JarvisCore
Prescott Data · Programação · Produtividade · Outros
JarvisCore é um runtime de código aberto em Python em que agentes de IA atuam como pares numa malha, assumem tarefas de um registro compartilhado e chegam a serviços externos por um broker sem confiança.
Sobre JarvisCore
What Is JarvisCore
JarvisCore é um framework multiagente para equipes que rodam agentes de IA em Python dentro de um sistema de verdade. Em vez de eleger um orquestrador que planeja cada passo e guarda todo o estado, ele espalha os agentes numa malha onde cada par anuncia o que sabe fazer e pega trabalho de um registro compartilhado. Esse detalhe muda o que acontece quando um processo cai: outro par assume o passo pendente e o objetivo continua andando.
O runtime traz dois perfis de agente. Um AutoAgent raciocina sobre a tarefa, escreve código, executa num sandbox e conserta as próprias falhas. Um CustomAgent roda o Python que você escreve em execute_task e mantém a mesma identidade, memória e mensageria do perfil autônomo. Os dois convivem na mesma malha, então um worker de API com lógica fixa e um agente que raciocina podem trabalhar juntos sem um segundo framework.
As credenciais passam pelo Nexus, um broker que injeta o token no momento da chamada externa. O agente declara de quais serviços precisa. Ele nunca vê a chave, e ela não aparece nos prompts, no código gerado nem nas traces. O projeto é mantido pela Prescott Data e o framework sai sob licença Apache 2.0.
Vale conhecer os limites antes de começar. JarvisCore é uma biblioteca para quem programa, não um construtor sem código, e a documentação assume que você lê Python e mexe em variáveis de ambiente. Fluxos duráveis, recuperação após queda e descoberta entre máquinas pedem Redis e, com vários nós, o extra P2P. A versão 3.0 também adiciona uma camada de controle que registra cada efeito, mas o modo de relatório padrão observa em vez de bloquear.
Getting Started
- Instale Python 3.10 ou superior e rode
pip install jarviscore-frameworkejarviscore initnuma pasta nova. - Copie
.env.examplepara.enve informe uma chave da Anthropic, do Google Gemini, do Azure OpenAI ou de um endpoint local. - Execute
jarviscore check --validate-llmpara conferir o pacote e a conexão com o provedor. - Escreva uma classe de agente com papel, capacidades e system prompt, adicione-a a um
Meshe chamemesh.run_task(). - Inclua extras conforme a necessidade:
[redis]para fluxos duráveis,[browser]para Playwright e[p2p]para agentes distribuídos entre máquinas.
Informações do produto
Uma visão rápida dos preços, das plataformas compatíveis e do desempenho de JarvisCore.
Ideal para
Os usuários, tarefas e cenários em que esta ferramenta se encaixa melhor.
Usuários
- Engenheiros de backend e plataforma
- Equipes com jobs longos espalhados por vários processos
- Empresas com regras rígidas de credencial
Tarefas
- Pesquisa e relatório em várias etapas
- Fluxos que precisam sobreviver a um reinício
- Trabalho de navegador em sites reais
- Ações que exigem aprovação humana
Cenários
- Um pipeline noturno que enriquece registros a partir de três sistemas internos, no qual um lote com erro não pode reiniciar a execução inteira.
- Um time de suporte que quer um agente propondo mudanças de arquivo numa sala do Slack enquanto cada pessoa aceita com a própria conta.
- Uma prova de conceito que precisa chegar à produção sem reescrita, porque os mesmos agentes rodam num processo ou em vários nós.
Principais recursos
Malha entre pares sem orquestrador central
Os agentes anunciam suas capacidades via gossip SWIM e se encontram pelo que sabem fazer. Quando um processo para, outro assume o passo no registro compartilhado e segue com o objetivo. Não existe um agente chefe cuja falha derruba o sistema inteiro, que é o ponto fraco comum nos desenhos com orquestrador.
Objetivos duráveis sobre um registro compartilhado
Mesh.execute_goal() guarda o objetivo de origem e um registro de obrigações no Redis, compila um DAG endereçado por capacidade sob uma licença temporária de planejamento e deixa os pares elegíveis assumirem passos prontos de forma atômica. O par que planeja perde a autoridade de roteamento assim que o plano existe, e é isso que mantém os fluxos de agentes duráveis vivos depois de um reinício. As tentativas ficam imutáveis, e a reconciliação só acrescenta trabalho para obrigações ainda em aberto.
Dois perfis de agente no mesmo runtime
O AutoAgent cuida do laço de raciocínio, da descoberta de ferramentas, da execução de código em sandbox e do reparo. O CustomAgent expõe handlers determinísticos que você escreve em Python puro. Os dois compartilham identidade, memória, mensageria e armazenamento, então dá para trocar um agente de perfil sem refazer o sistema ao redor.
Credenciais zero-trust com o Nexus
O Nexus resolve a credencial do provedor no limite da execução e a coloca na requisição de saída. Agentes que declaram requires_auth recebem a chamada, e o token não entra no contexto do modelo, no código que ele escreve nem no log de traces. A configuração OAuth2 é feita localmente com jarviscore nexus init e jarviscore nexus register.
Memória que sobrevive ao processo
Os fatos que um agente decide guardar vão para .jarviscore/memory/ e voltam em execuções seguintes, presos ao papel dele e separados por inquilino com memory_scope_field. Se você apontar o runtime para o Athena, a memória semântica é compartilhada entre máquinas. Memória de trabalho, episódica e de longo prazo passam pela mesma interface.
Controle, evidência e replay
A versão 3.0 decide sobre cada chamada a provedor, programa em sandbox, requisição de navegador e mudança de arquivo antes que aconteça, e grava a decisão num diário encadeado por hash. jarviscore verify confere esse diário offline, jarviscore evidence lista o que um agente fez por uma pessoa ou inquilino, e jarviscore replay repete uma sessão gravada contra o próprio registro sem chamar nada ao vivo.
Prós e contras
Prós
- Sem orquestrador central, um worker caído não trava o objetivo, porque os pares assumem os passos restantes no registro.
- As credenciais ficam fora do modelo, o que remove o motivo mais comum para a segurança vetar um piloto de agentes.
- AutoAgent e CustomAgent dividem o mesmo runtime, então workers determinísticos e agentes que raciocinam convivem no mesmo sistema.
- A camada de controle da versão 3.0 gera um diário verificável e replay offline, útil quando alguém pergunta o que um agente realmente fez.
- A licença Apache 2.0 libera produtos comerciais sem limite de receita ou de usuários, e a instalação se resolve com um comando pip e uma chave de modelo.
Contras
- É preciso saber Python. Não há construtor visual, e a configuração passa por arquivos de ambiente e comandos de CLI.
- Fluxos duráveis e descoberta entre nós exigem Redis e o extra P2P, o que traz trabalho de operação que uma demo em processo único esconde.
- As traces são registros de depuração, não de auditoria: os prompts são resumos, os resultados de ferramenta são cortados em 2.000 caracteres e as entradas expiram em sete dias.
- Controles de acesso delegado, o sistema de custos Maven e os DAGs que se aprimoram sozinhos são módulos comerciais com preço fechado por projeto.
Perguntas frequentes
JarvisCore é um framework de agentes de código aberto escrito em Python. Os agentes entram numa malha, descobrem os pares por capacidade, assumem trabalho de um registro compartilhado e chamam serviços externos por um broker de credenciais. O projeto é mantido pela Prescott Data.
Conteúdo relacionado
Explore ferramentas, skills e artigos relacionados a JarvisCore.
Alternativas a JarvisCore
Base Code
Base44 (Wix) · Programação · ProdutividadeO Base Code é um ambiente de desenvolvimento em nuvem compartilhado da Base44. O time descreve mudanças em um repositório do GitHub pelo chat, confere tudo na prévia e envia o resultado como pull request.
Google EmbeddingGemma 2
Google DeepMind · Escrita · Imagem · ProgramaçãoGoogle EmbeddingGemma 2 é um modelo aberto de 740 milhões de parâmetros que transforma texto, código, imagens, áudio e quadros de vídeo em vetores de um único espaço de 768 dimensões, rodando em celulares e notebooks.
GitGlow
GitGlow · Programação · ProdutividadeO GitGlow é um cliente Git de desktop que coloca seu código e as mudanças dos seus agentes de IA na mesma revisão, para você saber o que vai sair da máquina antes de publicar.