Por dentro
Como o seu bot lê pedidos sem um modelo de IA, as ferramentas que o verificam e a pesquisa por trás delas.
Inteligente onde importa, previsível no resto
Três coisas mantêm seu agente útil, barato e seguro, e nenhuma delas exige que você entenda como a IA funciona.
Ele entende o que as pessoas pedem
Seu agente lê cada pedido comparando-o com o que cada uma das suas ferramentas diz que faz, e escolhe sozinho a certa, sem perguntar ao modelo de IA. Ele lê pedidos escritos em inglês ou em português do Brasil, o idioma que você escolher, com ou sem acentos. O mesmo pedido sempre leva à mesma ferramenta, e você consegue ver por quê. Ele aprende as palavras dos seus próprios clientes com o joinha para cima ou para baixo, e só guarda uma palavra nova quando ela não piora nada.
Ele trabalha com as ferramentas que você já tem
Conecte os sistemas que sua empresa já usa. Cada ferramenta é verificada antes que seu agente possa usá-la: segredos que ela poderia vazar, dados que poderia mandar para onde não deve, mudanças que poderia fazer sem volta. Depois, a cada uso, suas regras decidem: pode seguir, pergunte antes a uma pessoa, ou recuse.
O fluxo inteiro é verificado antes de rodar
Antes que seu agente, ou uma equipe de agentes trabalhando juntos, entre no ar, cada caminho é verificado em busca de uma forma de chegar a uma ação arriscada sem a sua salvaguarda, como um pagamento sem a confirmação do cliente. Se houver uma, você vê o caminho exato, antes que um cliente o encontre.
Para equipes que constroem agentes de IA
O Construtor de Bots para criar o seu agente, e cinco ferramentas de segurança e teste para verificar o agente e as regras em volta dele, tudo com uma única chave de API.
Construtor de Bots
Crie seu próprio agente de IA com as ferramentas que sua empresa já tem, dentro das suas regras.
Crie um agente com o pacote Python stalwart-agents: descreva-o em um único arquivo agent.yaml, ou em Python com Agent e @tool. As ferramentas vêm das suas funções Python, de servidores MCP, de APIs OpenAPI, de ferramentas LangChain e de TypeScript (@stalwart-agents/catalogue); as regras vêm de uma folha de regras simples, ou do livro de regras de guardrails que você já tem. O comando stalwart serve o coloca no ar, e o @stalwart-agents/agent-ui lhe dá uma janela de chat com a sua marca.
Crie o seu no console hoje: escolha um modelo, converse com o seu bot e depois rode no seu computador.
O que faz
- Escolhe a ferramenta pelas palavras do próprio usuário, comparadas às palavras que cada ferramenta declara: nenhuma chamada a modelo para escolher, o mesmo pedido leva à mesma ferramenta, e cada passo indica a regra que o produziu
- Chama o seu modelo só onde você permite: um turno que ele não consegue ler, quando sua configuração o encaminha (por padrão, ele pede ao usuário que reformule); um agente que recebe um repasse; respostas compostas a partir dos seus documentos; ou respostas redigidas pelo modelo
- Verifica cada chamada de ferramenta antes de executá-la, pela sua folha de regras (requires, requires_confirmation, never, after, when): permitida, enviada a uma pessoa para confirmar ou recusada, sem modelo e sem rede
- Um catálogo versionado importado de LangChain, MCP (tools/list), OpenAPI e TypeScript, com lints (uma escrita sem desfazer; duas ferramentas que não se distinguem bloqueiam o roteamento até serem corrigidas) e verificações no próprio código das ferramentas, em Python, JavaScript, TypeScript e Go, contra problemas de segurança de rede e de credenciais. Todo achado no código reprova, nada pode suprimi-lo, e só as contagens são enviadas à Stalwart
- Equipes de agentes por meio de repasses (hands_off_to), com o grafo do agente verificado antes de rodar: um caminho perigoso gera um erro
- Respostas a partir dos seus próprios documentos, indexados na sua máquina, sem rede: ou as próprias frases dos documentos, ou uma resposta composta pelo seu modelo e verificada contra os trechos que ela cita
- Regras de resposta: uma verificação de resultado para que uma resposta nunca afirme que algo foi feito quando não foi; cartões, IBANs, documentos de identidade, e-mails e telefones ocultados ou retidos; frases proibidas removidas e avisos obrigatórios acrescentados
- Aprende palavras novas com o joinha para cima ou para baixo dos seus usuários, aplicando uma mudança só quando ela não piora nada (cinco verificações), com versões que podem ser revertidas. O feedback fica separado por cliente e nunca é usado para treinar modelos. Em inglês e em português do Brasil, cada idioma aprendido separadamente
- Um runtime local licenciado na sua própria máquina, onde ficam as conversas, as chamadas de ferramentas e os documentos. O console gerencia catálogos, folhas de regras, frases, regras de resposta, feedback, vocabulário, precisão e achados
- Faz os cálculos que nenhuma ferramenta cobre, entregando-os ao seu modelo: o gênio, chamado só quando o seu poder é preciso, e nunca se você o desligar
Feito para: Equipes que colocam um agente de IA para trabalhar com suas próprias ferramentas, documentos e clientes
Ferramentas de segurança e teste
Para o agente que você cria aqui, ou para os guardrails, grafos de agentes e modelos que você já usa.
Verificação de Grafos de Agentes
Verifique cada caminho do seu agente, ou de uma equipe de agentes, antes de ele entrar no ar.
Valida um grafo de agentes LangGraph, com o seu catálogo de ferramentas, antes de ele rodar: cada caminho é examinado em busca de uma forma de chegar a uma ação arriscada sem a sua salvaguarda. O SDK stalwart-agents a executa automaticamente antes de um agente iniciar, e a API a oferece como mode: graph.
O que faz
- Verifica cada caminho em busca de uma ferramenta alcançada sem a sua verificação, uma escrita sem a sua confirmação, uma regra de ordem que pode ser contornada, uma ferramenta privilegiada depois de uma entrada não confiável (injeção de prompt) e regras de saga ou de desfazer, até a profundidade de sessão que você definir
- Os achados incluem escrita num nó de ferramenta sem proteção, fuga em vários turnos, confused deputy, injeção em cascata por um repasse, um passo irreversível antes de um reversível, o modelo escrevendo código que é executado ou uma consulta ou um destino, dados confidenciais saindo, recuperação não vinculada ao usuário, conteúdo não confiável persistido, laço sem limite, escrita sem compensação, origem de ferramenta não fixada e canal de agente sem autenticação
- Cada achado vem com o caminho exato, em SARIF, e sua testemunha pode ser reproduzida em ferramentas simuladas
- Nós que não são da própria Stalwart são tratados como opacos, e um resultado vale até a profundidade de sessão verificada
Feito para: Equipes que constroem agentes e sistemas multiagentes com LangGraph
Caçador de Bugs em Guardrails
Encontre as brechas nas regras de segurança da sua IA antes que um atacante ou um acidente as encontre, cada uma com uma correção verificada.
Analisa políticas de guardrails (a versão 1, e um subconjunto declarado da versão 2, da principal linguagem de guardrails de código aberto), livros de regras em representação intermediária, o roteador de um host, grafos de agentes com seu catálogo, e uma configuração de guardrails com suas dependências, comparadas a alertas publicados. Cada caminho até uma ação proibida volta como um achado.
O que faz
- Todo achado tem gravidade, uma reprodução (a conversa que o dispara, reexecutada) e uma correção verificada por uma nova análise
- Análises agrupadas em projetos, cada uma comparada com a anterior: novo, existente, corrigido ou reintroduzido
- Triagem como confirmado, falso positivo ou risco aceito. Um risco aceito exige justificativa e expira, por padrão após 90 dias
- Um critério de qualidade que pode bloquear uma versão, saída em SARIF e uma GitHub Action
Feito para: Equipes de plataforma de IA e de segurança, e responsáveis por riscos
Verificação de Guardrails
Uma resposta de sim ou não, com evidência, para “este agente pode fazer X sem Y?”
Pergunta se uma ação pode ser disparada sem o seu contexto de segurança, para uma regra ou para uma tabela inteira de propriedades de uma vez. Toda brecha volta com um exemplo concreto já verificado.
O que faz
- Verifique uma regra ou um conjunto inteiro de regras, com um certificado para cada regra
- Três perfis: fast (o padrão, cerca de um quarto de segundo, só o veredito, sem certificado e sem correção), patch (uma correção com um certificado reexecutável) e proof
- Toda brecha vem com uma testemunha verificada: o exemplo concreto que a dispara
- Certificados, e provas FRAT opcionais, que você ou seu auditor podem verificar de forma independente e offline
- Todo download de certificado é registrado, para que sua evidência tenha um histórico de acesso
Feito para: Equipes de risco e compliance, auditores e equipes de plataforma
Escrita de Guardrails
Escreva uma regra em linguagem comum e receba uma política verificada contra a obrigação que você indicar.
Descreva uma regra em linguagem comum e indique o seu próprio modelo (Anthropic, Gemini ou qualquer endpoint compatível com OpenAI). Ele redige uma política em até três rodadas: cada rascunho é compilado e verificado contra a obrigação que você indicar e, quando a verificação falha, a correção do solver volta para o seu modelo redigir de novo.
O que faz
- Transforma uma regra em linguagem comum num rascunho de política, usando o seu próprio modelo
- Verifica cada rascunho e o corrige quando está errado
- Sua chave, seu prompt e a resposta bruta do modelo nunca são armazenados
Feito para: Autores de políticas e equipes de plataforma
Verificação de Random Forests
Mostre que seu modelo de random forest se comporta como deve, ou receba o caso exato em que ele falha.
Verifica um random forest treinado quanto a robustez, monotonicidade, equidade e alcançabilidade nas regiões que você declarar, ou faz uma busca exaustiva em torno de registros reais. Os modelos são lidos como ONNX-ML ou Treelite JSON, e os do scikit-learn por meio de uma exportação ONNX.
O que faz
- Cada violação vem com um contraexemplo reverificado no próprio modelo; senão, uma refutação ou um indecidido honesto
- A busca em torno de registros reais é exaustiva, não por amostragem, e devolve vereditos
- Regiões amplas de equidade ou monotonicidade podem travar: estreite-as para obter uma resposta
Feito para: Equipes de risco de modelos, ciência de dados e compliance, por exemplo em crédito ou seguros
Verificamos as regras de segurança públicas que todo um setor copia
Apontamos o Caçador de Bugs em Guardrails para os arquivos públicos de regras de segurança de um dos principais kits de segurança de IA de código aberto: a biblioteca de regras prontas do próprio kit, os assistentes de exemplo que o fabricante publica e projetos de parceiros e da comunidade. 185 arquivos de 12 coleções públicas, verificados offline, sem nenhum modelo de IA envolvido.
Dois arquivos tinham fraquezas reais, e cada uma foi reproduzida no próprio kit. O Caçador de Bugs consegue corrigir as duas: ele escreve uma regra corretiva para cada uma e verifica que a regra fecha a brecha sem bloquear mais nada.
São exemplos profissionais que muitas equipes copiam, então cada fraqueza viaja com cada cópia. Um teste manual teria de adivinhar a conversa certa. O Caçador de Bugs encontrou cada uma, com a conversa que a dispara.
185
arquivos de regras de segurança de 12 coleções públicas
2
arquivos com fraquezas reais, cada uma reproduzida no próprio kit
32
ações que qualquer um poderia disparar só conduzindo a conversa
8,5 s
para analisar os 115 arquivos do toolkit
Respostas inventadas reportadas como ataques
Uma regra que detecta a IA inventando coisas reporta isso como uma tentativa de enganar a IA. Uma equipe que bloqueia essas tentativas bloqueia também toda resposta inventada, e uma equipe que trata respostas inventadas nunca vê as desta regra.
Três defeitos num assistente de pedidos de comida
Esvaziar o carrinho nunca é executado, trocar um item verifica o valor errado, e as respostas sobre o pedido do cliente ficam a cargo de texto escrito por IA que ninguém verifica.
Ações que qualquer um pode disparar
32 ações em 28 arquivos rodam só com base no desejo aparente do usuário, então qualquer um que conduza a conversa pode dispará-las. Duas delas fazem pedidos de comida sem verificar quem pediu ou se houve confirmação.
Números do nosso artigo de pesquisa, para uma análise feita em 3 de outubro de 2026.
Baixo custo, relevância e segurança por projeto, não por sorte
Um modelo de IA deixado sozinho no comando de um agente custa dinheiro a cada decisão, adivinha o seu negócio e age como decidir. O Stalwart Agents coloca suas regras e as palavras dos seus clientes no comando, e chama o modelo só quando é preciso.
| O QUE IMPORTA | UM MODELO DE IA SOZINHO | STALWART AGENTS |
|---|---|---|
| Decidir o que fazer | Pergunta ao modelo de IA toda vez, e a resposta pode mudar | Sem chamada a modelo: seu agente escolhe a ferramenta sozinho, e o mesmo pedido leva à mesma ferramenta |
| Agir nos seus sistemas | O que o modelo decidir | Só quando suas regras permitem; senão, pergunta a uma pessoa ou recusa |
| As palavras do seu negócio | Reescrever as instruções, de novo | Aprendidas com o joinha dos seus clientes, e reversíveis |
| Caminhos escondidos até uma ação arriscada | Encontrados quando alguém tropeça num deles | Procurados antes de rodar, cada um mostrado com o caminho exato |
| Pagar pelo modelo de IA | Em cada decisão | Só quando é preciso, ou nunca, se você desligar |
Um estudo de caso financeiro, passo a passo
Nossa demonstração técnica roda o motor sobre um conjunto de políticas do setor financeiro regulado: um controle de aprovação para registro de operações, uma isenção abaixo do limite que abre uma brecha, e uma regra de aconselhamento ao consumidor. Escolha um caso para ver a política, o veredito e a evidência.
Verificação Algébrica de Guardrails em Ação
define user request_trade_booking
"book this contract note"
define flow trade_booking_gate
user request_trade_booking
if $four_eyes_approved
bot book_trade
else
bot refuse_unapproved_bookingMATEMATICAMENTE SEGURO (UNSAT)
O solver algébrico deriva 0 = 1 em 5 etapas. Em todos os 2^N contextos de execução possíveis, a ação book_trade é comprovadamente inalcançável a menos que four_eyes_approved seja afirmado positivamente.
Benchmarks de verificação algébrica
Políticas regulatórias, controles de despacho de ferramentas e verificações de estado, decididos por eliminação determinística em corpos finitos.
Guardrail de Conselho FCA Consumer Duty (410 Variáveis)
Circuito GF(2) sintetizado de 410 variáveis sob as obrigações FCA COBS/Duty. Provou que as permissões de aconselhamento não podem ser contornadas por fluxos de suporte direcionado.
Gate de Despacho de Trade Booking de Middle-Office
Descobriu uma brecha de acumulação OU numa isenção de registro abaixo do limite. Gerou um patch de política minimamente disruptivo, certificado para bloquear a vulnerabilidade.
Cadeia de Velocidade Multi-Etapas com Lookback ($prev.v)
Verificação com lookback de estado, aplicando limites dinâmicos de frequência de transações entre as variáveis de estado de cada turno da conversa.