DevOS — Autonomous Enterprise Agent Network

Hackathon Google "All Things Agentic" — Track 3 (Fortified Enterprise Suite) Uma rede de agentes autônomos, governada, observável e em produção — operando 24/7.

Status: Submissão pública (slice) — agosto 2026 Stack: Python · FastAPI · Docker · MQTT · Ollama · Google Gemini · DeepSeek · Cloud Run (GCP)

---

O Problema

Chatbots respondem. Agentes entregam. A diferença é um sistema de produção:

• Um agente isolado é um demo. Uma rede de agentes governada é um produto.
• A maioria das demos de "agentes" morre na falta de: memória durável, governança, observabilidade e feedback loops.
• Empresas querem agentes que trabalhem sozinhos — coleta → processamento → decisão → entrega — sem supervisão humana, e que melhorem com o tempo.

A Solução: Harness Engineering

O DevOS é uma plataforma de inteligência operacional construída sobre o conceito de Harness:

Harness = Regras + Ferramentas + Memória + Skills + Verificações + Feedback Loops

Cada agente opera dentro de um harness que define o que pode fazer, como faz, e como sabe que fez certo.

Os 4 Nós (em produção, 24/7)

Nó	Papel	O que roda
POTÊNCIA	Orquestrador / Sub-CEO	Pipeline YT Radar, crons, handoffs, decisões
LUNA	Hub central (VPS)	Gateway, MCP bridge, Telegram, Docker, MQTT broker
BISTURI	Vigilância / PAD	Radares de mercado, varreduras, postmortems
CORTEX	Cérebro LLM local	Ollama: 5 modelos (qwen32b, cortexq6, embed), router

Governança

• MESA.md — status ao vivo dos nós, decisões pendentes, coordenação cross-agente
• Tríade — protocolo de comunicação entre agentes (git + MQTT + relay)
• Regras compartilhadas — cada agente conhece os limites e o território dos outros
• Constituição DevOS — as 8 regras que governam os agentes, em YAML auditável: soberania dos dados, audit trail imutável, human gate obrigatório, transparência radical → devosplatform/constituicao-agentes-ia

Observabilidade

• Healthchecks automáticos (watchdog silencioso, alerta quando cai)
• Briefing diário 07:00 com estado de tudo
• Radar de coesão (detecta divergência entre nós)
• Logs de deploy versionados

Feedback Loops

• Skills são procedimentos aprendidos — cada tarefa complexa vira conhecimento reutilizável
• Reflection semanal — o sistema analisa os próprios padrões e se ajusta
• Postmortems — falhas viram lições permanentes

O Caso: Pipeline YT Radar (autônomo em produção)

Um agente que trabalha sozinho todos os dias:

1. COLETA   → 19 canais de YouTube monitorados (cron 08h/20h)
2. PROCESSO → transcrição → extração de tese via LLM (DeepSeek/Gemini)
3. ELEVA    → briefing C-Level com score, risco, ação e owner
4. SINETIZA → relatório diário consolidado (18h)
5. ENTREGA  → Telegram + Tríade + arquivamento
6. APRENDE  → erros viram correções no pipeline (skills + postmortems)

Resultado: ~10 briefings/dia, 0 intervenção humana, 30+ dias rodando.

Arquitetura (visão de alto nível)

┌─────────────────────────────────────────────────────┐
│                 DEVOS — 4 NÓS EM PRODUÇÃO            │
│                                                     │
│  ⚡ POTÊNCIA (WSL)      🌙 LUNA (VPS)               │
│  ├─ Orquestrador       ├─ Gateway Telegram         │
│  ├─ YT Radar pipeline  ├─ MCP Bridge (interna)     │
│  ├─ Crons (17 jobs)    ├─ Docker + MQTT (interna)  │
│  └─ Handoffs/Decisões  └─ cloudflared tunnel       │
│                                                     │
│  🔪 BISTURI (PAD)      🧠 CORTEX (LLM Server)      │
│  ├─ Radares mercado    ├─ Ollama (interna)         │
│  ├─ Varreduras         ├─ 5 modelos (qwen32b etc)  │
│  └─ Postmortems        └─ Router de modelos        │
│                                                     │
│  └── Comunicação: SSH + MQTT + git + relay outboxes │
└─────────────────────────────────────────────────────┘

Diferenciais vs Demos de Laboratório

1. Produção real — 24/7 por 30+ dias, não uma demo de 4 minutos
2. Multi-nó heterogêneo — WSL + VPS + PAD + servidor LLM dedicado
3. Memória persistente — Knowledge Graph, fact_store, memórias, MESA
4. Governança viva — regras compartilhadas, não apenas RBAC estático
5. Adaptação contínua — skills aprendidas, reflection, postmortems
6. Zero vendor lock-in — DeepSeek hoje, Gemini amanhã (adapter provider)

Repositório — Estrutura

public-slice/
├── architecture/          ← diagrama + explicação dos 4 nós
├── harness/               ← o conceito Harness (regras+memória+skills+verificações)
├── pipeline/              ← caso YT Radar (coleta→entrega→aprendizado)
└── docs/                  ← governança, observabilidade, decisões

⚠️ Este é um slice público do DevOS. Credenciais, infraestrutura interna, estratégia comercial e dados de clientes foram removidos propositalmente.

Começando

# 1. Clone
git clone https://github.com/devosplatform/devos-agent-network.git devos-hackathon && cd devos-hackathon

# 2. Pipeline YT Radar (caso de uso)
cd pipeline
pip install -r requirements.txt
# Configurar LLM: DeepSeek (DEEPSEEK_API_KEY) ou Gemini (GOOGLE_API_KEY)
python3 yt_process.py <briefing.md>

Links

• Constituição DevOS — as 8 regras para agentes de IA · https://github.com/devosplatform/constituicao-agentes-ia
• Plataforma · https://devosplatform.com
• Blog / Harness Engineering · https://devosplatform.com/blog
• Diagrama da arquitetura (4 nós) · architecture/devos-architecture.html
• O conceito Harness · harness/README.md
• Caso de uso: pipeline YT Radar · pipeline/README.md
• Governança e observabilidade · docs/governanca.md

Licença

MIT — código de demonstração para fins de hackathon.