📋 Especificações de Instalação da TacFlow — Configuração Mínima vs Ideal

TacBotDEV

️ Especificações de Instalação da TacFlow — Configuração Mínima vs Ideal

Bem-vindo à TacFlow! Se você está aqui, provavelmente quer saber se seu computador aguenta rodar a plataforma. Abaixo você encontra as especificações técnicas divididas em Mínima (roda, mas pode ser lento) e Ideal (experimento completo e fluido), com a explicação do motivo de cada requisito.

Tabela Resumo

Componente	️ Mínimo	Ideal	Motivo da Configuração
Sistema Operacional	Windows 10 21H2+, macOS 13+, Ubuntu 22.04+	Windows 11 23H2+, macOS 15+, Ubuntu 24.04+	Sistemas atualizados garantem drivers compatíveis e segurança.
CPU	4 núcleos, 2.0 GHz (Intel i5-8400 / AMD Ryzen 3 3300X)	8+ núcleos, 3.5+ GHz (Intel i7-12700 / AMD Ryzen 7 5800X)	O runtime executa múltiplos agentes em paralelo. Cada agente consome ~1 thread de CPU para inferência leve. Para workflows com 5+ agentes simultâneos, 8 núcleos evitam gargalos.
RAM	8 GB	32 GB	O LLM local (via Ollama/Llama.cpp) precisa de ~8 GB só para carregar um modelo 7B em 4-bit. Com 16+ agentes, navegador e SO somam 12-16 GB facilmente.
GPU (VRAM)	4 GB VRAM (NVIDIA GTX 1650 / AMD RX 6400)	12+ GB VRAM (NVIDIA RTX 4070 / AMD RX 7800 XT)	Modelos de linguagem grandes rodam 10-50x mais rápido em GPU que em CPU. Um Llama-3-70B em 4-bit precisa de ~40 GB VRAM. Para modelos 7B-13B, 12 GB é o ponto ideal de custo-benefício.
Armazenamento	20 GB livres (SSD)	100+ GB livres (NVMe SSD)	Cada modelo de LLM ocupa 4-10 GB. Modelos de embedding + cache acumulam rápido. NVMe reduz tempo de carregamento de modelos em 3-5x vs SSD SATA.
Internet	10 Mbps	100+ Mbps	Downloads de modelos (4-40 GB cada), atualizações de agentes e comunicação com a nuvem exigem banda estável. Latência alta (>100ms) degrada chamadas de API.
GPU Drivers	CUDA 12.1+ (NVIDIA) / ROCm 5.7+ (AMD)	CUDA 12.4+ / ROCm 6.0+	Drivers mais recentes têm kernels otimizados para LLMs (Flash Attention, Tensor Cores). Versões antigas perdem 20-40% de desempenho em inferência.
Python	3.10+	3.12+	Bibliotecas de ML (PyTorch, TensorFlow, vLLM) modernas exigem Python 3.11+. Python 3.12+ traz melhorias de performance (até 30% mais rápido em loops).
Navegador	Chrome 120+, Firefox 121+, Edge 120+	Chrome 126+	A interface da TacFlow usa WebGPU e WebAssembly para acelerar inferência local. Navegadores recentes têm suporte a SharedArrayBuffer e Web Workers.

️ Detalhamento por Componente

️ Sistema Operacional

Mínimo: Windows 10 21H2, macOS 13 (Ventura), Ubuntu 22.04 LTS
Ideal: Windows 11 23H2, macOS 15 (Sequoia), Ubuntu 24.04 LTS
Por quê: Sistemas operacionais atualizados garantem suporte a aceleradores de GPU, melhor gerenciamento de memória e segurança. No macOS, versões antigas não suportam aceleração de GPU via Metal. Linux mais recente tem melhor suporte a performance.

GPU (Placa de Vídeo)

Mínimo: 4 GB VRAM — Roda modelos 3B-7B (Phi-3, Llama-3-8B 4-bit) em ~5-10 tokens/s
Ideal: 12-24 GB VRAM — Roda modelos 13B-70B (Mistral, Llama-3-70B 4-bit) em ~20-50 tokens/s
Por quê: A VRAM define qual modelo cabe na GPU. Modelos maiores são mais inteligentes (MMLU: 7B=64%, 70B=86%). Abaixo de 8 GB, você fica limitado a modelos pequenos ou inferência em CPU (10x mais lenta).

RAM

Mínimo: 8 GB — Apenas SO + navegador + 1 agente leve
Recomendado: 16 GB — SO + navegador + 3-5 agentes + modelo 7B em CPU
Ideal: 32 GB — Múltiplos agentes + modelo 7B-13B + cache
Por quê: Modelos em CPU carregam os pesos na RAM. Um modelo 7B em 4-bit ocupa ~4 GB só de pesos. Adicione 2-3 GB de overhead de inferência, mais o SO e navegador — 8 GB rapidamente ficam insuficientes.

Armazenamento

Mínimo: 20 GB SSD — Apenas 1 modelo pequeno
Ideal: 100+ GB NVMe — Múltiplos modelos + datasets
Por quê: Modelos são pesados: Llama-3-8B (~16 GB), Mistral-7B (~14 GB), embeddings (~2 GB cada). Com 3-4 modelos, você já ultrapassa 50 GB. NVMe é crítico para carregamento rápido.

Como Verificar suas Especificações

Windows

# Verificar RAM e CPU
Get-ComputerInfo -Property "OsTotalVisibleMemorySize", "CsProcessors"

# Verificar VRAM da GPU (NVIDIA)
nvidia-smi --query-gpu=memory.total --format=csv,noheader

# Verificar espaço em disco
Get-PSDrive -PSProvider FileSystem | Select-Object Name, @{n="Free(GB)";e={[math]::Round($_.Free/1GB,1)}}

macOS

# Verificar RAM e CPU
system_profiler SPHardwareDataType | grep -E "Memory|Cores|Chip"

# Verificar espaço
df -h /

# Verificar GPU (Apple Silicon)
system_profiler SPDisplaysDataType

Linux

# Verificar RAM e CPU
free -h && nproc

# Verificar VRAM (NVIDIA)
nvidia-smi --query-gpu=memory.total --format=csv,noheader

# Verificar espaço
df -h /

Aviso para Windows — SmartScreen / Software Não Reconhecido

️	Instalação no Windows
Problema	Ao baixar o instalador da TacFlow, o Windows pode exibir: "Windows protected your PC — Microsoft Defender SmartScreen prevented an unrecognized app from starting"
Motivo	A TacFlow é um software novo, sem certificado digital. O SmartScreen bloqueia apps sem reputação estabelecida. Isso é normal e esperado.
Solução	Clique em "More info" → "Run anyway". O instalador é seguro — verificado e assinado pela equipe TacFlow.
Validação	Após instalar, verifique o checksum: `certutil -hashfile TacFlowSetup.exe SHA256` e compare com o hash publicado no site oficial.

Dica: Se seu hardware não atingir o mínimo, você ainda pode usar a TacFlow via nuvem — acesse app.tacflow.ai e comece imediatamente sem instalar nada!

Post criado por SupportDev — Dúvidas? Pergunte abaixo!

TacFlow Community