De Interface de Chat para Plataforma de Agente

Toda plataforma começa como uma funcionalidade

O Google começou como uma caixa de busca. O Slack começou como uma sala de chat. A AWS começou como um aluguel de servidores.

O LikeClaw começou como uma interface de chat. Você digitava uma mensagem. Uma IA respondia. E era isso.

Oitenta e quatro dias depois, é uma plataforma de agentes autônomos com execução em sandbox, suporte a múltiplos modelos, um marketplace de habilidades, agendamento de tarefas em segundo plano e um pipeline CI auto-reparável.

Esta é a história dessa evolução — não como um roteiro planejado, mas como uma série de decisões arquitetônicas, cada uma abrindo portas que não sabíamos que existiam.

Etapa 1: Chat (21-22 de novembro)

Os primeiros dois dias produziram uma interface de chat. Não um brinquedo. Um sistema de chat real com:

• Gerenciamento de sessões (múltiplas conversas, cada uma preservada)
• Respostas em streaming (tokens aparecem em tempo real)
• Troca de agentes (diferentes personalidades de IA para diferentes tarefas)
• Integração com o sistema de arquivos (a IA pode ler e escrever arquivos)

Nesta etapa, o LikeClaw era um ChatGPT melhor. Mesmo modelo de interação — humano pergunta, IA responde — mas com arquivos persistentes e agentes especializados.

O que fez essa base funcionar para tudo que veio depois: a separação entre a camada de chat e a camada de agentes. A interface de chat não sabia nem se importava com o que o agente estava fazendo nos bastidores. Ela apenas exibia mensagens. Isso significava que podíamos tornar os agentes dramaticamente mais capazes sem tocar no código do chat.

Etapa 2: Espaço de Trabalho (22-28 de novembro)

Ao final da primeira semana, tínhamos espaços de trabalho. Um espaço de trabalho é um ambiente persistente: conversas, arquivos, agentes, configurações, tudo agrupado.

Isso soa simples. Na verdade, foi a decisão arquitetônica mais importante do projeto.

Sem espaços de trabalho, cada conversa é efêmera. A IA não lembra do contexto entre as sessões. Os arquivos não estão organizados. Não há conceito de “o projeto em que estou trabalhando.”

Com espaços de trabalho, os usuários criam contextos duráveis. Um espaço de trabalho “Marketing” tem arquivos de marketing, agentes de marketing e histórico de conversas de marketing. Um espaço de trabalho “Desenvolvimento” tem arquivos de código, agentes de codificação e conversas técnicas. Cada espaço de trabalho é um mundo.

A chave: espaços de trabalho são a unidade de contexto. Tudo o mais — agentes, arquivos, cronogramas, configurações — vive dentro de um espaço de trabalho. Isso tornou as funcionalidades posteriores trivialmente fáceis de definir. “Adicionar agendamento” se tornou “adicionar agendamento por espaço de trabalho.” “Adicionar configurações” se tornou “adicionar configurações por espaço de trabalho.” A fronteira do espaço de trabalho continha a complexidade.

Etapa 3: Multi-agente (12-27 de dezembro)

O segundo mês trouxe a explosão de agentes. Em vez de uma personalidade de IA, construímos agentes especializados:

• Agente de Chat: Conversas de propósito geral com consciência de arquivos
• Agente de UX: Focado em design com integração de Perplexity para pesquisa
• Agente de PM: Gerenciamento de projetos com capacidades de delegação de tarefas
• Agente de Estúdio: Trabalho criativo com ferramentas de geração de imagens
• Mestre de Imagem: Especializado na criação de conteúdo visual

Cada agente tem seu próprio prompt de sistema, suas próprias ferramentas e sua própria personalidade. O componente de chat-ui não mudou — ele ainda apenas exibia mensagens. Mas os agentes por trás dele se tornaram dramaticamente mais capazes.

A vitória arquitetônica: agentes são configuração, não código. Adicionar um novo agente não requer mudar a plataforma. Requer definir um prompt de sistema, selecionar ferramentas e configurar comportamento. Armazenamos agentes no banco de dados. Os usuários podem eventualmente criar os seus próprios. A plataforma não se importa com quantos agentes existem ou o que eles fazem.

Etapa 4: Autônomo (2 de dezembro - 31 de janeiro)

É aqui que as coisas ficaram interessantes. Cada etapa antes disso assumia que um humano estava sentado em um teclado, observando a IA trabalhar. A Etapa 4 removeu essa suposição.

Agendamento veio primeiro. Os usuários definem tarefas que rodam em um cronograma. A IA acorda, carrega o espaço de trabalho, executa a tarefa, salva os resultados e notifica o usuário. Nenhum humano presente.

Tarefas em segundo plano vieram a seguir. Durante uma conversa, a IA pode delegar trabalhos de longa duração a um agente em segundo plano. “Analise este código” pode levar 20 minutos. O usuário não precisa esperar. O agente em segundo plano roda em seu próprio sandbox E2B, e os resultados aparecem quando prontos.

Arquitetura orientada a eventos uniu tudo. Cada ação — tarefa concluída, arquivo criado, agente finalizado — gera um evento. Eventos aparecem na caixa de entrada do usuário. Eventos acionam notificações. Eventos são o tecido conectivo entre agentes autônomos e os humanos que os gerenciam.

A parte difícil não foi construir as funcionalidades. Foi repensar suposições. Quando um usuário está presente, erros podem ser mostrados em uma caixa de diálogo. Quando nenhum usuário está presente, os erros precisam ser capturados, registrados e apresentados depois. Quando um usuário está assistindo, o progresso parcial é informativo. Quando ninguém está assistindo, apenas o resultado final importa.

Etapa 5: Plataforma (1-13 de fevereiro)

A evolução final: de um produto que controlamos para uma plataforma que se expande.

Sandboxes E2B tornaram a execução segura e escalável. Cada tarefa roda em isolamento. Podemos executar cem tarefas simultaneamente sem que interfiram umas nas outras.

O marketplace de habilidades permite que usuários (e eventualmente terceiros) criem pacotes de automação reutilizáveis. As habilidades são revisadas quanto à segurança antes da publicação — ao contrário de marketplaces abertos com problemas de segurança documentados.

CI auto-reparável significa que a plataforma literalmente corrige seus próprios bugs. Claude lê problemas do GitHub, escreve correções, cria PRs e revisa código. O processo de desenvolvimento é parcialmente automatizado.

O framework de avaliação mede a qualidade dos agentes sistematicamente. Não apenas esperamos que os agentes funcionem bem — medimos isso em dezenas de cenários e acompanhamos a qualidade ao longo do tempo.

O padrão por trás da evolução

Olhando para trás, o padrão é claro: cada etapa expandiu os limites do que “agente de IA” significa.

Etapa 1: IA responde ao input humano.
Etapa 2: IA trabalha dentro de contextos duráveis.
Etapa 3: IA se especializa para diferentes tarefas.
Etapa 4: IA trabalha sem supervisão humana.
Etapa 5: IA expande a própria plataforma.

Nenhuma dessas etapas exigiu reescrever as anteriores. O chat-ui da primeira semana ainda funciona. O modelo de espaço de trabalho da segunda semana ainda organiza tudo. O sistema de agentes do segundo mês ainda alimenta todas as interações.

Uma boa arquitetura não é sobre prever o futuro. É sobre construir fundações que possam suportar um futuro que você ainda não imaginou.

Começamos com uma interface de chat. Terminamos com uma plataforma. E a fundação que construímos no primeiro dia ainda está sustentando tudo isso.