Shepherd quer ser o Git dos agentes de IA, em Python aberto

Os agentes de IA que escrevem código e mexem em infraestruturas já não vivem só em PDFs e demos no palco. Abrem processos, instalam pacotes, editam ficheiros, levantam servidores de desenvolvimento. E quando falham a meio, a maior parte das ferramentas continua a tratar isto como se fosse apenas texto num chat. Shepherd tenta atacar precisamente aí.

No dia 8 de agosto de 2026, equipas da Northeastern e de Stanford anunciaram o Shepherd, um runtime Python de código aberto que trata a execução de um agente de IA como um objeto versionado ao estilo Git. Está em alpha, instala-se com pip install shepherd-ai, exige Python 3.11 ou superior e vem com sandboxing ao nível do sistema operativo através do Seatbelt no macOS e do Landlock no Linux. Ou seja, não é só um brinquedo académico, já entra na conversa séria sobre isolamento de processos.

O problema que o Shepherd quer resolver é simples de enunciar e caro na prática: agentes de longa duração para programação e DevOps acumulam “estado vivo” que não cabe num transcript. Se o agente falha no último passo, ou se empurra mais contexto para a frente, inflaciona o custo do prompt, ou se recomeça do zero, perde trabalho e invalida caches. O Shepherd grava cada interação agente‑ambiente como um evento tipado e cria commits copy-on-write com o estado do processo e do sistema de ficheiros. Um meta-agente consegue assim fazer rewind, fork ou replay a partir de qualquer turno anterior, com cache de prompts reutilizável em mais de 95% dos casos de replay, segundo os autores.

Nos benchmarks apresentados, o runtime consegue forkar estado de processo e de filesystem cinco vezes mais depressa que um container Docker típico. Não é um detalhe: se estiveres a fazer exploração em árvore com dezenas de ramos, estes fatores de velocidade é que definem se um agente é viável em produção ou se morre afogado em custos de GPU e tempo de espera. Há aqui um paralelismo interessante com o esforço de normalização de plugins de agentes de IA em curso entre gigantes como a Amazon, a Microsoft e a OpenAI, descrito no nosso artigo sobre como os grandes estão a tentar tornar os agentes menos caóticos. Shepherd ataca o mesmo caos, mas na camada de runtime e estado.

Os ganhos medidos não são meias tintas em slides. Um meta-agente de supervisão a usar Shepherd aumentou a taxa de sucesso em pair programming no CooperBench de 28,8% para 54,7%. A exploração por branching superou as linhas de base em até 11 pontos percentuais e reduziu o tempo de execução em relógio de parede até 58%. Em cenários de reinforcement learning, as rollouts em TerminalBench-2 subiram de 34,2% para 39,4%. É a diferença entre um agente que só impressiona em demo e um que começa a ser competitivo em tarefas aborrecidas, tipo manutenção de infra e automatização de pipelines.

Há limites claros. Para ações irreversíveis no mundo real, o Shepherd recusa chamadas de sistema a esse nível em vez de prometer rollbacks mágicos. Bom sinal: quando alguém te vende “undo para tudo” em sistemas que mexem em produção, convém desconfiar. Mas também é aqui que se sente o abismo entre investigação e adopção em empresas portuguesas, que ainda andam a testar meia dúzia de scripts de IA em desenvolvimento enquanto o estado da arte já fala em Git do runtime dos agentes. Quem quiser montar agentes mais sérios, em vez de apenas colar APIs de chat, vai ter de começar a olhar para ferramentas deste género como parte da pilha base.

Fonte: Open Source For You