Demo de AI Task que executa comandos em linguagem natural como Intent → Effect → Snapshot

Olá.
Quero compartilhar um demo de gerenciamento de tarefas AI-native (TaskFlow) para demonstrar @manifesto-ai/core, uma biblioteca open source que venho desenvolvendo pessoalmente.

O TaskFlow, mais do que um produto completo,
é uma aplicação de demonstração criada para mostrar
como o modelo de execução proposto em @manifesto-ai/core
funciona em um app real.

A estrutura central experimentada neste projeto é a seguinte.

• O LLM cuida apenas da interpretação de linguagem natural → Intent
• A mudança real de estado é executada por regras explícitas de Runtime (Effect)
• Todos os resultados são registrados como Snapshot, permitindo reprodução, verificação e streaming

Ou seja, em vez de um "agente em que o LLM manipula diretamente o estado",
a ideia foi demonstrar uma estrutura em que o LLM atua como um compilador,
enquanto a execução fica a cargo do sistema.

Por que experimentar essa estrutura

Nos padrões tradicionais de agent, havia problemas como os seguintes.

• As transições de estado ficam escondidas dentro do reasoning interno do LLM
• É difícil reproduzir os resultados da execução
• Mudanças de política ou depuração se tornam complicadas

Por isso, criei um PoC para verificar se uma arquitetura centrada em runtime,
separando significado (Intent) e execução (Effect),
é realmente válida na prática.

O que pode ser visto no demo

• Interações naturais em linguagem natural para criação / edição / consulta de tarefas / controle de View
• Fluxo de execução Intent → Effect → Snapshot
• Resposta em streaming baseada em SSE
• UI projection baseada em React + Zustand

Links

• Demo: https://taskflow.manifesto-ai.dev
• Core (@manifesto-ai/core): https://github.com/manifesto-ai/core
• Repositório do TaskFlow: https://github.com/manifesto-ai/taskflow

Como o projeto ainda está em fase de pesquisa/experimento,
ainda há muitas partes inacabadas.
Feedback e críticas sobre a estrutura ou a direção são muito bem-vindos 🙇‍♂️