studio and Ollama. This should detect the models irrespective of whether they’re running in a Docker container or just running on your machine. Now we can just select the model that we would like to use. We can also change the effort levels by running the command front slash effort and I’ll just select high effort. And of course, if we send a message, we can see the response streaming in immediately. We can also change the permissions mode by holding shift and pressing tab. So we can go from edit to bypass permissions to

[05:07] read-only mode. In read-only mode, the agent can’t make any changes. It can only read the files in the project folder. In edit mode, it can edit the files, but it can’t run commands without asking your permission to do so. In bypass permissions mode, the agent will be able to change files and run commands. We can also exit out of this project by running the exit command. Now I know a lot of you don’t want to use the terminal view and you prefer the web-based version. In order to start the web-based version, just run the command smol dash dash web.

[05:38] This will give you this unique URL. What’s cool about this is you can see all your different projects on the left sidebar. So if you’ve ever used Claude Code or Claude Desktop or the ChatGPT app, it’s very similar. So you can view all your different projects and sessions over here. Let’s start by opening a new folder. So I’ll just select that smol demo folder and I’ll enable start a session. Cool. We can see our new project over here and our new session. As with the terminal view, we can also change our permissions mode. So I’ll just leave it on edit. We

[06:09] can also change the model, which will automatically detect the local models on your machine. We can also change the reasoning effort. I’ll leave it on high from here. We can also see the context window at the moment. I’m using about 1% of the context window and we can see the context window size is a hundred thirty one thousand tokens and not the full 256,000 tokens. That is because Ollama will automatically look at my VRAM usage on my machine and dynamically allocate the context window that

[06:40] is available to this agent. Also keep in mind, I am currently running my recording software, which is also taking up a lot of my VRAM. So let’s just say, Hey, and we can see the reasoning output over here, as well as our agent’s response. Let’s build our very first project. We’ll start with an easy one and then afterwards I’ll show you a more complex project and how you can get the best results out of these tiny models. But first, a quick word from our sponsor Oracle. If you’ve ever built an AI agent that works great in a demo, you

[07:10] know what happens next. The moment a real business needs to use it, everything gets hard. Who can access what, who approves changes, who keeps track of it all. And usually that’s where these projects get stuck. Oracle Agent Studio for Fusion Applications in a smart way. Your agents run inside Oracle Fusion itself. So all the security rules and tracking that companies already trust, your agent gets that for free. And here’s the part I like. You build with the tools you already use

[07:41] every day. That could be VS Code, Cursor, the terminal, Git and coding agents like Codex and Claude Code. There’s also a public GitHub repo full of templates, and sample apps. So you’re never starting from scratch. Simply go to GitHub.com slash Oracle slash Fusion AI Studio. If you’re already a Fusion customer, AI Agent Studio is included at no extra cost. And the GitHub repo is open to everyone. Go to Oracle.com slash

[08:13] applications slash Fusion AI to check it out. The link is in the description. Thanks again to Oracle for sponsoring this video. For our first project, let’s keep it light and simple. I’ll give a simple instruction like create a tic-tac-toe multiplayer game that runs in a browser. Now some of these models do support vision as well. So if you do want to attach images as reference, you can do that as well. Either by clicking on this attachment button or just pasting from your clipboard. I’m just going to send this. Now this is one of the

[08:43] core features of Smol. You see this plan over here. This is slightly different to the plan that you would see in something like Claude Code. This plan actually keeps the agent on track. So if compaction had to happen, and because this model’s context window is so small, compaction will happen often. And the agent will then review this plan to figure out what was built and what it needs to do next. And as it completes all of these tasks, it will actually go and tick off all of these plans. And that was really, really quick. And then the game

[09:15] was built. But how do we now actually view this game? Well, we could just open the folder and run the file from here, or we can get the agent to start a dev server. Smol does include an integrated browser. So if we want, we can just view the game in this little browser without having to leave this view. So we can just say, please start the dev server. Because we’re in edit mode, it is going to ask our permission to run this command. And done, right. So it’s running the game on this URL,

[09:45] which I can simply paste into the integrated browser. And this port is actually still running that Minecraft clone from earlier. So I’m just going to let it know that that port is already in use. And now the agent is running our game on a different port. So and there we go. So we can see the game over here. And if we take this little button, it will open the website in its own little browser. And there we go. Now we’ve got a fully functioning tic-tac-toe game. And this was built in no time. This is so freaking optimized. Alright,

[10:17] so for the next game, I am just going to delete all the files in this folder. I’m going to start a new session. And let me just show you how to build complex games and projects like this Minecraft game. Now the general rule of thumb is that these tiny models might be good at sort of implementing changes. But that initial plan and the initial set of requirements need to be extremely clear. We have to be honest with ourselves that these small agents will never be at the level of the flagship models like ChatGPT or the Claude models. So what

[10:48] I recommend is using a more intelligent model to create that initial plan. And then we can give that plan to our small model to implement. And yes, this can be totally free as well. In fact, I’m not even signed into ChatGPT. And what we can do is this, this can give me a spec that I can create a smaller free open source model to build a Minecraft clone. We can keep it simple, keep it only a few biomes. But give it enough instructions to create a game using HTML, CSS and JavaScript, it should be able to run in the browser. You can use things like Three.js, the

[11:20] textures, the skybox and the sun should look accurate. There should be a few animals as well. And the animals should have some very basic AI. There should also be a very simple crafting system. These models have limited context windows. So just be very careful with your wording. Don’t make it too long. Let’s send this. Then what we can do is take the spec generated by ChatGPT, simply paste it into Smol. So this is the complete spec. And we can go ahead and send this. And we can see this agent is thinking very hard. We can expand this

[11:52] thinking line. So we can actually view all the reasoning at the moment. We can also easily collapse this if we don’t want to see it. And of course, we’ve got our plan showing up and we can see exactly what the agent is working on. Apologies if the webcam is lagging. This is taking up a lot of VRAM on my machine at the moment. So I’ll let the agent complete and then we’ll have a look at the final result. And we’re done. So it took about 20 minutes. And if you’ve ever used these local models and other harnesses, you know that these

[12:22] tend to crash and you kind of have to wake them up and ask them to continue. Not with Smol Coder. Smol Coder will ensure that this agent keeps working until it’s done. So this ran for 20 minutes. It was uninterrupted. I never had to ping it or restart it. So I just asked the agent to run the game on port 1234. So let’s grab this URL. Let’s pull up a browser. And this is Voxel Mini. What I can see, in fact, let me just open this up in full screen mode. What I can see is that some of these textures are messed

[12:53] up. So if we kind of look at the world, we can see that some textures are actually missing. So what we can do, we can actually screenshot this. So I’m just going to grab a screenshot of this bug. I’ll just do this. All right. Then back in Smol, we can actually just paste in that screenshot or attach it. And we can say, hey, it seems like there are textures missing. Right. Let’s send this. So vision needs to be supported by the model, by the way. So

[13:25] Qwen 3.8, it does support vision, tool calling, thinking. So whatever model you’re using, just ensure that it’s got a tools and vision tag as well. And let’s have a look. And by the way, this is normal with these small models. You kind of have to nudge them a bit. So you would take screenshots and just let them know that something is broken. But eventually you’ll get there. And it’s actually a very good way to kind of learn how to prompt agents effectively. Right. So after refreshing this game, let’s just see if this bug is fixed. And yes, it is. So

[13:55] just look at that. Now we can actually see the textures. And this is cool. You know, we’ve got our little game. Everything seems to be working. We’ve got animals. And yeah. So, you know, we can keep reprompting it. We can keep iterating on it. We could even ask, you know, ChatGPT or Claude just to come up with a more detailed plan for us using their free modes. And yes. So let me know what you guys think. You know, definitely try out Smol Coder. Let me know down in the comments what you think about these types of harnesses. And again, hit the like

[14:26] button and subscribe to my channel if you want to see more agentic coding tutorials. And I’ll see you in the next one. Bye bye.