Nos últimos seis meses eu operei uma frota de agentes de IA em produção. Começou com um: um assistente de WhatsApp que atendia clientes. Hoje são cinco, cada um com papel diferente, operando sobre o mesmo método.
Sem banco vetorial. Sem harness open source. Sem runtime proprietário. O estado de cada agente vive em arquivos no filesystem, não no modelo. Quando troco de provider, quando o modelo atualiza, quando preciso migrar de servidor, nada se perde. Porque não havia nada para perder.
Na semana passada eu publiquei o framework completo que descreve como isso funciona. Em 72 horas, 19 estrelas e 4 forks no GitHub. Hoje te mando a versão atualizada da jornada e o que mudou desde que o repositório ficou público.
A Jornada
De um agente de WhatsApp a um framework publicado
Outubro de 2025: um único agente de WhatsApp atendia clientes de uma clínica. O contexto se perdia entre sessões. Testei bancos vetoriais, testei harnesses, testei frameworks prontos. Todos resolviam parte do problema e criavam três novos.
A virada foi perceber que o problema não era técnico. Era documental. Se as regras do negócio estão num arquivo que o agente lê no início de cada sessão, o estado não depende da memória do modelo. Três tipos de arquivo surgiram: Pin (regras imutáveis), Spec (tarefas vivas) e Handoff (memória entre ciclos).
De lá pra cá: mais quatro agentes entraram em produção. Um financeiro pessoal, uma assistente doméstica, um orquestrador de terminal, um hub de WhatsApp 24/7. Cada um migrou entre provedores de IA pelo menos uma vez. Zero perda de estado em qualquer transição.
Abril de 2026: o método virou framework documentado, código de referência com 44 testes, e licença CC BY 4.0.
O que tem no repositório
Operational Ontology Framework v2.1
O framework cresceu de 3 para 5 artefatos:
- Pin Regras imutáveis do projeto
- Spec Tarefas vivas, estado atual
- Handoff Memória entre sessões
- Log Registro estruturado de ações (novo na v2.0)
- Skill Expertise procedural reutilizável (novo na v2.1)
Além dos artefatos, a v2.1 traz adapters para múltiplos provedores (Anthropic, OpenAI, Ollama para modelos locais), validação de schema, escrita atômica de arquivos e 44 testes automatizados. Funciona com qualquer modelo, de um Gemma 2B local até um Claude Opus na nuvem.
Ver no GitHub → Ler o framework completo →Bastidores
O que aconteceu em 72 horas
Publiquei o repositório na sexta-feira. No sábado, alguém de uma comunidade de devs pediu o HTML do framework pra estudar a estrutura. No domingo, três pessoas fizeram fork pra adaptar ao próprio workflow. Um membro do Asimov Hub pediu pra testar o agente de referência.
Rodei um code review automático usando três agentes de IA em paralelo (um pra bugs, um pra testes, um pra docs). Encontraram 20 issues, filtrei pra 14 reais, corrigi todos. O repo hoje tem 44 testes passando, 0 issues abertas.
19 stars, 4 forks. Nenhuma campanha de marketing. Só o conteúdo, distribuído nos canais que já existiam.
Números
5
agentes em produção, cada um migrou entre providers
5
artefatos no framework (Pin, Spec, Handoff, Log, Skill)
44
testes automatizados, cobertura completa
0
perda de estado entre transições de provider
Ares rodou em Opus 4, 4.5 e 4.6. Ontos opera em modelo local (Gemma 2B). Finn mistura providers por custo.
O que fazemos
A FSTech constrói ontologias operacionais para empresas de serviço. Traduzimos o conhecimento que está na cabeça do dono em estrutura que agentes de IA conseguem operar.
O framework é público. A execução é o que se contrata.
Quero saber mais →