Codex vira assistente pessoal com memória em Markdown, Git e Telegram

O Habr AI publicou um estudo de caso detalhado sobre como o Codex deixou de ser um agente de programação para virar um assistente pessoal com memória de longo prazo. Em vez de bancos de dados vetoriais e RAG complexo, o autor montou um sistema controlável com Markdown, Git, papéis, automações e fontes externas como Telegram e Anki.

Por que não RAG

O autor parte de um problema simples: um chat de IA comum responde razoavelmente bem no momento, mas quase não sabe viver ao longo do tempo. Cada nova conversa perde parte do contexto, distingue mal fatos estáveis, anotações temporárias e hipóteses, e a personalização fica trancada dentro de uma conversa específica. Para um assistente pessoal isso não basta, porque ele precisa não só reagir a uma pergunta, mas também lembrar hábitos, objetivos, o histórico de decisões e cenários recorrentes.

Em vez da pilha típica com embeddings, banco vetorial e GraphRAG, ele escolheu uma opção mais transparente: uma hierarquia de arquivos Markdown no Git. Segundo ele, essa abordagem funciona melhor num corpus de conhecimento pequeno ou médio, que dá para organizar numa estrutura clara. Os arquivos são legíveis por humanos, fáceis de versionar, não escondem a lógica de busca numa caixa-preta e obrigam a pensar não só em retrieval, mas também na disciplina de armazenamento. A ideia central do artigo: na memória pessoal, arquitetura e regras importam mais do que a tecnologia da moda da vez.

Como o Jarvis funciona

O Jarvis se apoia num repositório dividido em várias camadas: profile para informações estáveis sobre o usuário, areas para as principais esferas da vida, events para a cronologia, preferences para restrições e padrões, roles para os modos de resposta, skills para procedimentos locais, assets para fontes externas e inbox para material bruto. O ponto não são as pastas em si, mas o fato de que o agente recebe um comportamento rígido: primeiro buscar o contexto relevante, depois responder e, se necessário, atualizar a memória sem poluir o sistema inteiro.

O valor prático aparece em cenários concretos que o autor já conectou ao Codex:

• um papel de professor de inglês que usa o histórico das aulas e sabe trabalhar com AnkiConnect
• uma análise diária de descontos em lojas e a montagem de uma dieta econômica para ganho de massa
• uma reconstrução semanal do plano de treino conforme a carga atual e a recuperação
• resumos curtos de tarefas, decisões pendentes e balanços pessoais da semana
• conexão de arquivos do Telegram, onde já se acumularam quase 300 mil mensagens e mais de 3 mil mensagens de voz

Há ênfase especial em papéis e automações. O mesmo agente pode atuar como assistente contextual para a vida, analista, operador de procedimentos de rotina ou assistente de bem-estar. Com isso, as respostas deixam de ser genéricas e passam a se ligar às tarefas reais do usuário.

O Telegram aqui não serve como um depósito infinito de dados brutos, mas como fonte para normalização: as mensagens são indexadas por ano, os áudios são transcritos e, a partir das conversas, atualizam-se fichas de pessoas e sínteses gerais. Sem essa camada de limpeza, a memória rapidamente vira um lixão, e permissões de escrita amplas demais começam a gerar ruído e duplicatas.

"Cada subagente é como um polvo em seu próprio aquário."

O que isso significa

O artigo mostra bem para onde está se deslocando o foco prático em torno dos agentes de IA. Em assistentes pessoais e cenários de trabalho com Copilot, não vai se sair melhor quem simplesmente tem o modelo mais forte, mas quem projetar melhor a memória, os papéis, os limites de acesso e o custo de manutenção. Se essa camada for transparente e barata de manter, até um agente de programação comum pode passar a funcionar como um assistente digital realmente útil, principalmente onde é crítico lembrar da pessoa e não perder contexto entre sessões. É isso que torna a abordagem prática.