Finyuus

A linguagem do Finyuus é uma linguagem de domínio específico e pequena, escrita para a orquestração de IA, não para scripting de propósito geral. As instruções cobrem chamadas de agentes, ferramentas nativas e HTTP, guardas, aprovações, condicionais, laços, ramificações paralelas e pipelines filhos. Como os fluxos de trabalho são texto puro, você pode compará-los por diff, revisá-los em pull requests e reutilizar partes entre projetos. É a razão de existir: comportamento de IA que você pode ler e comparar, não uma tela cheia de caixas. Sem caixas. Só texto.

Toda execução é respaldada pelo Temporal, e é isso que torna as esperas longas e as falhas superáveis. Se um worker morre no meio de uma execução, o fluxo de trabalho retoma a partir do estado registrado, em vez de começar de novo. Tentativas, cancelamento e orquestração de fluxos de trabalho filhos vêm da mesma camada. Simplesmente funciona. Para quem já viu uma tarefa de agente de várias horas sumir por causa de uma falha, esse é o recurso que muda a conta.

As guardas são verificações de política baseadas em LLM que retornam campos como allowed, confidence e reason. Um pipeline encaminha a execução por uma ramificação de permitido ou bloqueado, e você pode condicionar por limites de confiança em vez de um sim ou não plano. É assim que você impede um modelo de responder diretamente a uma pergunta de consultoria financeira, ou bloqueia uma saída que falha em uma política de publicação antes de chegar a um usuário. Ideia simples. Diferença enorme na prática.

As instruções de aprovação pausam um fluxo de trabalho até que um revisor o resolva pelo painel ou pela API. Você define um responsável, um tempo limite e uma ação ao esgotá-lo, e o pipeline se ramifica em caminhos aprovado e rejeitado. É uma parada real, não uma sugestão. Essa é a diferença entre "vamos verificar depois" e um sistema que de fato interrompe uma saída arriscada e espera por uma pessoa antes de continuar.

Agentes, guardas, ferramentas, esquemas e pipelines são objetos salvos com fixações de versão imutáveis. Você escreve pipeline:company_research@v2 e obtém exatamente aquela versão, não o que alguém editou por último. Fixe. Siga em frente. Pipelines filhos podem ser chamados diretamente ou empacotados como ferramentas de agente, então uma mudança em um ponto não se propaga em silêncio por todos os fluxos de trabalho que dependem dele.

Qualquer pipeline pode ser publicado como endpoint HTTP, com autenticação por token Bearer, limitação de taxa respaldada por Redis, chaves de idempotência e validação de entrada. Os eventos enviados pelo servidor transmitem as atualizações da execução de volta para quem chamou, e as aprovações geram eventos próprios. Os limites de processo são de 300 solicitações por minuto no total e 120 por endpoint por padrão, todos configuráveis por variáveis de ambiente. Padrões sensatos. Fáceis de sobrescrever.

Trilhas, uso de tokens e custos de modelo chegam ao Langfuse, enquanto os dados da aplicação e as tabelas de pipeline ficam no ClickHouse. O histórico de execução, os resultados das guardas e as decisões de aprovação aparecem no painel. O ponto não é ter mais painéis por tê-los. É que um sistema de IA fragmentado geralmente não tem um único lugar para responder "o que de fato aconteceu nesta execução?"

Arquivos e artefatos grandes vão para um armazenamento de objetos configurável, que por padrão é o MinIO local e pode mudar para o AWS S3 com algumas variáveis de ambiente. A DSL lê e escreve arquivos e tabelas respaldadas pelo ClickHouse como instruções de primeira classe, então as operações com dados estruturados ficam dentro do fluxo de trabalho, em vez de em um serviço separado. Sem um serviço extra para cuidar.