Framework zymi propõe montar agentes de IA como um projeto dbt, com YAML e event sourcing

Um artigo publicado no Habr detalha o zymi, framework experimental para montar sistemas multiagente no estilo do dbt. Em vez de orquestração manual e de um state mutável compartilhado, o autor propõe configs YAML declarativos e um barramento event-sourced, em que cada passo do agente é registrado como um evento separado.

Como o zymi funciona

A ideia do zymi nasceu de uma dor bem prática. O autor chegou ao desenvolvimento de agentes vindo de data engineering e tentou montar arquiteturas típicas com LangGraph. Logo esbarrou no problema do state mutável compartilhado, que precisa ser atualizado, depurado e investigado em logs o tempo todo. A resposta foi outra abordagem: em vez de descrever como os agentes devem percorrer cada etapa, descrever o que o sistema precisa fazer. É uma referência direta ao dbt, em que o desenvolvedor declara as transformações e o próprio motor as executa na ordem certa.

No zymi, um projeto básico se divide em entidades familiares: agentes, ferramentas, memória, pipelines e um arquivo comum project.yml. O exemplo de demonstração tem dois agentes, um pesquisador e um redator, e o pipeline é montado como um DAG: alguns passos podem começar em paralelo, enquanto os seguintes dependem de depends_on. As ferramentas também são descritas de forma declarativa, por exemplo como chamadas HTTP com parâmetros e chaves vindas de variáveis de ambiente. Segundo o autor, é justamente isso que torna o sistema mais amigável para LLMs: para os modelos, gerar YAML a partir de um schema rígido é bem mais fácil do que escrever código de orquestração frágil.

• Agentes são descritos em arquivos YAML
• Ferramentas podem ser conectadas como chamadas HTTP
• Pipelines são montados como DAGs com passos paralelos
• Execução e monitoramento acontecem via CLI

«Gerar yaml a partir de um json-schema rígido é uma ordem de grandeza

mais fácil para os modelos».

Para que serve o event sourcing

O que mais diferencia o zymi dos frameworks de agentes mais conhecidos vai além dos configs: está também na arquitetura por baixo. No lugar de uma memória compartilhada que os agentes alteram durante o trabalho, há um barramento de dados único. Cada ação é gravada como um evento imutável no banco de dados, com verificação por hash-chain. O resultado vai além de um log: é um histórico de execução reproduzível. Dá para ver qual passo começou, qual ferramenta foi chamada, o que o agente tentou gravar na memória e em que ponto o sistema exigiu confirmação humana.

Esse esquema se apoia no trabalho recente ESAA: Event Sourcing for Autonomous Agents in LLM-Based Software Engineering, que o autor cita como uma das principais fontes de ideias. A lógica é a seguinte: o agente não altera o estado diretamente; primeiro, ele expressa a intenção de fazer algo. Essa intenção passa então por um monitor, que pode permitir a ação, rejeitá-la ou pedir approval. No exemplo do artigo, é assim que o sistema trata uma tentativa de gravar o relatório final em um diretório fora da lista permitida. Com essa abordagem, o comportamento dos agentes fica muito mais transparente: a equipe vê o resultado e também o motivo de cada passo.

Próximos passos do projeto

O autor afirma claramente que o zymi ainda está em alfa e deve ser encarado como ferramenta para prototipagem e experimentos. Mesmo assim, o projeto já tem um backlog extenso: migração para libsql com memória vetorial e réplicas edge, suporte a PostgreSQL como barramento de dados, conexão declarativa de ferramentas em Python, melhorias nas projeções de diálogo para reexecuções idempotentes e streaming das respostas da LLM.

O autor também quer comparar o mesmo pipeline de agentes no LangGraph e no zymi para verificar qual exige menos iterações e tokens. Se o experimento confirmar a hipótese, o zymi pode se revelar mais do que outro «framework para agentes»: uma tentativa de levar para a agentic AI a disciplina de data engineering, com dependências explícitas, reprodutibilidade, eventos verificáveis e menos mágica manual. Por enquanto, é mais um manifesto de engenharia do que uma plataforma madura, mas projetos assim costumam definir o vocabulário para discutir como devem ser sistemas de agentes confiáveis quando os experimentos começam a ir para produção.

O que isso significa

O mercado de agentes de IA está deixando aos poucos os scripts improvisados para trás em favor de sistemas de orquestração mais rigorosos. O interessante do zymi é tratar agentes como pipelines de dados: com montagem declarativa, auditoria de ações e controle de operações perigosas. Para equipes que priorizam reprodutibilidade e observabilidade, ele pode se tornar uma alternativa relevante às abordagens stateful tradicionais.