🚀 AGI Agent Kit

🌐 Português (BR) | English

Pare de alucinar. Comece a executar.

AGI Agent Kit é o scaffolding de nível empresarial que transforma qualquer assistente de código com IA em uma máquina de produção determinística. Enquanto LLMs são probabilísticos (90% de precisão por etapa = 59% ao longo de 5 etapas), este framework os força através de uma Arquitetura de 3 Camadas — Intenção → Orquestração → Execução — onde a lógica de negócio vive em scripts testados, não em código alucinado.

Por que isso existe

A maioria das configurações de IA para código te dá um prompt e torce pelo melhor. O AGI Agent Kit te oferece:

• 🧠 Memória Híbrida — Vetores Qdrant + palavras-chave BM25: similaridade semântica para conceitos, correspondência exata para códigos de erro e IDs (90-100% de economia de tokens)
• 🎯 19 Agentes Especialistas — Experts delimitados por domínio (Frontend, Backend, Segurança, Mobile, Game Dev...) com propriedade de arquivos forçada
• ⚡ 1.191 Skills Curadas — 4 essenciais + 89 profissionais + 1.098 comunitárias em 16 categorias de domínio
• 🔒 Portões de Verificação — Nenhuma tarefa é concluída sem evidência. Enforcement de TDD. Revisão de código em duas etapas.
• 🌐 10 Plataformas, Uma Configuração — Escreva uma vez, execute no Claude Code, Gemini CLI, Codex CLI, Cursor, Copilot, OpenCode, AdaL CLI, Antigravity IDE, OpenClaw, Kiro
• 🔌 Compatível com MCP — Expõe memória + coordenação entre agentes como ferramentas MCP para Claude Desktop e qualquer cliente de interface de chat

npx @techwavedev/agi-agent-kit init

Se este projeto te ajuda, considere apoiá-lo aqui ou simplesmente ⭐ o repositório.

🚀 Início Rápido

Monte um novo workspace de agente em segundos:

npx @techwavedev/agi-agent-kit init

# Ou instale globalmente em ~/.agent para compartilhar skills entre projetos
npx @techwavedev/agi-agent-kit init --global

Você será guiado por um assistente interativo:

1. Verificação de instalação existente — detecta uma instalação prévia e oferece Atualizar / Reinstalar / Cancelar
2. Escopo da instalação — local ao projeto (diretório atual) ou global (~/.agent compartilhado entre projetos)
3. Backup inteligente — verifica os arquivos em risco e cria um backup com timestamp antes de alterar qualquer coisa
4. Seleção de pacote — escolha as skills para instalar:
   • core — 4 skills essenciais (webcrawler, pdf-reader, qdrant-memory, documentation)
   • medium — Core + 89 skills profissionais em 16 categorias + estrutura .agent/
   • full — Tudo: Medium + 1.098 skills comunitárias (1.191 no total)
   • custom — Core + você escolhe domínios específicos (AI Agents, DevOps, Segurança, Frontend, etc.)
5. Configuração de memória — detecta Ollama/Docker/Qdrant; se ausente, pergunta se deseja instalar localmente ou usar uma URL personalizada (suporta Qdrant Cloud, servidores remotos)
6. Agent Teams — opt-in para execução multi-agente paralela (grava .claude/settings.json)
7. Resumo — mostra exatamente o que foi configurado e o que precisa de ação manual

Após a instalação, o assistente mostra seus próximos passos, incluindo:

# Inicializar o sistema de memória (verifica Qdrant + Ollama, corrige automaticamente)
python3 execution/session_boot.py --auto-fix

# Executar o assistente de configuração de plataforma (auto-configura sua plataforma de IA)
python3 skills/plugin-discovery/scripts/platform_setup.py --project-dir .

✨ Funcionalidades Principais

| Funcionalidade | Descrição | | --------------------------------- | --------------------------------------------------------------------------------------------- | | Execução Determinística | Separa lógica de negócio (scripts Python) do raciocínio da IA (Diretivas) | | Sistema Modular de Skills | 1.191 skills plug-and-play em 3 níveis, organizadas em 16 categorias de domínio | | Execução de Plano Estruturado | Execução em lote ou orientada por subagentes com revisão em duas etapas (spec + qualidade) | | Enforcement de TDD | Ciclo RED-GREEN-REFACTOR inquebrantável — sem código de produção sem teste falhando | | Portões de Verificação | Evidência antes de afirmações — sem conclusão sem saída de verificação atualizada | | Adaptativo à Plataforma | Auto-detecta Claude Code, Gemini CLI, Codex CLI, Cursor, Copilot, OpenCode, AdaL, Antigravity, Kiro | | Compatível com MCP | Memória + coordenação entre agentes expostas como ferramentas MCP (execution/mcp_server.py) para Claude Desktop e qualquer cliente MCP | | Orquestração Multi-Agente | Agent Teams, subagentes, Powers, ou personas sequenciais — adapta-se à plataforma | | Memória Híbrida | Vetores Qdrant + palavras-chave BM25 com mesclagem de pontuação ponderada (95% de economia) | | Workflows Auto-Reparáveis | Agentes leem logs de erro, corrigem scripts e atualizam diretivas automaticamente | | Configuração em Um Comando | Detecção de plataforma + varredura de stack + auto-configuração em um único comando |

🆚 Como Isso Se Compara ao Superpowers

O framework AGI adota todos os melhores padrões do obra/superpowers e os estende com capacidades que o Superpowers não possui:

| Capacidade | obra/superpowers | Framework AGI | | -------------------------------- | :--------------: | :-----------------------------------: | | Enforcement de TDD | ✅ | ✅ Adaptado | | Execução de Plano + Revisão | ✅ | ✅ Adaptado + adaptativo à plataforma | | Debugging Sistemático | ✅ | ✅ Adaptado + agente debugger | | Portões de Verificação | ✅ | ✅ Adaptado + 12 scripts de audit | | Revisão de Código em Duas Etapas | ✅ | ✅ Adaptado no orquestrador | | Orquestração Multi-Plataforma | ❌ Apenas Claude | ✅ 10 plataformas | | Memória Semântica (Qdrant) | ❌ | ✅ 90-100% economia de tokens | | 19 Agentes Especialistas | ❌ | ✅ Fronteiras de domínio | | Reforço de Fronteiras de Agente | ❌ | ✅ Propriedade por tipo de arquivo | | Geração Dinâmica de Perguntas | ❌ | ✅ Trade-offs + prioridades | | Protocolo Memory-First | ❌ | ✅ Auto cache-hit | | Criador de Skills + Catálogo | ❌ | ✅ 1.191 skills combináveis | | Assistente de Configuração | ❌ | ✅ Configuração em um comando | | Symlinks Multi-Plataforma | ❌ Apenas Claude | ✅ 10 plataformas | | Servidor MCP | ❌ | ✅ Memória + coordenação |

🧪 Benchmark Real: Subagentes vs Agent Teams

O framework suporta dois modos de orquestração. Aqui estão resultados reais de teste de execution/benchmark_modes.py rodando em infraestrutura local (Qdrant + Ollama nomic-embed-text, zero chamadas de API na nuvem):

MODO A: SUBAGENTES — Independentes, fire-and-forget
  📤 Explorar Padrões de Auth   → ✅ armazenado em cache + memória (127ms)
  📤 Performance de Query       → ❌ FALHOU (timeout — tolerante a falhas)
  📤 Varrer CVEs                → ✅ armazenado em cache + memória (14ms)
  Resumo: 2/3 concluídos, 1 falhou, 0 referências cruzadas

MODO B: AGENT TEAMS — Contexto compartilhado, coordenado
  👤 Especialista Backend       → ✅ armazenado em memória compartilhada (14ms)
  👤 Especialista Banco de Dados → ✅ armazenado em memória compartilhada (13ms)
  👤 Especialista Frontend      → 🔗 Leu primeiro a saída do Backend + Banco de Dados
     ✅ Obteve contexto de team-backend: "Contrato de API: POST /api/messages..."
     ✅ Obteve contexto de team-database: "Schema: users(id UUID PK, name..."
     → ✅ armazenado em memória compartilhada (14ms)
  Resumo: 3/3 concluídos, 0 falhas, 2 referências cruzadas

2ª execução (cache aquecido): Todas as consultas atingem o cache com score 1.000, reduzindo o tempo total de 314ms → 76ms (Subagentes) e 292ms → 130ms (Agent Teams).

| Métrica | Subagentes | Agent Teams | | ---------------------- | ------------------------------------ | ---------------------------------------- | | Modelo de execução | Fire-and-forget (isolado) | Contexto compartilhado (coordenado) | | Tarefas concluídas | 2/3 (tolerante a falhas) | 3/3 | | Referências cruzadas | 0 (não suportado) | 2 (pares leem o trabalho uns dos outros) | | Compartilhamento | ❌ Cada agente isolado | ✅ Peer-to-peer via Qdrant | | Revisão em duas etapas | ❌ | ✅ Spec + Qualidade | | Cache hits (2ª exec) | 5/5 | 5/5 | | Provedor de embedding | Ollama local (nomic-embed-text 137M) | Ollama local (nomic-embed-text 137M) |

Experimente você mesmo:

# 1. Iniciar infraestrutura
docker run -d -p 6333:6333 -v qdrant_storage:/qdrant/storage qdrant/qdrant
ollama serve & ollama pull nomic-embed-text

# 2. Inicializar sistema de memória
python3 execution/session_boot.py --auto-fix
# ✅ Sistema de memória pronto — 5 memórias, 1 resposta em cache

# 3. Rodar o benchmark completo (ambos os modos)
python3 execution/benchmark_modes.py --verbose

# 4. Ou testar operações individuais:

# Armazenar uma decisão (embedding gerado localmente via Ollama)
python3 execution/memory_manager.py store \
  --content "Escolhemos PostgreSQL para dados relacionais" \
  --type decision --project myapp
# → {"status": "stored", "point_id": "...", "token_count": 5}

# Auto-consulta: verifica cache primeiro, depois recupera contexto
python3 execution/memory_manager.py auto \
  --query "qual banco de dados escolhemos?"
# → {"source": "memory", "cache_hit": false, "context_chunks": [...]}

# Armazenar uma resposta de LLM em cache para reutilização futura
python3 execution/memory_manager.py cache-store \
  --query "como configurar auth?" \
  --response "Use JWT com expiração de 24h, refresh tokens em cookies httpOnly"

# Re-consulta → cache hit instantâneo (score 1.000, zero recomputação)
python3 execution/memory_manager.py auto \
  --query "como configurar auth?"
# → {"source": "cache", "cache_hit": true, "tokens_saved_estimate": 12}

🌐 Suporte a Plataformas

O framework detecta automaticamente seu ambiente de codificação com IA e ativa as melhores funcionalidades disponíveis.

Skills são instaladas no diretório canônico skills/ e vinculadas via symlink ao caminho esperado de cada plataforma:

| Plataforma | Caminho das Skills | Arquivo de Instrução | Estratégia de Orquestração | | ------------------- | ------------------ | -------------------- | ------------------------------------ | | Claude Code | .claude/skills/ | CLAUDE.md | Agent Teams (paralelo) ou Subagentes | | Gemini CLI | .gemini/skills/ | GEMINI.md | Personas sequenciais via @agent | | Codex CLI | .codex/skills/ | AGENTS.md | Sequencial via prompts | | Antigravity IDE | .agent/skills/ | AGENTS.md | Orquestração agêntica completa | | Cursor | .cursor/skills/ | AGENTS.md | Baseado em chat via @skill | | GitHub Copilot | N/A (colar) | COPILOT.md | Colar manualmente no contexto | | OpenCode | .agent/skills/ | OPENCODE.md | Personas sequenciais via @agent | | AdaL CLI | .adal/skills/ | AGENTS.md | Carregamento automático sob demanda | | Kiro (AWS) | .kiro/skills/ | .kiro/steering/agents.md | Orquestração agêntica completa |

Execute /setup para auto-detectar e configurar sua plataforma, ou use o script de configuração diretamente:

# Interativo (uma pergunta Y/n)
python3 skills/plugin-discovery/scripts/platform_setup.py --project-dir .

# Auto-aplicar tudo
python3 skills/plugin-discovery/scripts/platform_setup.py --project-dir . --auto

# Pré-visualizar sem alterações
python3 skills/plugin-discovery/scripts/platform_setup.py --project-dir . --dry-run

📦 O Que Você Recebe

seu-projeto/
├── AGENTS.md              # Arquivo de instrução principal
├── GEMINI.md → AGENTS.md  # Symlinks de plataforma
├── CLAUDE.md → AGENTS.md
├── OPENCODE.md → AGENTS.md
├── COPILOT.md → AGENTS.md
├── skills/                # Até 1.191 skills (depende do pacote)
│   ├── webcrawler/        # Coleta de documentação
│   ├── qdrant-memory/     # Cache semântico & memória
│   └── ...                # Mais 877 skills no pacote completo
├── .claude/skills → skills/   # Symlinks específicos da plataforma
├── .gemini/skills → skills/
├── .codex/skills → skills/
├── .cursor/skills → skills/
├── .adal/skills → skills/
├── directives/            # SOPs em Markdown
├── execution/             # Scripts Python determinísticos
│   ├── session_boot.py    # Inicialização de sessão (verificação Qdrant + Ollama)
│   └── memory_manager.py  # Operações de armazenar/recuperar/cache
├── skill-creator/         # Ferramentas para criar novas skills
└── .agent/                # (medium/full) Agentes, workflows, regras
    └── workflows/         # /setup, /deploy, /test, /debug, etc.

📖 Arquitetura

O sistema opera em três camadas:

┌─────────────────────────────────────────────────────────┐
│  Camada 1: DIRETIVAS (Intenção)                         │
│  └─ SOPs escritos em Markdown (directives/)             │
├─────────────────────────────────────────────────────────┤
│  Camada 2: ORQUESTRAÇÃO (Agente)                        │
│  └─ LLM lê a diretiva, decide qual ferramenta chamar    │
│  └─ Adaptativo à plataforma: Teams, Subagentes, Personas│
├─────────────────────────────────────────────────────────┤
│  Camada 3: EXECUÇÃO (Código)                            │
│  └─ Scripts Python puros (execution/) fazem o trabalho  │
└─────────────────────────────────────────────────────────┘

Por quê? LLMs são probabilísticos. 90% de precisão por etapa = 59% de sucesso ao longo de 5 etapas. Ao transferir a complexidade para scripts determinísticos, alcançamos execução confiável.

🧠 Memória Híbrida (BM25 + Vetorial)

Recuperação com motor duplo: similaridade vetorial Qdrant para conceitos semânticos + BM25 SQLite FTS5 para correspondência exata de palavras-chave. Mescla resultados automaticamente com pesos configuráveis.

| Cenário | Sem Memória | Com Memória | Economia | | ------------------------- | ------------ | ----------- | -------- | | Pergunta repetida | ~2000 tokens | 0 tokens | 100% | | Arquitetura similar | ~5000 tokens | ~500 tokens | 90% | | Resolução de erro passado | ~3000 tokens | ~300 tokens | 90% | | Busca exata de ID/código | ~3000 tokens | ~200 tokens | 93% |

Configuração (requer Qdrant + Ollama):

# Iniciar Qdrant
docker run -d -p 6333:6333 -v qdrant_storage:/qdrant/storage qdrant/qdrant

# Iniciar Ollama + baixar modelo de embedding
ollama serve &
ollama pull nomic-embed-text

# Inicializar sistema de memória (cria coleções automaticamente)
python3 execution/session_boot.py --auto-fix

Os agentes executam automaticamente session_boot.py no início da sessão (primeira instrução no AGENTS.md). Operações de memória:

# Auto-consulta (verificar cache + recuperar contexto)
python3 execution/memory_manager.py auto --query "resumo da sua tarefa"

# Armazenar uma decisão (auto-indexado no BM25)
python3 execution/memory_manager.py store --content "o que foi decidido" --type decision

# Verificação de saúde (inclui status do índice BM25)
python3 execution/memory_manager.py health

# Reconstruir índice BM25 a partir dos dados existentes no Qdrant
python3 execution/memory_manager.py bm25-sync

Modos de busca híbrida (via hybrid_search.py):

# Híbrido verdadeiro (padrão): vetorial + BM25 mesclados
python3 skills/qdrant-memory/scripts/hybrid_search.py --query "erro ImagePullBackOff" --mode hybrid

# Apenas vetorial (semântico puro)
python3 skills/qdrant-memory/scripts/hybrid_search.py --query "arquitetura de banco de dados" --mode vector

# Apenas palavras-chave (correspondência exata BM25)
python3 skills/qdrant-memory/scripts/hybrid_search.py --query "sg-018f20ea63e82eeb5" --mode keyword

⚡ Pré-requisitos

O comando npx init cria automaticamente um .venv e instala todas as dependências. Basta ativá-lo:

source .venv/bin/activate   # macOS/Linux
# .venv\Scripts\activate    # Windows

Se precisar reinstalar ou atualizar as dependências:

.venv/bin/pip install -r requirements.txt

🔧 Comandos

Inicializar um novo projeto

npx @techwavedev/agi-agent-kit init --pack=full
# Para instalar globalmente em vez de por projeto:
npx @techwavedev/agi-agent-kit init --pack=full --global

Auto-detectar plataforma e configurar ambiente

python3 skills/plugin-discovery/scripts/platform_setup.py --project-dir .

Atualizar para a versão mais recente

npx @techwavedev/agi-agent-kit@latest init --pack=full
# ou use a skill integrada:
python3 skills/self-update/scripts/update_kit.py

Inicializar sistema de memória

python3 execution/session_boot.py --auto-fix

Verificação de saúde do sistema

python3 execution/system_checkup.py --verbose

Criar uma nova skill

python3 skill-creator/scripts/init_skill.py my-skill --path skills/

Atualizar catálogo de skills

python3 skill-creator/scripts/update_catalog.py --skills-dir skills/

🎯 Referência de Ativação

Use estas palavras-chave, comandos e frases para acionar funcionalidades específicas:

Comandos Slash (Workflows)

| Comando | O Que Faz | | --------------- | ----------------------------------------------------- | | /setup | Auto-detecta a plataforma e configura o ambiente | | /setup-memory | Inicializa o sistema de memória Qdrant + Ollama | | /create | Inicia diálogo interativo de criação de app | | /plan | Cria um plano de projeto estruturado (sem código) | | /enhance | Adiciona ou atualiza funcionalidades em app existente | | /debug | Ativa modo de debugging sistemático | | /test | Gera e executa testes | | /deploy | Verificações pré-deploy + implantação | | /orchestrate | Coordenação multi-agente para tarefas complexas | | /brainstorm | Brainstorming estruturado com múltiplas opções | | /preview | Iniciar/parar servidor de desenvolvimento local | | /status | Mostrar progresso do projeto e painel de status | | /update | Atualizar AGI Agent Kit para a versão mais recente | | /checkup | Verificar agentes, workflows, skills e arquivos core |

Menções de Agente (@agent)

| Menção | Especialista | Quando Usar | | ------------------------- | ----------------------------- | -------------------------------------------- | | @orchestrator | Coordenador multi-agente | Tarefas complexas multi-domínio | | @project-planner | Especialista em planejamento | Roadmaps, divisão de tarefas, fases | | @frontend-specialist | Arquiteto de UI/UX | Interfaces web, React, Next.js | | @backend-specialist | Engenheiro de API/BD | Server-side, bancos de dados, APIs | | @mobile-developer | Especialista mobile | iOS, Android, React Native, Flutter | | @security-auditor | Especialista em segurança | Varredura de vulnerabilidades, auditorias | | @debugger | Especialista em debug | Investigação de bugs complexos | | @game-developer | Especialista em jogos | Jogos 2D/3D, multiplayer, VR/AR | | @devops-engineer | Especialista DevOps | CI/CD, containers, infraestrutura cloud | | @database-architect | Especialista em BD | Design de schema, migrações, otimização | | @documentation-writer | Especialista em docs | Documentação técnica, APIs, READMEs | | @test-engineer | Especialista em testes | Estratégia de teste, automação, cobertura | | @qa-automation-engineer | Especialista em QA | Testes E2E, regressão, quality gates | | @performance-optimizer | Especialista em performance | Profiling, gargalos, otimização | | @seo-specialist | Especialista em SEO | Otimização de busca, meta tags, rankings | | @penetration-tester | Especialista em pen testing | Exercícios red team, verificação de exploits | | @product-manager | Especialista em produto | Requisitos, user stories, priorização | | @code-archaeologist | Especialista em código legado | Entendimento de codebases antigos, migrações | | @explorer-agent | Especialista em descoberta | Exploração de codebase, mapeamento de deps |

Palavras-Chave de Ativação de Skills (Linguagem Natural)

| Categoria | Palavras / Frases de Ativação | Skill Ativada | | --------------------- | ---------------------------------------------------------------------- | ------------------------------------- | | Memória | "don't use cache", "no cache", "skip memory", "fresh" | Memory opt-out | | Pesquisa | "research my docs", "check my notebooks", "deep search", "@notebooklm" | notebooklm-rag | | Documentação | "update docs", "regenerate catalog", "sync documentation" | documentation | | Qualidade | "lint", "format", "check", "validate", "static analysis" | lint-and-validate | | Testes | "write tests", "run tests", "TDD", "test coverage" | testing-patterns / tdd-workflow | | TDD | "test first", "red green refactor", "failing test" | test-driven-development | | Execução de Plano | "execute plan", "run the plan", "batch execution" | executing-plans | | Verificação | "verify", "prove it works", "evidence", "show me the output" | verification-before-completion | | Debugging | "debug", "root cause", "investigate", "why is this failing" | systematic-debugging | | Arquitetura | "design system", "architecture decision", "ADR", "trade-off" | architecture | | Segurança | "security scan", "vulnerability", "audit", "OWASP" | red-team-tactics | | Performance | "lighthouse", "bundle size", "core web vitals", "profiling" | performance-profiling | | Design | "design UI", "color scheme", "typography", "layout" | frontend-design | | Deploy | "deploy", "rollback", "release", "CI/CD" | deployment-procedures | | API | "REST API", "GraphQL", "tRPC", "API design" | api-patterns | | Banco de Dados | "schema design", "migration", "query optimization" | database-design | | Planejamento | "plan this", "break down", "task list", "requirements" | plan-writing | | Brainstorming | "explore options", "what are the approaches", "pros and cons" | brainstorming | | Code Review | "review this", "code quality", "best practices" | code-review-checklist | | i18n | "translate", "localization", "RTL", "locale" | i18n-localization | | AWS | "terraform", "EKS", "Lambda", "S3", "CloudFront" | aws-skills / terraform-skill | | Infraestrutura | "service mesh", "Kubernetes", "Helm" | docker-expert / server-management |

Comandos do Sistema de Memória

| O Que Você Quer | Comando / Frase | | --------------------------------- | -------------------------------------------------------------------------------- | | Inicializar memória | python3 execution/session_boot.py --auto-fix | | Verificar antes de uma tarefa | python3 execution/memory_manager.py auto --query "..." | | Armazenar uma decisão | python3 execution/memory_manager.py store --content "..." --type decision | | Armazenar resposta em cache | python3 execution/memory_manager.py cache-store --query "..." --response "..." | | Verificação de saúde | python3 execution/memory_manager.py health | | Pular cache para esta tarefa | Diga "fresh", "no cache" ou "skip memory" no seu prompt |

📚 Documentação

• AGENTS.md — Arquitetura completa e princípios operacionais
• skills/SKILLS_CATALOG.md — Catálogo de skills
• CHANGELOG.md — Histórico de versões
• THIRD-PARTY-LICENSES.md — Atribuições de terceiros

🤝 Skills da Comunidade & Créditos

O nível Full inclui 774 skills comunitárias adaptadas do projeto Antigravity Awesome Skills (v5.4.0) por @sickn33, distribuídas sob a Licença MIT.

Esta coleção agrega skills de mais de 50 contribuidores e organizações open-source, incluindo Anthropic, Microsoft, Vercel Labs, Supabase, Trail of Bits, Expo, Sentry, Neon, fal.ai e muitos mais. Para o livro completo de atribuições, consulte SOURCES.md.

Cada skill comunitária foi adaptada para o framework AGI com:

• Integração com Memória Qdrant — Cache semântico e recuperação de contexto
• Colaboração em Agent Teams — Invocação orquestrada e memória compartilhada
• Suporte a LLM Local — Embeddings baseados em Ollama para operação local-first

Se essas skills comunitárias te ajudam, considere dar uma estrela no repositório original ou apoiar o autor.

🗺️ Roadmap

| Funcionalidade | Status | Descrição | | ------------------------------------------ | ------------ | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | Memória Federada de Agentes | ✅ Entregue | Compartilhamento de conhecimento entre agentes via Qdrant compartilhado. Multi-tenancy com isolamento por desenvolvedor, flag --shared para visibilidade em equipe. 15/15 testes. (docs) | | Autenticação Blockchain de Agentes | ✅ Entregue | Escritas assinadas com HMAC-SHA256, ancoragem de hash, controle de acesso por projeto, trilha de auditoria — tudo via coleção Qdrant agent_auth. DID W3C opcional via Hyperledger Aries ACA-Py 1.5.0. 36/36 testes. (docs) | | Streaming Event-Driven de Agentes | ✅ Entregue | Barramento de eventos Apache Pulsar com auto-publicação no memory_manager.py store. Tópicos com escopo de projeto, degradação graciosa. 19/19 testes. (docs) | | Níveis de Modo de Memória | ✅ Entregue | Progressão Solo → Team → Pro. Upgrades com compatibilidade retroativa, sem migração de dados. BM25 auto-sincronizado do Qdrant compartilhado no boot. (docs) | | Compatibilidade MCP | ✅ Entregue | Memória + coordenação entre agentes expostas como ferramentas MCP via execution/mcp_server.py (13 ferramentas) e skills/qdrant-memory/mcp_server.py (6 ferramentas). (docs) | | Orquestração Adaptativa à Plataforma | ✅ Entregue | 10 plataformas compartilham um AGENTS.md via symlinks (Claude Code, Gemini CLI, Codex CLI, Cursor, Copilot, OpenCode, AdaL, Antigravity, OpenClaw, Kiro). Cada uma usa sua estratégia de orquestração nativa automaticamente. | | Motor de Workflows | ✅ Entregue | execution/workflow_engine.py executa playbooks data/workflows.json como sequências multi-skill guiadas com rastreamento de progresso, pular/abortar e persistência de estado em .tmp/playbook_state.json. | | Control Tower Orchestrator | 🚧 Ativo | Dispatcher básico para registro de agentes e heartbeat via Qdrant (control_tower.py). Precisa de docs dedicados e cobertura de testes. | | Gerenciamento de Segredos (Vault) | 🔬 Design | Integração HashiCorp Vault para compartilhamento seguro de segredos. Agentes autenticam via keypair Ed25519, acessam segredos com escopo de tenant. Zero credenciais de longa duração. |

🛡️ Segurança

Este pacote inclui um scanner de segurança pré-publicação que verifica termos privados antes de publicar. Todos os templates são sanitizados para uso público.

☕ Apoio

Se o AGI Agent Kit te ajuda a construir workflows melhores com IA, considere apoiar o projeto:

• ⭐ Dê uma estrela no GitHub
• ☕ Me pague um café

📄 Licença

Apache-2.0 © Elton Machado@TechWaveDev

Skills comunitárias no nível Full são licenciadas sob a Licença MIT. Consulte THIRD-PARTY-LICENSES.md para detalhes.