RUNE-BOT: agente de IA local que aprende com falhas como regras

Estou criando o rune, um assistente de IA de uso geral que roda localmente.

O ponto central não é um "agente que acumula memória", mas uma arquitetura self-improving que generaliza falhas em regras e ajusta o próprio comportamento ao validar essas regras em tarefas reais.

Self-Improving: cria regras a partir de falhas e volta a validá-las

Execução → registro → detecção de repetição de falhas → geração de candidatos a regra → validação em tarefas relacionadas → promoção ou descarte

Quando o agente repete o mesmo tipo de falha, ele transforma esse padrão em um candidato a regra preventiva. Essa regra não é inserida imediatamente no prompt. Ela começa com baixa confiança e, depois disso, os resultados são acompanhados apenas em tarefas relacionadas.
Só as regras úteis são promovidas gradualmente, e as regras sem efeito perdem pontuação mais rapidamente e desaparecem.

Todas as tarefas são salvas como episódios, com o resultado de sucesso ou falha registrado. Ao realizar trabalhos parecidos, ele recupera episódios passados para
referência.

Proactive: age antes mesmo de receber a instrução

Ele faz sugestões antes que o usuário peça. Ao detectar sinais de frustração no fluxo de trabalho (falhas repetidas, cancelamentos rápidos, acúmulo de erros), oferece ajuda e, quando detecta padrões recorrentes de falha, gera automaticamente regras preventivas.

Mas ele não interrompe sem critério. Se o usuário rejeitar uma sugestão, esse feedback é rastreado. Se houver 5 recusas em 30 minutos, ele reduz automaticamente a frequência de intervenções e eleva o limiar para sugerir algo. O próprio sistema proativo se ajusta observando a reação do usuário.

O que o agente pode fazer

• Ler/escrever/editar/pesquisar arquivos, executar comandos de shell
• Automação de navegador — navegar por páginas, clicar, digitar, tirar screenshots, extrair texto
• Busca na web (DuckDuckGo/Brave) e scraping de URLs
• Análise de código — rastreamento de símbolos com base em tree-sitter, busca de definições/referências, análise de impacto de mudanças
• Delegação para subagentes — dividir tarefas complexas e executá-las em paralelo
• Execução agendada com base em cron
• Integração com servidores MCP — descobre e executa ferramentas externas automaticamente
• Skills personalizadas — o usuário pode criar e registrar ferramentas diretamente

Segurança

O Guardian bloqueia primeiro ações perigosas, o Completion/Evidence Gate verifica se ele "realmente leu, escreveu e validou", e o Quality Gate filtra respostas de sucesso sem conteúdo ou tentativas de ocultar erros. O sistema de segurança não é fail-open, e sim fail-closed.

Local-first

Toda a memória de longo prazo tem arquivos Markdown como source of truth. SQLite e FAISS são apenas caches de busca, e podem ser reconstruídos a qualquer momento a partir do Markdown. Você pode abrir tudo diretamente, editar e versionar com git.

Interface

• CLI + interface de terminal baseada em Rich
• Multicanal: Telegram, Discord, Slack, LINE, WhatsApp, Google Chat, Mattermost
• Web

A stack técnica é Python 3.13+, litellm, APSW(WAL), FAISS HNSW, tree-sitter e structlog. Por meio do litellm, é possível conectar qualquer LLM sem ficar preso a um fornecedor de modelo específico.