Perguntas Frequentes

AgentOS é um runtime TypeScript open-source para construir agentes de IA em produção, desenvolvido pela Frame.dev. Oferece orquestração multi-agente, memória cognitiva, RAG multimodal, guardrails de segurança integrados (redação de PII, defesa contra prompt injection, moderação de conteúdo), pipelines de voz, 37 adaptadores de canal e 11 integrações de provedores de LLM. AgentOS também alimenta os sistemas de IA por trás do Wilds.ai, uma plataforma de jogos AI-native. Self-hostable e gratuito.

Sim. O runtime principal é licenciado sob Apache 2.0. Presets de agentes, extensões e guardrails são licenciados sob MIT. Você pode usar AgentOS comercialmente, modificá-lo e redistribuí-lo conforme os termos dessas licenças.

AgentOS suporta 11 provedores de LLM, incluindo OpenAI, Anthropic, Google Gemini, Groq, Together AI, Mistral, xAI (Grok), OpenRouter, Ollama, Claude Code CLI, Gemini CLI. Cadeias de fallback de provedor permitem failover automático.

AgentOS é escrito inteiramente em TypeScript e roda em Node.js. O pacote npm é @framers/agentos. Funciona com qualquer projeto TypeScript ou JavaScript.

AgentOS é nativo em TypeScript (não Python), inclui memória cognitiva com curvas de decaimento de Ebbinghaus e modelagem de personalidade HEXACO, oferece 5 níveis de segurança em vez de filtragem básica de prompts, fornece 37 adaptadores de canal integrados (Discord, Telegram, Slack, e-mail e mais) e suporta 6 estratégias de orquestração, incluindo DAGs de agentes baseados em grafo. Também inclui 88 skills curadas e um motor de descoberta de capacidades que reduz o uso de tokens em cerca de 90%.

Paracosm (https://paracosm.agentos.sh) é um motor de simulação de modelos de mundo estruturados construído sobre AgentOS. Ele compila um ScenarioPackage JSON mais um perfil de líder HEXACO em um loop de turnos determinístico onde agentes AgentOS propõem eventos, forjam novas ferramentas TypeScript em tempo de execução dentro de um sandbox node:vm endurecido, e produzem um artefato contrafactual que você pode bifurcar e reproduzir. Três modos compartilham um esquema: simulações de civilização por turnos (Mars Genesis é o exemplo canônico), gêmeos digitais por trajetória em lote, e previsões Monte-Carlo por ponto em lote. Open-source sob Apache 2.0, npm install paracosm. Demo ao vivo: https://paracosm.agentos.sh/sim. Código fonte: https://github.com/framerslab/paracosm. Post de lançamento extenso (por que o construímos, a história do vault de wilds.ai, a referência do motor): https://agentos.sh/blog/paracosm-launch.

Wilds.ai (https://wilds.ai) é uma plataforma de jogos AI-nativa construída sobre AgentOS e Paracosm. Personagens IA com memória cognitiva persistente e traços de personalidade HEXACO habitam modelos de mundo compartilhados e divergem entre si com base em eventos LLM-como-juiz fundamentados. Os jogadores podem entrar em mundos existentes, bifurcá-los ou compilar novos no navegador. Wilds.ai é o deployment canônico de produção do stack AgentOS + Paracosm e o canal oficial de comunidade e suporte (https://wilds.ai/discord) para ambos os projetos.

Wunderland (https://wunderland.sh) é um projeto irmão em desenvolvimento ativo que empacota uma CLI batteries-included mais um daemon sobre os registros de extensões e skills do AgentOS. Ele oferece uma CLI de 28 comandos (setup, chat, rag, agency, workflows, evaluate, provenance, knowledge, marketplace e mais), um modelo de segurança de 5 níveis (dangerous / permissive / balanced / strict / paranoid), 8 presets de agente, autorização HITL com escalonamento, e a mesma arquitetura de memória cognitiva mais RAG baseada em grafo documentada nos docs do AgentOS. Use @framers/agentos quando quiser um SDK TypeScript para incorporar em sua aplicação; use Wunderland quando quiser uma CLI global que possa instalar com pnpm add -g wunderland e configurar com um assistente. Código fonte em github.com/jddunn/wunderland (Apache 2.0 desde 0.71.0). Versão preview; APIs e superfície da CLI ainda podem mudar. Guia de início: https://docs.agentos.sh/wunderland.

GMI significa General Machine Intelligence — é o núcleo cognitivo de cada agente AgentOS. Uma GMI encapsula os traços de personalidade do agente (via HEXACO), sistemas de memória, acesso a ferramentas, configuração de guardrails e estilo de comunicação em uma identidade persistente única. GMIs mantêm estado entre sessões e adaptam seu comportamento com base na experiência acumulada.

HEXACO é um modelo de personalidade de 6 fatores oriundo da pesquisa em psicologia (Ashton & Lee, 2004). As seis dimensões são Honestidade-Humildade, Emocionalidade, Extroversão, Amabilidade, Conscienciosidade e Abertura à Experiência. No AgentOS, os traços HEXACO modulam como os agentes se comunicam, lembram e tomam decisões. Por exemplo, alta Abertura aumenta a reconsolidação de memória durante a recordação, enquanto alta Conscienciosidade fortalece o esquecimento induzido por recuperação de associações irrelevantes.

A memória cognitiva do AgentOS implementa 8 mecanismos da pesquisa em ciência cognitiva: reconsolidação, esquecimento induzido por recuperação, recordação involuntária, sensação de saber, extração de gist temporal, codificação de esquemas, decaimento de confiança da fonte e regulação emocional. As memórias decaem ao longo do tempo seguindo as curvas de esquecimento de Ebbinghaus (Ebbinghaus, 1885), com repetição espaçada e consolidação para preservar informações importantes. A memória de trabalho segue o modelo multicomponente de Baddeley (Baddeley, 2000) com um scratchpad volátil para o turno atual que se consolida nas camadas de memória episódica, semântica e observacional.

AgentOS oferece 5 níveis de segurança (dangerous, permissive, balanced, strict, paranoid) e 6 tipos de extensão de guardrail: redação de PII (nomes, e-mails, telefones, SSNs), classificadores de ML para detecção de prompt injection, análise de segurança de código, verificação de grounding contra documentos-fonte, aplicação de topicalidade para manter agentes na tarefa e filtragem de política de conteúdo para saídas nocivas ou inadequadas.

O motor de descoberta de capacidades substitui despejos estáticos de ferramentas e skills por busca semântica em 3 camadas, reduzindo o uso de tokens em cerca de 90%. A camada 0 fornece resumos de categoria em cerca de 150 tokens (sempre incluídos). A camada 1 retorna os 5 principais matches semânticos em cerca de 200 tokens. A camada 2 entrega esquemas completos em cerca de 1.500 tokens, carregados sob demanda. Uma meta-ferramenta chamada discover_capabilities permite que agentes descubram ferramentas disponíveis em tempo de execução.

O QueryRouter classifica consultas recebidas em 4 camadas: T0 (resposta direta a partir do contexto), T1 (invocação de ferramenta única), T2 (plano de múltiplas etapas que requer um motor de planejamento) e T3 (delegação multi-agente que requer orquestração). Essa classificação determina a estratégia de execução e a alocação de recursos para cada solicitação.

A inteligência adaptativa é como os agentes AgentOS melhoram continuamente seu comportamento sem retreinamento. Cinco mecanismos trabalham juntos: (1) Adaptação meta-reflexiva de prompts — o PromptBuilder monta um system prompt diferente a cada turno, incorporando dinamicamente traços de personalidade, estado de humor, histórico de conversa, memórias recuperadas e ferramentas disponíveis. (2) Auto-avaliação da qualidade de resposta — a ferramenta self_evaluate pontua a própria saída do agente e ajusta parâmetros como temperatura, verbosidade e expressão de personalidade em tempo real. (3) Cognição modulada por personalidade — traços HEXACO moldam como o agente processa informações. Alta abertura aumenta associações criativas durante a recuperação de memória; alta conscienciosidade fortalece o esquecimento induzido por recuperação de dados irrelevantes. (4) Consolidação autônoma de memória — o ConsolidationLoop poda memórias fracas, fortalece as frequentemente acessadas e deriva novos insights de clusters de memória, então o conhecimento do agente melhora ao longo do tempo sem treinamento explícito. (5) Classificação em camadas do QueryRouter — o sistema adapta a profundidade de recuperação com base na complexidade da consulta. Perguntas simples obtêm busca rápida por palavras-chave; perguntas complexas acionam RAG híbrido completo com pesquisa profunda.

Comportamentos emergentes são capacidades que os agentes desenvolvem em tempo de execução, em vez de serem programadas explicitamente. AgentOS suporta cinco formas: (1) Forja de ferramentas em runtime — agentes criam novas ferramentas em tempo real via forge_tool. O EmergentCapabilityEngine usa execução JavaScript em sandbox e avaliação LLM-as-judge para criar, testar e promover ferramentas com segurança. (2) Personalidade auto-melhorada — agentes adaptam seus traços de personalidade HEXACO dentro de limites por meio de adapt_personality. Mutações persistem com decaimento de Ebbinghaus — adaptações fortes e repetidas se fixam, enquanto fracas desaparecem naturalmente. (3) Gerenciamento dinâmico de skills — agentes habilitam ou desabilitam skills em tempo de execução via manage_skills, adaptando seu repertório comportamental à tarefa em mãos. (4) Criação de workflows compostos — agentes compõem ferramentas registradas em pipelines de múltiplas etapas via create_workflow, construindo novas capacidades a partir de blocos existentes. (5) Promoção em camadas de ferramentas — ferramentas forjadas progridem por camadas de sessão, agente e compartilhada. Ferramentas que se mostram confiáveis (5+ usos bem-sucedidos, score de confiança >0,8) são auto-promovidas para reuso entre agentes.

Sim. AgentOS oferece dois mecanismos complementares de LLM-as-judge. No nível de agency, hitl.llmJudge() cria um handler de aprovação que delega decisões a um LLM. Ele avalia cada ApprovalRequest contra critérios configuráveis e retorna uma decisão estruturada com pontuação de confiança. Quando a confiança fica abaixo do limiar, a decisão escala para um handler de fallback (outro hitl handler ou um humano). No nível do graph, o builder humanNode() aceita uma opção judge que delega a decisão de interrupt a um LLM. Se o juiz estiver confiante, o graph continua sem suspensão. Se a confiança for baixa, a execução cai em um interrupt humano normal. Ambas as abordagens suportam model, provider, criteria e confidence threshold configuráveis.

Sim. Quando hitl.guardrailOverride está habilitado, os guardrails são executados após uma decisão de aprovação e ainda podem bloquear ações destrutivas ou sensíveis. Isso adiciona uma segunda camada de segurança após auto-aprovação, aprovação humana ou hitl.llmJudge(). Os guardrails padrão pós-aprovação incluem code-safety e pii-redaction, e você pode configurar a lista com hitl.postApprovalGuardrails. Desabilite o override apenas se você explicitamente quiser que o handler de aprovação tenha a palavra final.

Instale via npm: npm install @framers/agentos. AgentOS requer Node.js 18 ou superior. Para as ferramentas de CLI, instale o pacote complementar: npm install -g wunderland.

Import the agent function and configure it with a provider, instructions, and optional personality traits:

import { agent } from '@framers/agentos'

const myAgent = agent({
  provider: 'openai',
  instructions: 'You are a helpful assistant.',
  personality: {
    openness: 0.8,
    conscientiousness: 0.9,
  },
  memory: { enabled: true },
})

const reply = await myAgent.send('Hello!')
console.log(reply.text)

AgentOS suporta múltiplos provedores de STT (speech-to-text) e TTS (text-to-speech). Configure um pipeline de voz especificando provedores de STT e TTS na sua configuração de agente. Provedores de STT suportados incluem Whisper (OpenAI), Deepgram e AssemblyAI. Provedores de TTS incluem ElevenLabs, OpenAI TTS e Google Cloud TTS. Integração de telefonia está disponível para interações de voz em tempo real.

AgentOS é self-hostable e roda em qualquer lugar onde Node.js roda. Faça deploy em sua própria infraestrutura com Docker, em provedores de cloud como AWS, GCP ou Azure, ou use plataformas como Vercel, Railway ou Fly.io. O runtime usa SQLite por padrão para configuração zero, com migração opcional para Postgres, pgvector, Qdrant ou Neo4j para escala de produção.

Sim. AgentOS funciona totalmente offline quando combinado com Ollama para inferência de LLM local. Ollama fornece acesso a modelos de pesos abertos como Llama, Mistral e Phi localmente. O backend de armazenamento SQLite e o vector store em memória não requerem serviços externos. A CLI detecta automaticamente o Ollama e configura o agente para usá-lo.

Sim. AgentOS permite controlar exatamente quanta liberdade seus agentes têm — desde totalmente abertos até completamente bloqueados. Bloqueia ataques de prompt injection, redige dados pessoais, modera conteúdo em tempo real, exige aprovação para chamadas de ferramentas sensíveis, aplica limites de orçamento e inclui disjuntores e rate limiting.

AgentOS inclui guardrails de redação de PII que removem dados pessoais antes que cheguem aos provedores de LLM, logs de auditoria estruturados para cada evento de redação e implantação self-hosted para que os dados permaneçam em sua infraestrutura. O sistema de memória suporta exclusão e exportação para solicitações de direito de acesso. Conformidade com GDPR e SOC 2 é responsabilidade organizacional da equipe que implanta, não uma propriedade da biblioteca em si.

Sim. Para deployments de produção, licenciamento empresarial, suporte dedicado e integrações personalizadas, entre em contato com a equipe em [email protected]. O suporte empresarial inclui resolução prioritária de issues, consultoria de arquitetura e assistência de deployment.

[email protected]

Absolutamente. AgentOS é projetado para ser self-hosted desde o início. Para deployments self-hosted, seus dados permanecem em sua infraestrutura com SQLite, Postgres, pgvector, Qdrant ou Neo4j. Se preferir um banco vetorial gerenciado por vendor, Pinecone também é suportado. Configurações Docker Compose são fornecidas para os backends self-hosted.