Claude Sonnet e o Jarvis Pattern: por que agentes de IA podem se virar só com um sistema operacional

O Habr publicou um texto que propõe simplificar radicalmente a conversa sobre agentes de IA. Em vez de frameworks, grafos, orquestradores e bancos de dados vetoriais, o autor apresenta uma fórmula: LLM + sistema operacional + arquivos. O argumento é que um modelo atual já é forte o bastante para usar o terminal, APIs e a estrutura de arquivos quase como um engenheiro faz. Assim, o gargalo não é a quantidade de camadas ao redor do agente, mas o desenho de sua memória, de seus acessos e de seu ambiente de trabalho.

O autor do conceito, o arquiteto de TI Egor Zinoviev, descreve o Jarvis Pattern como um agente pessoal em rede, atribuído a um especialista específico. Esse agente não vive em um navegador nem em um notebook, mas em seu próprio contêiner, com acesso à infraestrutura, e age em nome da pessoa. Como exemplo, ele cita seu agente de DevSecOps umax, baseado no Claude Sonnet, que, segundo ele, cobre o conjunto completo de tarefas da área: da configuração de RBAC no Kubernetes e do trabalho com o Vault até o deploy de clusters, a varredura de imagens Docker, a configuração de CI/CD e a análise de vulnerabilidades.

A tese central é que o agente não precisa de um zoológico de ferramentas pré-montado. Se precisa consultar o Prometheus, usa curl; se precisa transformar dados, recorre a jq, sed ou awk; se não existe um utilitário adequado, ele mesmo escreve um e o incorpora ao seu ambiente de trabalho.

A memória recebe ênfase especial. Para o autor, ela continua sendo a única parte realmente não resolvida da arquitetura de agentes. Ele propõe dividi-la em declarativa, procedural e episódica: fatos, instruções e experiência. E importa não só a experiência bem-sucedida, mas também a negativa: saber qual caminho já levou a um beco sem saída e por quê.

No lugar da busca vetorial e de modelos de grafos, Zinoviev aposta no sistema de arquivos e em arquivos markdown como um mapa natural de rotas: as pastas definem categorias, os nomes dos arquivos indicam a direção e um documento de índice serve de ponto de partida para mergulhar no contexto certo. Em paralelo, deve funcionar um Memory Agent separado que, após cada sessão, decide o que guardar, o que atualizar e o que descartar.

Desse esquema decorre uma visão mais ampla do papel do humano. O Jarvis Pattern não trata de uma IA totalmente autônoma, mas de ampliar a capacidade de um engenheiro específico: a pessoa define a tarefa, confere o resultado e toma decisões em condições de incerteza, e o agente fica com a execução e a rotina. O autor acredita que esse modelo pode mudar a contratação, porque os candidatos poderiam ser avaliados não por perguntas abstratas, mas pela forma como trabalham com o agente em um caso real.

O artigo chega a citar referências do mercado corporativo: ciclo de contratação de 40–60 dias, custo do erro de dezenas de pontos percentuais do salário anual e uma parcela expressiva de funcionários que não passam do primeiro ano.

Outra conclusão prática diz respeito ao software: se o agente trabalha por meio de API e CLI, produtos sem uma API decente começarão a perder espaço, não importa quão bonita seja a interface.

Embora o texto seja apresentado como manifesto, o autor ressalta que não se considera um caso isolado. Como respaldo, ele cita ideias semelhantes de outros engenheiros e produtos nos quais o agente já é visto mais como um ambiente operacional para o especialista do que como um chat com um conjunto de botões.

Nesse sentido, o Jarvis Pattern não é um padrão pronto nem uma nova plataforma, mas uma tentativa de registrar uma mudança: parte da indústria começa a enxergar o agente de IA não como um aplicativo isolado, mas como uma camada de controle sobre a infraestrutura existente. Se essa lógica pegar, a principal discussão sobre agentes de IA sairá da escolha do framework e irá para o desenho da memória, das permissões de acesso e das ferramentas API-first. Para as equipes, isso significa menos mágica na arquitetura e mais exigência sobre a qualidade do contexto; para os especialistas, aumenta o valor do conhecimento profundo de domínio, que o agente pode escalar, mas não substituir.