Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoAnálise · No radarRaft→ original

Agente Codex montou uma base de conhecimento pessoal no Obsidian a partir de 4 artigos do Habr, no lugar de RAG

RAG, em que a rede neural busca trechos nos documentos e responde, "responde e esquece": no dia seguinte, a síntese dos artigos precisa ser refeita do zero. Ramil testou a ideia de Karpathy: o agente Codex mantém, no Obsidian, uma base de conhecimento formada por arquivos markdown. A partir de 4 artigos do Habr surgiram fichas, páginas de conceitos e links entre eles. Para pesquisa pessoal, funciona, mas com 50–100 fontes a carga dos artigos na base consome tokens de forma perceptível.

Processado por IA de Raft; editado por Hamidun News
Agente Codex montou uma base de conhecimento pessoal no Obsidian a partir de 4 artigos do Habr, no lugar de RAG
Fonte: Raft. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalRaft ↗
Editor-chefe
Três camadasfontes brutas, wiki em markdown e arquivo de regras para o agente
Três comandosingest (adicionar), query (perguntar) e lint (encontrar duplicatas)
Dado-chave #3Um erro no esquema de tags em 50–100 PDFs se propaga por toda a wiki

Você leu uma dezena de artigos, pediu a uma rede neural que encontrasse o que há em comum entre eles, recebeu uma ótima resposta e, no dia seguinte, ela ficou numa aba fechada do chat. O conhecimento não se acumulou. É assim que costuma funcionar o RAG: o modelo encontra, nos documentos carregados, os trechos adequados e responde com base neles.

O engenheiro de qualidade Ramil testou outra ideia, popularizada por Andrej Karpathy, chamada LLM Wiki. Nela, o agente não se limita a responder: ele mesmo mantém uma base de conhecimento pessoal. O papel do agente coube ao Codex, assistente da OpenAI que consegue ler e editar arquivos numa pasta de projeto.

A base foi o Obsidian, um aplicativo de anotações que guarda tudo em arquivos markdown comuns e mostra as conexões entre eles na forma de um grafo. O material foram quatro artigos do Habr.

Em que isso difere do RAG

No esquema habitual, você carrega PDFs ou artigos, faz uma pergunta, o sistema extrai fragmentos e gera a resposta. Para aplicações de produção com usuários, controle de acesso e SLA, essa é a abordagem certa. Mas, para o trabalho pessoal, ela tem uma limitação: "respondeu e esqueceu". Suponha que você tenha lido sobre guardrails, avaliação de qualidade, OCR e agentes de IA em BI. O modelo pode produzir uma boa síntese, mas, se ela ficou no chat, terá de ser montada de novo.

O LLM Wiki propõe compilar o conhecimento numa camada permanente de arquivos markdown. O esquema tem três partes:

  • raw — fontes originais: artigos, PDFs, anotações e transcrições. É a fonte da verdade, e o agente não as edita;
  • wiki — a camada processada: fichas das fontes, páginas de conceitos, conexões, sínteses e respostas salvas;
  • arquivo de regras — instruções para o agente: como adicionar fontes, como nomear os arquivos, como separar fato de interpretação e o que atualizar após cada operação.

O autor compara isso ao desenvolvimento de software: o Obsidian é a IDE do conhecimento, o markdown é a base de código e o Codex é o agente mantenedor.

Três operações e um experimento real

O trabalho se apoia em três comandos. Ingest adiciona uma nova fonte: o Codex lê o artigo, cria uma ficha, destaca a ideia, as teses, as limitações e as técnicas, e atualiza ou cria páginas de conceitos. O autor enfatiza a diferença: um resumo comum responde à pergunta "do que trata o artigo?"

, enquanto o ingest responde "como este artigo muda a minha base de conhecimento?" Query responde a perguntas com base na wiki já acumulada, e a resposta valiosa é salva ali mesmo, de modo que a pergunta também passa a fazer parte da base. Lint verifica a saúde da base: procura duplicatas, contradições, conclusões desatualizadas, conceitos sem página e "ilhas" no grafo.

O autor chama esses problemas de knowledge smell, por analogia ao code smell no código.

Para o teste, foram usados quatro artigos do Habr: sobre GLiNER Guard e guardrails para LLMs, sobre avaliação de classificador com DeepEval usando GPT-4o e YandexGPT, sobre HunyuanOCR e reconhecimento de documentos, e sobre BI com IA baseado em Apache Superset e MCP. Separadamente, são quatro textos sem relação entre si. Depois do ingest, o Codex identificou um tema comum: todos tratam de sistemas com LLM em produção. Um aborda segurança, outro métricas, outro o trabalho com documentos e o quarto agentes com ferramentas, permissões e auditoria. Na wiki surgiram páginas de conceitos, incluindo segurança da informação, e a visão de grafo do Obsidian mostrou como os artigos convergem em nós comuns.

Tecnicamente, é simples: o Codex é iniciado na pasta do projeto, lê o arquivo de regras, examina a estrutura e edita os markdowns. A diferença está na formulação da tarefa. O pedido "faça um resumo bonito" gera um resultado aleatório, enquanto uma ordem precisa ("não mexer em raw, fazer a ficha pelo modelo, atualizar conceitos, index, relations e log, registrar as limitações") gera um resultado previsível. O autor compara isso à diferença entre perguntar algo a um estagiário e entregar a um engenheiro um repositório com regras de trabalho.

Quanto custa e onde estão os limites

O principal alerta do autor: o ingest não é um resumo gratuito, mas uma operação cara de leitura, análise e escrita. Cinco fontes podem ser processadas quase sem dor. Com 50–100 fontes, sobretudo PDFs de muitas páginas, qualquer tag malsucedida, entidade desnecessária ou seção mal feita sai mais caro: o modelo relê grandes trechos de texto, reescreve dezenas de páginas e pode propagar a estrutura errada por toda a wiki. Na nuvem, isso se traduz em cobrança direta por tokens. Um modelo local não cobra por token, mas exige uma máquina potente, caso contrário a qualidade das conexões cai com grandes volumes ou a espera se torna longa.

Para estimar o orçamento, o autor calculou o custo na Yandex Foundation Models para o seu vault de demonstração em 29 de junho de 2026, considerando apenas o que de fato participa do processo: os quatro artigos-fonte em raw e a camada de wiki gerada (sources, concepts, synthesis, index, relations, log).

O Codex foi escolhido por conveniência. O mesmo processo pode ser montado com scripts: um observador da pasta raw envia os novos arquivos a um modelo local ou na nuvem, recebe uma resposta estruturada e recria as fichas e índices. Em seguida, vale incluir uma pessoa na revisão: o agente propõe um diff, e a pessoa aceita ou corrige.

O que levar para o trabalho

É possível começar pequeno: uma pasta, markdown, Obsidian, um agente e três comandos. Primeiro ajuste o arquivo de regras com 3–5 fontes e só depois aumente a escala. Calcule os tokens do ingest de antemão e deixe a revisão das mudanças a cargo de uma pessoa, senão o agente vai consolidar os próprios erros na estrutura. A limitação é óbvia: trata-se de uma ferramenta pessoal para pesquisa e preparação de materiais, não um substituto para o RAG de produção com controle de acesso e SLA. O experimento é pequeno, apenas quatro artigos, por isso o comportamento com centenas de documentos só pode ser avaliado a partir dos alertas do próprio autor.

História

Perguntas frequentes sobre a notícia

O que se sabe sobre Em que isso difere do RAG?

No esquema habitual, você carrega PDFs ou artigos, faz uma pergunta, o sistema extrai fragmentos e gera a resposta. Para aplicações de produção com usuários, controle de acesso e SLA, essa é a abordagem certa. Mas, para o trabalho pessoal, ela tem uma limitação: "respondeu e esqueceu". Suponha que você tenha lido sobre guardrails, avaliação de qualidade, OCR e agentes de IA em BI. O modelo pode produzir uma boa síntese, mas, se ela ficou no chat, terá de ser montada de novo.

O que se sabe sobre Três operações e um experimento real?

O trabalho se apoia em três comandos. Ingest adiciona uma nova fonte: o Codex lê o artigo, cria uma ficha, destaca a ideia, as teses, as limitações e as técnicas, e atualiza ou cria páginas de conceitos. O autor enfatiza a diferença: um resumo comum responde à pergunta "do que trata o artigo?", enquanto o ingest responde "como este artigo muda a minha base de conhecimento?".

O que se sabe sobre Quanto custa e onde estão os limites?

O principal alerta do autor: o ingest não é um resumo gratuito, mas uma operação cara de leitura, análise e escrita. Cinco fontes podem ser processadas quase sem dor. Com 50–100 fontes, sobretudo PDFs de muitas páginas, qualquer tag malsucedida, entidade desnecessária ou seção mal feita sai mais caro: o modelo relê grandes trechos de texto, reescreve dezenas de páginas e pode propagar a estrutura errada por toda a wiki. Na nuvem, isso se traduz em cobrança direta por tokens.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
O que você acha?
Carregando comentários…