Luminarys AI lança plataforma de agentes de IA com isolamento de skills e execução em cluster

A Luminarys AI propõe uma abordagem mais rígida e orientada à engenharia para agentes de IA. Em vez de ferramentas com acesso quase total ao sistema, a plataforma isola cada skill em um sandbox WebAssembly, permite escrever skills em diferentes linguagens e escala cenários agênticos em clusters de máquinas heterogêneas. A empresa apresenta a plataforma como resposta às limitações que as equipes enfrentam ao colocar agentes de IA em produção.

O problema fica mais evidente quando o agente precisa fazer mais do que gerar texto e passa a executar ações: ler arquivos, chamar serviços e transferir dados entre sistemas diferentes. Hoje, o mercado costuma forçar uma escolha entre dois modelos pouco práticos. O primeiro é dar ao agente acesso amplo demais ao sistema de arquivos, a processos ou a operações de rede, na esperança de que a configuração de permissões e as verificações internas o mantenham dentro dos limites aceitáveis.

O segundo é travar o sistema ao máximo com confirmações manuais, o que rapidamente esvazia o sentido da automação e a transforma em uma sequência de aprovações constantes. Segundo os desenvolvedores, nenhuma dessas opções resolve o problema no nível da execução: se o código de uma skill for mal escrito, ele ainda pode tentar ultrapassar o comportamento esperado. A ideia central da Luminarys AI é isolar as skills não só logicamente, mas também tecnicamente.

Para isso, cada skill roda dentro de um ambiente WebAssembly, que cria um sandbox separado com limites de acesso mais previsíveis. Essa abordagem é especialmente importante em sistemas agênticos, nos quais o mesmo orquestrador pode chamar dezenas de ferramentas diferentes: do processamento de arquivos a requisições de rede e integrações com APIs externas. Quando o isolamento está embutido no runtime, e não depende apenas de convenções e arquivos de configuração, as equipes ganham mais controle sobre a segurança e o comportamento de cada módulo.

Isso reduz o risco de que um erro em uma skill afete o host inteiro ou componentes vizinhos. O segundo grande desafio é escalar em infraestrutura heterogênea. Os desenvolvedores apontam que muitas soluções existentes conseguem paralelizar agentes dentro de um único repositório ou em um conjunto de servidores idênticos, mas funcionam pior quando a infraestrutura é mista.

Na prática, isso significa clusters com máquinas x86 e ARM, nós de edge próximos à fonte dos dados, dispositivos IoT e nós de computação locais que precisam executar parte das tarefas sem latência desnecessária. A Luminarys AI se posiciona como uma plataforma capaz de rotear chamadas entre esses nós e distribuir o trabalho levando em conta as diferentes arquiteturas. Para empresas que constroem sistemas agênticos fora de um ambiente puramente em nuvem, isso pode ser um diferencial importante.

A plataforma também dá ênfase à modularidade e ao suporte a várias linguagens. Em plataformas agênticas típicas, plugins e skills costumam ficar presos a uma única linguagem principal, o que limita a escolha de ferramentas e obriga a equipe a adaptar tudo a uma stack única. Na Luminarys AI, as skills podem ser escritas em Go, Rust ou AssemblyScript e rodar lado a lado no mesmo host.

Isso abre espaço para um fluxo de desenvolvimento mais pragmático: partes que exigem desempenho e são sensíveis a recursos podem ficar em Rust, a lógica de infraestrutura e de rede pode ficar em Go, e módulos mais familiares para equipes web podem ser construídos em AssemblyScript. Ao mesmo tempo, a plataforma continua modular: as skills podem ser atualizadas, combinadas e escaladas de forma independente umas das outras. Na essência, a Luminarys AI tenta resolver de uma vez três pontos críticos dos agentes de IA: isolamento real da execução, portabilidade entre diferentes tipos de hardware e liberdade de escolha da linguagem para cada skill.

Se essa arquitetura comprovar suas vantagens em cargas de trabalho reais, o mercado pode ganhar uma classe mais madura de plataformas agênticas, em que segurança e operação em cluster não são adicionadas por cima de um framework básico, mas fazem parte da base do sistema desde o início. Para equipes que já chegaram à produção, isso pode pesar mais do que qualquer nova demonstração de um agente "inteligente". É justamente nesse tipo de desafio que projetos agênticos costumam quebrar depois do piloto.