O que cada corredor da mercearia de frameworks oferece — e como os 9 principais padrões de arquitetura funcionam por dentro.
Cada corredor agrupa um tipo de capacidade que você pode adicionar ao seu assistente. Pense neles como seções de uma mercearia — você escolhe os ingredientes que fazem sentido para o seu projeto.
Define quem é sua IA — seu tom, valores, forma de falar e como ela se adapta a diferentes contextos. Sem isso, você tem um chatbot genérico. Com isso, você tem um assistente com voz própria.
Camadas de proteção entre sua IA e o mundo externo — desde sandboxing de ferramentas até detecção de ataques de prompt injection. Essencial em qualquer ambiente que acesse dados sensíveis.
O canal é a "porta de entrada" da sua IA. Define em qual aplicativo o usuário vai interagir com ela. Cada canal tem características distintas — escolha onde seu público já está.
A diferença entre uma IA que esquece tudo ao reiniciar e uma que conhece você há meses. A escolha do sistema de memória define o custo, a precisão e a capacidade de recall a longo prazo.
Transforma sua IA de reativa para proativa. Em vez de esperar você perguntar algo, ela executa tarefas em horários definidos, monitora eventos e trabalha em segundo plano.
Como sua IA se conecta a provedores de modelos, serviços externos e protocolos padrão. Aqui ficam as decisões de custo, privacidade e escalabilidade de modelos de IA.
O corredor mais extenso — são as capacidades concretas que sua IA pode executar hoje, sem implementar do zero. Abrange produtividade, comunicação, casa inteligente, desenvolvimento e muito mais.
Os padrões estruturais que definem como os componentes do seu assistente se conectam. A escolha aqui impacta manutenibilidade, escalabilidade e facilidade de extensão.
Como cada framework organiza seus componentes internamente. Estes são os blueprints que você seguiria ao construir com cada abordagem.
O OpenClaw usa um servidor WebSocket central (Gateway) como ponto único de entrada para todos os canais. Mensagens do WhatsApp, Telegram, Slack, iMessage e voz passam pelo mesmo hub antes de chegar ao agente. Isso garante controle centralizado de sessões, roteamento entre múltiplos agentes e suporte a canvas visual e voz de forma unificada.
Cada subsistema (provedor de IA, canal, memória) é definido por um trait — um contrato que diz "qualquer implementação precisa ter estes métodos". O arquivo config.toml decide quais implementações usar em runtime. Você pode trocar o provedor de IA de Claude para Ollama, ou o canal de Telegram para WhatsApp, sem tocar no código do agente. O resultado é uma pegada de memória abaixo de 5MB e boot em 10ms.
O NanoClaw resolve um problema específico do WhatsApp para empresas: como garantir que o contexto de um grupo de trabalho nunca vaze para o grupo de família? A resposta é radical — cada conversa roda em seu próprio contêiner isolado, com seu próprio arquivo CLAUDE.md e sistema de arquivos separado. O host gerencia a conexão WhatsApp e despacha mensagens para o contêiner certo.
O TinyClaw trata cada agente como um colaborador especializado de uma equipe. Mensagens entram numa fila baseada em arquivos (sem banco de dados) e cada agente pega da sua própria caixa de entrada. Um agente pode mencionar outro (@reviewer, @writer) para passar o trabalho adiante. Processamento paralelo: enquanto o @coder escreve código, o @reviewer pode estar analisando outro PR.
O IronClaw parte do princípio de que nenhuma entrada é confiável — nem mensagens do usuário, nem resultados de ferramentas, nem saídas do LLM. Cada estágio do pipeline tem sua própria camada de segurança: detecção de prompt injection na entrada, WASM sandbox para isolamento de ferramentas, e detector de vazamento de segredos na saída. O Job Scheduler permite até 5 execuções paralelas com controle de rate limiting.
O Agent Zero é construído em torno de um loop de melhoria contínua: antes de resolver um problema, consulta a memória ("já resolvi isso antes?"). Ao resolver, salva a solução para uso futuro. Para tarefas complexas, delega sub-agentes especializados em pesquisa ou código. Com o tempo, fica cada vez mais eficiente nas tarefas que você mais usa — e pode reescrever suas próprias regras de comportamento no meio de uma conversa.
Em vez do loop single-agent (Telegram→loop→tool→memória), o ClaudeClaw roda N agentes especialistas como bots independentes na MESMA máquina e DB. Eles delegam entre si (@agente:), reúnem-se em tempo real (War Room em texto/voz) e publicam toda ação num barramento de eventos compartilhado (tabela hive_mind) que serve de memória de equipe E de visualização — um cérebro 3D anatômico. Acoplado a isso há um plano de contenção operacional: kill switches com hot-reload + tool-policy default-deny + guarda de exfiltração formam uma malha de segurança runtime sobre a execução full-access.
O Hermes é um loop perceive→act→reflect→save. Um gateway único normaliza qualquer canal (CLI, Discord, Slack, WhatsApp, HTTP, cron) num objeto Message. O passo reflect usa um modelo barato para curar a memória (SQLite FTS5/BM25 local, em 3 camadas) e para detectar workflows repetidos — e esses padrões viram skills auto-geradas (SKILL.md no padrão agentskills.io) que o agente passa a reutilizar. Tudo model-agnostic (roteamento por papel) e proativo via heartbeat/cron. É o contraponto a frameworks que separam canal/loop/memória de forma estática: aqui o agente melhora a própria memória e as próprias habilidades com o uso.
O AIOS embute a LLM como núcleo de um kernel e trata cada agente LLM como um PROCESSO de sistema operacional. Vários agentes coexistem compartilhando modelos, memória e ferramentas; o Scheduler (FIFO/Round-Robin) arbitra quem chama o LLM, o Context Manager faz snapshot/restore para pausar e retomar agentes, e tudo flui por syscalls auditáveis. O agente fala com o kernel pelo SDK Cerebrum (repo separado), em modo Local ou Remote. Frameworks como LangChain, AutoGen e CrewAI rodam EM CIMA dele via adapter.