📱 Jarvis no celular

Voce nao precisa publicar um app na App Store nem na Play Store. Seu Jarvis vive dentro de um app de mensagens que voce ja tem instalado — e voce conversa com ele como conversaria com um contato.

E o atalho que torna o "assistente no bolso" possivel hoje, sem virar desenvolvedor de app, sem aprovacao de loja e sem custo de publicacao.

"Telegram ja e mobile", app de mensagens como canal, zero app nativo.

No Telegram, voce fala com o @BotFather (um bot oficial), ele te da um token (a senha do seu bot), e voce poe seu user ID numa whitelist — a lista de quem o bot atende. O projeto de referencia chama-se agentejax.

E o caminho preferido: so um token, nada de servidor web exposto (usa long-polling), gratis e acessivel de qualquer aparelho onde voce tem o Telegram.

@BotFather, token, whitelist (user ID), long-polling.

No WhatsApp, a conexao costuma passar pela Evolution API (uma ponte que liga seu numero ao agente). Um Policy Engine (motor de regras) decide se responde por texto, por voz, ou se passa para um humano. O projeto de referencia chama-se agentevoz.

WhatsApp e onde a maioria das pessoas ja esta — ideal para atendimento multicanal, com texto, imagem e audio no mesmo lugar.

Evolution API, Policy Engine, multicanal, decisao texto/voz/humano.

O celular e so o canal; o cerebro roda em outro lugar. Pode ser numa plataforma de nuvem (ex.: Railway) ou no seu proprio computador em casa, ligado 24 horas.

Separar "canal" de "cerebro" e a ideia central: voce sai de casa com o telefone, mas o agente continua trabalhando 24/7 onde voce o hospedou.

Canal ≠ cerebro, hospedagem (Railway/PC), execucao 24/7.

Da pra manter o cerebro 100% local — um modelo rodando via Ollama no PC de casa — e usar so o canal no celular. Suas conversas processam na sua maquina, nao numa nuvem de terceiros.

E o melhor dos dois mundos: a comodidade do celular com a privacidade do local — voce escolhe onde os dados ficam.

Ollama local, local-first, cerebro em casa + canal no bolso.

Os assistentes que ja vem no telefone (Siri, Gemini, Alexa) sao caixas-pretas: voce nao controla a memoria, a persona, as ferramentas nem onde os dados vao parar.

Te mostra o que voce ganha indo pelo seu proprio bot: o controle total. O bot de Telegram/WhatsApp e SEU — voce define tudo.

Assistente fechado, caixa-preta, controle/ownership do seu bot.

Voz e so a forma de entrar e sair: o audio vira texto na entrada e o texto vira audio na saida. Quem pensa e o orquestrador (o agente). "Voz e interface, orquestrador e cerebro; falar e uma saida opcional decidida na hora."

Evita o erro comum de achar que "voz" e uma IA diferente. E o mesmo cerebro de sempre, so com microfone e alto-falante plugados.

Interface vs cerebro, orquestrador, saida opcional em runtime.

STT = Speech-to-Text (fala para texto). O Telegram entrega o audio como arquivo .ogg; o ffmpeg converte o formato; e o Whisper (modelo de transcricao) escreve o que voce falou, em portugues.

E o primeiro passo de qualquer recurso de voz. Atencao a um detalhe pratico: o Whisper costuma usar uma chave da OpenAI, que e diferente da chave da Anthropic.

STT, ffmpeg, Whisper, .ogg, chave OpenAI ≠ Anthropic.

TTS = Text-to-Speech (texto para fala). Um modelo de voz (ex.: tts-1 com a voz "nova", ou um TTS rodando local) pega a resposta em texto e gera o audio que o Jarvis "fala" de volta.

E o que fecha o ciclo da conversa por voz — voce fala, ele entende, pensa e responde falando.

TTS, modelo de voz, voz na nuvem ou local.

O Policy Engine decide, a cada resposta, se sai texto, voz ou se chama um humano — e tambem se usa um modelo barato ou um premium, conforme a dificuldade da tarefa.

E o que economiza: voz e modelo premium custam mais; usar so quando vale a pena mantem a conta baixa sem perder qualidade onde importa.

Policy Engine, decisao por resposta, barato vs premium.

On-device = rodar o modelo no proprio aparelho/PC, sem nuvem. Via Ollama, o modelo certo depende da sua RAM (ex.: ~3B com 8 GB, ~8B com 16 GB). Em CPU pura, a resposta e lenta (30-60s); GPU ou nuvem aceleram.

Calibra a expectativa: "local" e real e privado, mas tem custo de velocidade. Saber isso evita frustracao e ajuda a escolher o modelo certo.

On-device, Ollama, modelo por RAM (3B/8B), CPU vs GPU, latencia.

O roadmap da voz vai do texto (v1) para voz assincrona (v2, Whisper + TTS) ate a ligacao telefonica em tempo real (v3), com servicos como Twilio ou LiveKit e latencia abaixo de 1,5 segundo.

Mostra o teto do que e possivel — e que conversar "ao vivo" por telefone com o Jarvis e avancado, nao o ponto de partida. Calibre a expectativa.

Tempo real, Twilio/LiveKit, latencia <1,5s, roadmap v1→v3.

O alvo: um bot de Telegram pessoal, com memoria e uma skill util, que voce acessa do celular. Construido em 5 passos, um tijolo de cada vez ("brick-by-brick").

Ter o quadro completo antes de comecar evita se perder no meio e mostra como as pecas das trilhas anteriores se encaixam num produto real.

Escopo do projeto, brick-by-brick, recap das pecas (canal/cerebro/memoria/skill).

Criar o bot no @BotFather, copiar o token e colocar seu user ID na whitelist — exatamente o que voce viu no modulo 5.1, agora na pratica.

E o "Level 1 / Foundation": sem o canal de pe, nao ha o que testar. Tudo o mais se apoia neste primeiro tijolo.

@BotFather, token, whitelist, Foundation (Level 1).

Escolher o modelo que pensa: nuvem (potente, paga por uso) ou Ollama local (gratis, privado). A escolha vive num arquivo .env, sem mexer no codigo.

E aqui que o bot deixa de ser "eco" e comeca a responder de verdade. E trocar o cerebro depois e so editar uma linha.

Cerebro (modelo LLM), nuvem vs Ollama, hot-swap por .env.

Adicionar um soul.md (a personalidade: nome, tom, valores) e um banco SQLite para guardar a conversa. A partir daqui, ele lembra de quem voce e e do que ja foi dito.

E o salto de "estranho que responde" para "assistente que te conhece" — a memoria e o que cria continuidade entre as conversas.

soul.md, memoria persistente, SQLite, Memory (Level 2).

Plugar uma skill (uma receita empacotada) que faz algo concreto — por exemplo, "resumo do meu dia" puxando a agenda via MCP (o "USB" das ferramentas de IA).

E quando o bot deixa de so conversar e passa a fazer algo util pra voce — a primeira capacidade real do seu Jarvis de bolso.

Skill, MCP, ferramenta (agenda), Tools/MCP (Level 4).

Ligar a voz (mensagem de audio via Whisper/TTS, do modulo 5.2) e a cadencia: um heartbeat que dispara sozinho — por exemplo, um resumo todo dia as 7h. Depois, como testar tudo de ponta a ponta.

Fecha o projeto: o Jarvis deixa de so reagir e passa a agir sozinho no horario certo — e voce confirma que cada tijolo funciona.

Voz (Whisper/TTS), cadencia, heartbeat/cron, teste fim-a-fim.