Phaselock: Um Sistema de Controle de Agentes de IA Inspirado em Técnicas de Paisagem

O que o Phaselock faz

Phaselock é uma Habilidade de Agente de código aberto que aplica técnicas de parentalidade para crianças autistas ao controle de agentes de IA. O desenvolvedor criou isso após notar paralelos entre falhas vagas de agentes de IA e como crianças autistas processam instruções.

Mecanismos de Controle Principais

O sistema implementa quatro padrões de controle específicos:

• Portas explícitas antes da ação: Usa um hook BeforeToolUse que verifica a existência de um arquivo de porta aprovado no disco. Sem arquivo, sem escrita. A IA não pode prosseguir sem declaração arquitetural primeiro.
• Feedback imediato sobre erros: Um hook PostToolUse executa análise estática após cada escrita de arquivo (PHPStan, PHPCS, ESLint, ruff ou ferramentas apropriadas para a linguagem) e injeta resultados estruturados em JSON de volta no contexto. A IA vê exatamente o que quebrou e se corrige antes de continuar.
• Escolhas restritas, não opções abertas: Funcionalidades complexas são divididas em fatias ordenadas por dependência. A IA trabalha uma fatia por vez, com cada fatia parando para revisão humana antes da próxima começar.
• Regras que não podem ser racionalizadas: Hooks de shell permitem ou bloqueiam ações mecanicamente. A opinião da IA sobre sua própria saída não é evidência.

Implementação Técnica

Phaselock funciona com Claude Code, Cursor, Windsurf e qualquer coisa que suporte hooks e habilidades de agente. O conhecimento de domínio é moldado em torno do Magento 2 e PHP, mas a arquitetura de aplicação é independente de linguagem.

Desafio de Escalabilidade e Solução

Phaselock tem um problema de escalabilidade: ele carrega todas as regras no contexto a cada sessão. Com 80 regras é gerenciável, mas com 500 regras você está queimando contexto antes da tarefa começar, e com 10.000 regras é fisicamente impossível.

O desenvolvedor está construindo o Writ como solução: um sistema de recuperação híbrido que descobre quais regras importam no momento e retorna apenas essas. Ele alcança recuperação em menos de 10ms com redução de contexto de 726x em 10.000 regras. Writ ainda é experimental e está passando por testes de estresse.

Questão Aberta Atual

O desenvolvedor está enfrentando desafios de avaliação. Consultas de verdade fundamental são sintéticas com 80 regras, e eles ainda não sabem se a qualidade de recuperação se mantém em consultas reais de sessões reais. Eles estão perguntando: "Alguém já lidou com avaliação RAG em tamanhos pequenos de corpus onde benchmarks sintéticos podem não refletir uso real? O que você aprendeu?"