Atto Agent

Biblioteca Python do agente do Atto Personal Assistant.

📦 Instalação

pip install atto-personal-agent

🚀 Uso rápido

from atto_agent import AgentRuntime

runtime = AgentRuntime(
    ollama_url="https://seu-servidor-ollama.example.com",
    ollama_model="qwen2.5-coder:3b",
)
# Planeja uma ação
decision = runtime.plan("Explique este projeto")
# Executa a ação
result = runtime.run(decision, "Explique este projeto")
print(result)

Dica: Se sua aplicação já possui um LLM, basta injetar um objeto que implemente generate(prompt: str) -> str via AgentRuntime(llm=...).

☁️ Integração com Ollama Cloud

Configure as variáveis de ambiente:

export OLLAMA_URL=https://ollama.com
export OLLAMA_API_KEY=seu_api_key
export OLLAMA_MODEL=nome_do_modelo

🛠️ Desenvolvimento autônomo

O agente possui a capability software_engineer que permite:

• criar branches atto/*
• editar arquivos
• executar testes
• criar commits, push e abrir pull requests

Para habilitar, configure:

export ATTO_WORKSPACE=/caminho/para/repo
export ATTO_INTERNAL_TOKEN=seu_token_secreto

Credenciais de CI/CD

Uma revisão remota do Azure precisa apenas de AZURE_TOKEN e da URL completa do PR. ATTO_WORKSPACE não é necessário nesse cenário.

Comando de testes

Defina ATTO_TEST_COMMAND se o projeto usar um comando customizado. Caso contrário, o runtime detecta automaticamente python -m unittest ou npm test.

Direção arquitetural

A prioridade atual é tornar a software_engineer confiavelmente autônoma por meio de um ciclo com estado: observar, pensar, agir, avaliar e refletir. O modelo escolhe dinamicamente o próximo passo; o runtime controla permissões, orçamentos, ferramentas e conclusão baseada em evidências.

Essa evolução preserva Brain, Skills, Workflows e Tools existentes. Novas Skills, integrações com dispositivos e subagentes especializados ficam depois da validação reproduzível desse loop. Consulte AUTONOMOUS_AGENT_ARCHITECTURE.md e AUTONOMY_TODO.md.

O runtime já registra AgentState, usa planejamento dinâmico, recupera contexto por dependências, mantém memória operacional com proveniência, executa testes e validações do repositório, cria snapshots antes de editar e exige revisão independente antes da publicação. O pipeline dedicado de autoaperfeiçoamento e a classificação de risco também estão integrados; mudanças de alto risco exigem aprovação explícita antes de qualquer publicação externa.

As avaliações recorrentes com modelos reais complementam os 161 testes determinísticos: os testes validam os contratos do runtime, mas não substituem a medição de convergência, tempo, custo, recuperação e regressões do modelo em cenários versionados. Esse gate está detalhado em AUTONOMY_TODO.md e já possui uma baseline real de seis cenários.

Execute a suíte real com o ambiente do modelo configurado:

python -m evaluations.live_suite

Os relatórios completos são gravados em ATTO_EVALUATION_STORE e comparados com evaluations/baseline.json. A promoção falha quando a taxa mínima não é atingida ou quando tempo/sucesso regridem além dos limites definidos.

O loop isolado e o fluxo conversacional possuem gates separados. A continuidade Brain → Context → Skill → AgentLoop está em validação no item 15. A Brain classifica semanticamente requested_change, task_relation e ambiguity_kind; o runtime rejeita perguntas de engenharia antes de uma tentativa de descoberta no workspace.

🤝 Contribuindo

1. Fork o repositório
2. Crie uma branch atto/feature-nome
3. Faça suas alterações
4. Execute pytest para garantir que tudo funciona
5. Abra um pull request

📄 Licença

MIT © Atto