🤖 Avançado & Agentes 24/7

Você fala em linguagem natural e ele carrega modelos, roteia entre máquinas e monta as peças.

É a visão que organiza todo o uso avançado: um maestro acima dos modelos.

Orquestrador, linguagem natural, automação de tarefas.

Um LLM somado a ferramentas (rodar comando, ler/escrever arquivo, chamar API) e um loop que decide o próximo passo.

Sem esse loop é só um chat; com ele, vira um executor autônomo.

Agente, ferramentas, loop ReAct.

Agentes de código (CLIs) e frameworks conectados ao seu endpoint local da Trilha 3.

Traduz os nomes do vídeo em ferramentas que existem de verdade hoje.

Agente de código, framework, endpoint local.

Usar Tailscale + API local pra mandar cada tarefa pra máquina ideal (modelo grande no Mac, rápido na GPU).

Aproveita todo o seu hardware como um cluster pessoal.

Roteamento, tailnet, fan-out por máquina.

Limitar escopo, isolar em sandbox e confirmar ações destrutivas antes de executar.

Um agente com poder demais e zero limite é um risco real.

Escopo, sandbox, confirmação.

Uma instrução que faz um agente local resumir uma pasta de notas ou organizar arquivos.

Sai do conceito e entrega um primeiro resultado tangível.

Instrução, verificação, resultado tangível.

Modelo local ilimitado e sempre-on habilita uso ambiente/contínuo impossível na cloud por custo.

É a base mental dos três passo-a-passos seguintes.

Sempre-on, uso ambiente, ilimitado.

Cloud cobra por chamada; 24/7 × muitas chamadas fica inviável. Local custa só energia.

Entender o custo explica por que isso só nasce local.

Custo por chamada, custo marginal, energia.

Agendador (cron/loop) + tarefa + modelo local + saída (arquivo/notificação).

É o esqueleto que você vai repetir em cada solução.

Agendador, tarefa, saída.

cron (agenda por tempo), watch de pasta e fila de trabalhos disparam a tarefa.

Escolher o gatilho certo define o comportamento do worker.

cron, watch, fila.

Logs, idempotência, limites e retomar de falha pra o worker não virar problema.

Um worker 24/7 frágil custa mais tempo do que economiza.

Logs, idempotência, retomada.

Orquestrar vários workers (recap 4.1), cada um numa função; prévia dos 4.3/4.4/4.5.

Mostra onde a trilha chega: uma equipe de agentes sua.

Frota, especialização, orquestração.

Um worker que vasculha o repositório por segredos, padrões inseguros e anomalias sem parar.

É o primeiro caso real e o mais direto de justificar.

Segredos, padrões inseguros, contínuo.

Fontes (código, dependências) → agente local com checklist → relatório priorizado.

Ver o pipeline antes evita código bagunçado.

Fontes, checklist, relatório priorizado.

Rodar ferramentas baratas (gitleaks/grep de segredos, npm audit/pip-audit) antes do LLM.

Ferramentas determinísticas pegam o óbvio barato e rápido.

gitleaks, npm audit, pip-audit.

Prompt que manda o modelo local triar os achados e explicar risco e correção.

O LLM agrega contexto e prioridade ao que as ferramentas cuspiram.

Triagem, risco, correção.

cron a cada X horas (recap 4.2), relatório datado e alerta só no que é novo.

Transforma um script pontual em vigilância contínua.

cron, relatório datado, alerta de novidade.

Tratar falsos positivos, definir escopo, manter tudo local e revisão humana.

Segurança mal-feita gera ruído ou vaza o próprio código.

Falso positivo, escopo, revisão humana.

Worker que vigia Reddit/fóruns/RSS e extrai dores/oportunidades, rankeadas e com link de origem.

Mostra IA local gerando inteligência de mercado pra você.

Dores, ranking, citação de origem.

Respeitar ToS/robots, rate limit e usar APIs oficiais quando houver.

Coletar errado quebra contas e leis; vale fazer do jeito certo.

ToS, robots, rate limit.

Puxar de uma fonte permitida (RSS/JSON do Reddit, API) e normalizar os itens.

Dados limpos são metade da qualidade do resultado.

RSS, API, normalização.

Prompt que classifica cada item (é dor real? que produto resolve? score 0-10) e devolve JSON.

Saída estruturada é o que permite rankear e automatizar.

Classificação, score, JSON estruturado.

Ordenar por score, deduplicar, gravar com fonte/citação e notificar só o que passou do corte.

Sem corte e dedupe, você afoga em ruído.

Ordenação, deduplicação, corte.

Agendar a cada N min (4.2), arquivo/painel de saída e refinar o prompt com o tempo.

O vigia melhora conforme você calibra os critérios.

Agendamento, painel, iteração do prompt.

Um assistente pessoal local com personalidade (system prompt), interface e voz.

É o caso mais pessoal e o fechamento natural do curso.

Personalidade, interface, voz.

Modelfile/SYSTEM definindo nome, tom e regras do "buddy".

O system prompt é o que dá identidade ao seu assistente.

system prompt, Modelfile, identidade.

Reusar Open WebUI (3.2) ou uma página HTML simples que chama a API local (3.5).

Uma interface própria torna o uso diário agradável.

Open WebUI, HTML, API local.

TTS (text-to-speech, ex.: Piper) transforma a resposta do modelo em fala.

Voz torna o assistente natural e mãos-livres.

TTS, Piper, pipe de áudio.

STT (speech-to-text, ex.: whisper.cpp) pra você falar com o assistente.

Fecha o ciclo de conversa por voz, sem nuvem.

STT, whisper.cpp, voz bidirecional.

Juntar embeddings/RAG (3.6) pra ele lembrar de você e Tailscale (2.4) pra acessar do celular.

Memória + acesso remoto é o que o torna um companheiro de verdade.

RAG, memória, Tailscale.

Medir tokens/s, latência e uso de memória (ollama ps) e definir o "bom o suficiente".

Sem medir, você otimiza no escuro.

tokens/s, latência, uso de memória.

Modelo grande numa máquina, rápido noutra; roteamento (recap 4.1/2.4).

Escala transforma máquinas soltas num cluster pessoal.

Multi-GPU, multi-máquina, roteamento.

Pico de inteligência, uso raro e manutenção podem pedir cloud ou híbrido.

Saber o limite evita teimosia que custa caro.

Pico de inteligência, uso raro, híbrido.

Estimar consumo, garantir ventilação e deixar o lab 24/7 com responsabilidade.

Calor e energia são o custo escondido do sempre-on.

Consumo, ventilação, térmico.

OOM, modelo lento, driver/CUDA quebrado, porta ocupada, Tailscale offline.

Um mapa de problemas comuns te tira do buraco rápido.

OOM, driver/CUDA, porta ocupada.

Roadmap de evolução, comunidades e manter modelos atualizados; recap das 4 trilhas.

Fechar com um plano mantém o lab vivo depois do curso.

Roadmap, comunidade, atualização.