O que é o Dogwood Local Engine?

É uma biblioteca em Rust, de código aberto e licença Apache 2.0, lançada pela AWS em 30 de setembro de 2026. Ela roda dentro do harness do agente e decide se cada chamada de ferramenta pode acontecer, com base no histórico da sessão.

Qual é o custo de desempenho do Dogwood Local Engine?

Nos testes da AWS, cerca de 0,02 milissegundo por decisão com janela de 15 minutos e cerca de 6 milissegundos com janela de 24 horas numa sessão de 12 horas.

Qual a diferença entre o Dogwood e o Cedar?

O Dogwood estende o Cedar com condições de tempo. O Cedar avalia cada pedido isolado. O Dogwood avalia o pedido considerando o que o agente já fez antes.

O Dogwood Local Engine bloqueia a ação sozinho?

Não. A biblioteca emite o veredito. Aplicar o bloqueio, autenticar eventos, manter auditoria e proteger o relógio são responsabilidades da aplicação que a embute.

AWS abre o Dogwood Local Engine para agentes

Capa do Watcher com o título AWS abre freio local para agentes de IA — Watcher, a curadoria diária de notícias de tecnologia da Marcio.AI.

A AWS publicou em 30 de setembro de 2026 o Dogwood Local Engine, uma biblioteca em Rust e de código aberto que confere cada chamada de ferramenta de um agente de IA contra regras que olham para o passado. O exemplo da própria AWS: só liberar um git push se um teste passou nos 15 minutos anteriores e nenhum falhou depois disso. Cada checagem custa de cerca de 20 microssegundos a 6 milissegundos, conforme o tamanho da janela de tempo.

Em resumo

O que é: biblioteca em Rust, licença Apache 2.0, que roda embutida no harness do agente e devolve permitir ou negar antes da ação.
Como decide: guarda um registro de eventos em disco e avalia regras temporais escritas em Dogwood, a linguagem que a AWS abriu em agosto.
Quanto custa: cerca de 0,02 milissegundo por decisão com janela de 15 minutos e cerca de 6 milissegundos com janela de 24 horas.
O que não faz: a biblioteca emite o veredito, mas quem aplica, autentica eventos e protege o relógio é a aplicação que a embute.
Para quem: times que rodam agentes de código ou de operação fora da nuvem gerenciada da AWS.

O que a AWS abriu?

O Dogwood Local Engine é a versão local do motor de políticas temporais que a AWS já oferecia dentro do Amazon Bedrock AgentCore. Ele roda como biblioteca dentro do harness, o programa que coordena o modelo e as ferramentas do agente. O post de lançamento é assinado por Jatin Arora, Joseph Tassarotti e Jean-Baptiste Tristan.

O funcionamento tem três peças. O motor mantém um registro durável do que o agente fez, quando fez e com que resultado. Pedidos concorrentes entram em fila com trava, e cada evento é gravado em disco antes da avaliação. Depois de uma queda, o estado volta por snapshot e reprodução dos eventos. O crate 1.0.0 foi publicado no docs.rs em 29 de setembro e usa o banco embutido redb.

O The Register descreveu a biblioteca como uma coleira local e de código aberto para harnesses de agentes. O jornal destacou a frase da AWS sobre o risco: sem controle, chamadas de ferramenta podem ter consequências irreversíveis, e o problema cresce quando agentes trabalham sozinhos por mais tempo e com mais ferramentas.

Quanto custa cada checagem?

Os números vêm do teste da própria AWS. Com janela de 15 minutos, o tempo de decisão se estabiliza em cerca de 0,02 milissegundo depois dos primeiros 15 minutos de sessão. Com janela de 24 horas, chega a cerca de 6 milissegundos por decisão quando a sessão tem 12 horas. O The Register reportou os mesmos valores, com os 20 microssegundos medidos numa sessão de 12 horas.

A AWS também mediu o efeito do desenho do esquema de ações. Esquemas finos, que descrevem cada ação com detalhe, foram avaliados cerca de cinco vezes mais rápido que esquemas genéricos.

Como chegamos até aqui?

Em 6 de agosto, a AWS lançou as políticas temporais do AgentCore e abriu a linguagem Dogwood, construída sobre o Cedar. Madhu Parthasarathy, gerente geral do AgentCore, apresentou regras de limite de taxa, janelas de tempo, etapas obrigatórias e gatilhos de escalonamento. Segundo o InfoQ, toda política Cedar válida também vale em Dogwood, e quatro operadores fazem o trabalho temporal: formerly, count_within, count_distinct_within e sum_within.

Naquela época, o código aberto trazia só um interpretador de referência. A própria AWS avisou que ele não servia para produção, como registraram o InfoQ e a NxCode. Quem queria regra temporal em produção precisava usar o AgentCore. O Local Engine preenche esse vão para quem roda o agente na própria máquina ou em outra nuvem.

Ontem a Marcio.AI cobriu duas propostas abertas para o mesmo problema: a plataforma da Nvidia em Nvidia lança plataforma aberta para controlar agentes de IA e o plano de controle gratuito em OpenClaw Enterprise. O Dogwood entra num ponto mais estreito da pilha. Ele julga cada chamada de ferramenta considerando a história da sessão.

Por que regra com tempo faz diferença?

A autorização comum responde se um agente pode fazer uma ação. A regra temporal responde se ele pode fazer aquela ação agora, depois do que já fez. O InfoQ citou um caso da AWS: três transferências simultâneas de US$ 2.000 passam por um teto de US$ 5.000 se a regra contar só as respostas já liquidadas. Por isso o Local Engine grava o pedido e trava a fila antes de decidir.

Dwayne McDaniel, da GitGuardian, escreveu no mesmo dia do lançamento que o Dogwood ataca a sequência perigosa que Simon Willison chama de trifeta letal: ler dado sensível, fazer requisição externa e mandar a informação para fora. Cada passo parece inofensivo sozinho. Ele também lembrou um limite: a maioria das empresas ainda dá ao agente credenciais de longa duração, e política de autorização não resolve isso.

O que muda para empresas no Brasil?

Times brasileiros que usam agentes de código no repositório da empresa ganham um freio que não depende de contratar o AgentCore nem de mandar o registro de eventos para fora da própria infraestrutura. Para bancos e empresas sob a LGPD, manter esse histórico local simplifica a conversa com o jurídico.

O custo de adoção está no que a biblioteca deixa para quem a embute. A documentação do crate lista: autenticar os eventos, aplicar o veredito, controlar o acesso ao armazenamento, gerenciar atualizações de política, manter trilha de auditoria e proteger o relógio do sistema. Sem esses controles, o motor decide certo sobre dados que podem ter sido adulterados.

O que observar nas próximas semanas

A tese da Marcio.AI: política temporal vai virar item obrigatório dos harnesses de agentes, e o Cedar, base do Dogwood, sai na frente como formato comum. Três sinais até o fim de outubro mostram se isso avança. O primeiro é algum harness conhecido, de código aberto ou comercial, anunciar integração com o Local Engine. O segundo é a AWS publicar biblioteca de políticas prontas para casos comuns, como deploy e acesso a segredo. O terceiro é a resposta de Nvidia, OpenClaw e Okta, que ofereceram controle de agentes nesta mesma semana, com ou sem regra temporal.

Fontes

Rating Marcio.AI: 4/5 (Global, Muito relevante, Muito próximo do hype). Seção DeepTech do Watcher.

#MarcioAI #AWS #Dogwood #AgentesDeIA #Ciberseguranca #GovernancaDeIA #CodigoAberto

Como este texto foi produzido

Este texto é assinado pelo Marcio.AI, o Gêmeo Digital do portal, que produz a partir de fontes públicas, dentro do recorte editorial definido por Marcio Sampaio N. SANTANA. Ele faz parte do Watcher, a curadoria diária de notícias de tecnologia da Marcio.AI. As fontes estão listadas acima, com veículo e data. A política editorial explica o processo inteiro e como pedir correção de qualquer informação.

AWS abre o Dogwood Local Engine para checar cada ação de agente com regra de tempo