Skip to content

README_PT.md

Latest commit

 

History

History
231 lines (168 loc) · 9.59 KB

README_PT.md

File metadata and controls

231 lines (168 loc) · 9.59 KB

AutoHarness Logo

「Aha」— AutoHarness: Automated Harness Engineering for AI Agents

Todo agente merece um momento aha — o modelo raciocina, nós cuidamos do resto.

AutoHarness Poster

MIT License Python 3.10+ 958 Tests Passed GitHub Ruff mypy

🇬🇧 English · 🇨🇳 简体中文 · 🇯🇵 日本語 · 🇰🇷 한국어 · 🇪🇸 Español · 🇫🇷 Français · 🇩🇪 Deutsch · 🇵🇹 Português · 🇷🇺 Русский

📖 Documentação · ⚡ Instalação rápida · 🚀 Início rápido · ✨ Funcionalidades · 📊 Comparação

⚡ Instalacao rapida

git clone https://github.com/aiming-lab/AutoHarness.git
cd AutoHarness && pip install -e .
from openai import OpenAI
from autoharness import AutoHarness

client = AutoHarness.wrap(OpenAI())
# E so isso. Seu agente acabou de ter o momento aha.

🔥 Novidades

  • [01/04/2026] v0.2.0 Lancada: Tres modos de pipeline (Core / Standard / Enhanced), diagnosticos baseados em traces, gates de validacao de interface, gerenciamento de contexto aprimorado. 958 testes aprovados.
  • [01/04/2026] v0.1.0 Lancada: Pipeline de governanca em 6 etapas, correspondencia de padroes de risco, constituicao YAML, trilha de auditoria, perfis multi-agente, persistencia de sessao com rastreamento de custos.

🤔 Por que Aha (AutoHarness)?

No treinamento de LLMs, o momento aha e quando um modelo aprende de repente a raciocinar.

Para agentes, o momento aha e quando eles passam de "pronto para demo" a verdadeiramente confiaveis.

A distancia e enorme: gerenciamento de contexto, governanca de ferramentas, controle de custos, observabilidade, persistencia de sessao... Esses sao os padroes que separam um brinquedo de um sistema. Chamamos isso de engenharia de harness.

AutoHarness é um framework de governança leve e em camadas para que todo agente possa ter seu momento aha.

Agente = Modelo + Harness. O modelo raciocina. O harness faz todo o resto.

🚀 Inicio rapido

# Encapsule qualquer cliente LLM (2 linhas, governanca instantanea)
from openai import OpenAI
from autoharness import AutoHarness

client = AutoHarness.wrap(OpenAI())
response = client.chat.completions.create(
    model="gpt-5.4",
    messages=[{"role": "user", "content": "Refactor auth.py"}],
    tools=[{"type": "function", "function": {"name": "Bash", "description": "Run shell commands",
            "parameters": {"type": "object", "properties": {"command": {"type": "string"}}}}}],
)
# Ou use o loop de agente completo
from autoharness import AgentLoop

loop = AgentLoop(model="gpt-5.4", constitution="constitution.yaml")
result = loop.run("Fix the failing tests in auth.py")

Mais exemplos →

✨ O que voce ganha

Sem Harness Com AutoHarness
O agente executa rm -rf /, nada o impede Pipeline de 6 etapas bloqueia, registra e explica por que
O contexto estoura o limite de tokens Orcamento de tokens + truncamento mantem o contexto sob controle
Sem saber qual chamada de ferramenta custou quanto Atribuicao de custos por chamada com precificacao adaptada ao modelo
Injecao de prompts passa despercebida Validacao em camadas: rails de entrada, execucao, rails de saida
Sem trilha de auditoria para conformidade Auditoria JSONL registra cada decisao com proveniencia completa
Agentes compartilham um unico conjunto de permissoes Perfis multi-agente com governanca baseada em papeis

Arquitetura central: Pipeline de governanca em 6 etapas

Cada chamada de ferramenta passa por um pipeline estruturado:

1. Parse & Validate  →  2. Risk Classify  →  3. Permission Check
4. Execute           →  5. Output Sanitize →  6. Audit Log

Padroes de risco integrados detectam operacoes perigosas, exposicao de segredos, travessia de caminhos e muito mais.

Em numeros

Pipeline de governanca em 6 etapas  ·  Correspondencia de padroes de risco  ·  Constituicao YAML
Gerenciamento de orcamento de tokens ·  Perfis multi-agente                 ·  Trilha de auditoria JSONL
2 linhas para integrar               ·  0 dependencia de fornecedor         ·  Licenca MIT

🔧 Modos de pipeline

O AutoHarness suporta tres modos de pipeline. Escolha o nivel de governanca que se adapta as suas necessidades:

Modo Pipeline Contexto Multi-agente Caso de uso
Core 6 etapas Orcamento de tokens + truncamento Agente unico Governanca leve
Standard 8 etapas + Microcompact + armazenamento de traces Perfis basicos Agentes em producao
Enhanced 14 etapas + Sumarizacao por LLM + remocao de imagens Fork / Swarm / Background Governanca maxima 
# Troque de modo via constituicao
# constitution.yaml
mode: core      # ou "standard" ou "enhanced"
# Ou via CLI
autoharness mode enhanced

O modo Enhanced e o padrao. Os usuarios recebem a governanca mais forte por padrao. Troque para Core para sobrecarga minima.

Comparacao completa de modos →

🖥️ CLI

autoharness init                          # Gerar constituicao (default/strict/soc2/hipaa/financial)
autoharness init --mode core              # Gerar com modo de pipeline especifico
autoharness mode                          # Mostrar modo de pipeline atual
autoharness mode enhanced                 # Trocar modo de pipeline
autoharness validate constitution.yaml    # Validar um arquivo de constituicao
autoharness check --stdin --format json   # Verificar uma chamada de ferramenta contra suas regras
autoharness audit summary                 # Ver resumo de auditoria
autoharness install --target claude-code  # Instalar como hook do Claude Code (um comando)
autoharness export --format cursor        # Exportar constituicao cross-harness

📊 Como nos comparamos

Capacidade AutoHarness LangGraph Guardrails AI OpenAI SDK
Pipeline de governanca de ferramentas ✅ 6 etapas (ate 14) ❌ ⚠️ Somente saida ❌
Gerenciamento de contexto ✅ Multicamada ❌ ❌ ⚠️ Truncamento
Perfis multi-agente ✅ ✅ Grafos ❌ ⚠️ Handoff
Validacao (entrada+saida) ✅ ❌ ✅ Rails ❌
Diagnosticos baseados em traces ✅ ❌ ❌ ❌
Atribuicao de custos ✅ Por chamada ❌ ❌ ❌
Dependencia de fornecedor Nenhuma LangChain Nenhuma OpenAI
Configuracao 2 linhas Graph DSL RAIL XML SDK

🙏 Agradecimentos

  • Claude Code da Anthropic: padroes de engenharia que inspiraram algumas funcionalidades do nosso modo Enhanced
  • Codex da OpenAI: praticas de engenharia de contexto que informaram o design do nosso gerenciamento de contexto

📌 Citacao

Se voce usar o AutoHarness em sua pesquisa, por favor cite:

@software{autoharness2026,
  title   = {AutoHarness: The Harness Engineering Framework for AI Agents},
  author  = {{AutoHarness Team}},
  year    = {2026},
  url     = {https://github.com/aiming-lab/AutoHarness},
  license = {MIT}
}

⚠️ Aviso

Algumas decisões arquiteturais do modo Enhanced foram baseadas em análises públicas e discussões da comunidade sobre o design do Claude Code após sua publicação involuntária pelo registro npm da Anthropic em 31-03-2026. Reconhecemos que o código-fonte original do Claude Code é propriedade intelectual da Anthropic. AutoHarness não contém, redistribui ou traduz diretamente nenhum código proprietário da Anthropic. Respeitamos os direitos de PI da Anthropic e responderemos prontamente a quaisquer preocupações — entre em contato via issue ou autoharness.aha@gmail.com.

📄 Licenca

MIT — veja LICENSE para detalhes.