Super memória vs. segundo cérebro: como obter maior produtividade com IA?

Autoria: Vini - AI Coders Academy · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: português

Vídeo original: Super memória vs. Segundo Cérebro: como obter maior produtividade com I.A.? · Canal: Vini - AI Coders Academy · 10:23 · Assistir no YouTube

Tópicos: Agentes de IA, Aplicações empresariais de IA, Automação de tarefas e workflows, RAG, busca e recuperação de informação

Resumo

O vídeo defende que um segundo cérebro útil para agentes de IA deve ser mais do que um conjunto de arquivos estáticos: precisa ser externo ao agente, fácil de consultar e simples de manter. Entre os recursos importantes, destaca o dreaming, que identifica padrões e gera insights, e a organização de memórias por temas e ao longo do tempo. Também apresenta Super Memory, Mem Zero, Ronchu e uma ferramenta da AI Coders Academy, comparando recursos como busca híbrida, memória persistente e integração com MCP. A recomendação final é escolher a solução que melhor se encaixe no workflow e evitar gastar mais energia gerenciando o segundo cérebro do que usando-o.

Pontos-chave

Manter a memória e o contexto fora de um agente reduz o lock-in e facilita a troca de ferramentas.
O dreaming analisa fatos e acontecimentos registrados para encontrar padrões e sugerir insights.
Agrupar e versionar memórias por tema ajuda a preservar mudanças ao longo do tempo sem simplesmente sobrescrever o passado.
Busca vetorial, metadados e recuperação híbrida podem ajudar a localizar informações sem carregar todos os arquivos e consumir muitos tokens.
Super Memory, Mem Zero e Ronchu oferecem diferentes combinações de memória persistente, busca e integração com agentes.
A ferramenta da AI Coders Academy é apresentada como uma estrutura de segundo cérebro voltada ao aprendizado com IA.
A escolha da ferramenta deve levar em conta se o workflow é principalmente em nuvem ou local.
Se a manutenção do segundo cérebro consome mais tempo do que seu uso, vale revisar como a base foi construída.

Capítulos

Início	Capítulo	Resumo
00:00	O que um segundo cérebro deveria oferecer	O vídeo questiona o uso de arquivos estáticos e explica por que uma memória externa ao agente pode reduzir o lock-in.
02:06	Dreaming e memórias organizadas por tema	O apresentador explica como a análise de memórias pode gerar insights e como versionar informações relacionadas ao longo do tempo.
04:41	Super Memory e Mem Zero	São apresentados recursos de Super Memory e Mem Zero, incluindo busca, memória persistente e conexões entre informações.
06:44	Ronchu e a ferramenta da AI Coders Academy	O vídeo descreve as capacidades do Ronchu e apresenta a ferramenta da AI Coders Academy para aprender com IA.
08:18	Como escolher e usar um segundo cérebro	O apresentador recomenda escolher uma solução compatível com o workflow e revisar a base caso sua manutenção tome mais tempo do que seu uso.

Citações

Não é bem errado, mas não é a melhor maneira de você criar um segundo cérebro. — 00:00

Crie a camada de memória e contexto externa a essa ferramenta. — 01:35

A primeira função que você tem que olhar dentro de uma ferramenta é a capacidade de dreaming. — 03:09

Se você está gastando mais tempo gerenciando do que usando, provavelmente está errado. — 09:52

Conceitos e entidades

Second Brain (conceito): Método de registrar notas e arquivos fora da própria memória para facilitar o armazenamento e a consulta de informações.
dreaming (conceito): Processo de analisar memórias registradas para gerar novas observações, identificar padrões e produzir insights.
Supermemory (ferramenta): Ferramenta de memória para agentes que, segundo o vídeo, oferece dreaming, histórico, busca híbrida e conectores.
Mem Zero (ferramenta): Ferramenta descrita como capaz de extrair fatos e preferências, manter memória entre sessões e conectar entidades.
Ronchu (ferramenta): Ferramenta que armazena conversas e documentos e usa raciocínio em segundo plano e níveis de esforço para buscas.
AI Coders Academy (empresa): Organização responsável pela ferramenta de segundo cérebro apresentada no vídeo, voltada ao aprendizado com inteligência artificial.
Obsidian (ferramenta): Aplicativo citado como uma opção de armazenamento de notas que o apresentador considera limitada para esse uso.
MCP (conceito): Meio de integração mencionado para conectar ferramentas de memória a agentes de IA.
busca híbrida (conceito): Combinação de busca semântica, palavras-chave, filtros ou relações entre dados para recuperar informações.

Tradução completa (pt-BR)

00:00 Estão te ensinando o segundo cérebro errado, e eu posso te provar. Não é bem errado, mas vamos dizer assim: não é a melhor maneira de você criar um segundo cérebro. O conceito de segundo cérebro vem do livro do Tiago Forte, Building a Second Brain, que parte da ideia de você criar notas e arquivos para tirar as informações da sua cabeça e armazená-las em outro lugar, onde seja mais fácil consultá-las. E a ideia é genial. O problema é que, quando a gente pensa no conceito de segundo cérebro, eu esperaria algo que conseguisse consumir sem precisar gastar muita energia com duas coisas. Primeiro,

00:32 manutenção e, segundo, leitura. Porque, basicamente, se eu tenho uma estrutura de vários arquivos estáticos fora do meu cérebro, talvez ela não seja tão otimizada para buscar informações quanto o meu cérebro. E aí a gente começou a pensar em outros caminhos. Hoje eu quero te mostrar ferramentas que podem funcionar como um conceito de segundo cérebro, mas que são bem mais interessantes do que simplesmente empilhar arquivos markdown estáticos. Bora nessa. Por que o segundo cérebro é importante? Porque você consegue delegar tarefas para o seu agent, e ele vai ter sempre um

01:03 contexto, uma base de conhecimento externa ao agent. Hoje, o seu agent já tem a própria memória: o Claude, o Codex. O Hermes também pode ter essa memória, assim como o Open Claude. O problema é que, quando você olha para um agent, tem que entendê-lo como uma interface, não como um produto. Se você o vê como um produto, vai entuxar tudo ali dentro. Qual é o problema? No momento em que precisar trocar de agent, você vai ter que trazer tudo isso de volta para outro lugar. E aí acaba criando um lock-in muito grande e, eventualmente, você desanima até mesmo de olhar para outras opções. Então, o

01:35 primeiro passo para você não ficar travado em uma única ferramenta é criar a camada de memória e contexto externa a essa ferramenta. Entendendo que o seu segundo cérebro pode ir muito além de simplesmente salvar arquivos markdown, a gente já elimina aqui a hipótese de usar o Obsidian ou o Git para fazer isso. Tem coisa melhor. O mínimo que uma estrutura de memória para o seu agent precisa ter hoje para você ficar satisfeito são as seguintes funcionalidades. A primeira delas, e acho que uma das mais importantes, é a capacidade de sonhar, dreaming. O que o dreaming faz? Ele vai pegar uma sequência de fatos e acontecimentos que

02:06 foram registrados na memória e, a partir desses fatos e acontecimentos, vai gerar novos fatos e acontecimentos. Como assim, Vinícius? Imagina que eu tenho uma empresa com 200 funcionários e há dois times que não têm uma interface direta, mas ambos estão trabalhando nas mesmas coisas. Se eu tenho uma camada de memória compartilhada entre todos esses times da empresa, que eventualmente vai registrar as memórias das decisões de ambos os times, consigo que, ao final do dia, uma estrutura, um agent de IA, leia todos os acontecimentos e me traga

02:37 alguns insights. E um desses insights pode ser: “Olha, tem dois times trabalhando na mesma coisa. Fulano e fulano precisam conversar, porque vocês vão conseguir economizar bastante tempo e energia”. Então, a capacidade de dreaming tem justamente esse peso: ter um olhar externo observando tudo o que está acontecendo internamente em um fluxo, dentro de uma empresa, dentro de um workflow de trabalho, e, a partir disso, trazer para você insights importantes. Trazendo para um conceito pessoal, isso pode acontecer na sua própria vida. Digamos que você está aprendendo inglês usando um

03:09 agent de inteligência artificial e, em determinado momento, começou a viajar e não está conseguindo avançar tanto. Pode ser que essa camada de dreaming perceba um padrão nas suas falhas de aprendizado de inglês e traga para você insights interessantes sobre outros caminhos que poderia explorar. Então, a primeira função que você tem que observar em uma ferramenta é essa: a capacidade de dreaming. A segunda função é a capacidade de juntar memórias dentro de um mesmo tema. Imagina que eu tenho o tema “aprender a andar de bicicleta”. Eu

03:40 posso não saber andar de bicicleta hoje, mas isso não significa que, daqui a 10 anos, eu não saiba. Então, em algum momento da minha trajetória, vou aprender a andar de bicicleta. Isso faz parte de uma mesma linha do tempo: a linha do tempo em que eu não sabia e a linha do tempo em que eu sei. Em vez de simplesmente criar memórias novas, vou versionar uma memória, um tema. Esse mesmo tema vai ter decisões diferentes que aconteceram ali. Isso resolve o problema que talvez você esteja tendo hoje no GitHub ou no Obsidian, que é justamente fazer a gestão de memórias

04:11 novas, porque você não esquece nem sobrescreve o que já existiu antes. Você tem uma capacidade mais fácil, um mecanismo, uma arquitetura mais fácil para encontrar essas informações e depende menos de ficar olhando tudo o que o seu agent está fazendo. Então, essas são as duas principais funcionalidades. Além disso, é importante observar se essas ferramentas oferecem, por exemplo, um caminho para fazer uma busca vetorial de dados com RAG e se esse RAG traz metadados específicos para um arquivo. Então, em vez de ler todos os arquivos e gastar

04:41 um monte de tokens para trazer todos os arquivos, você faz uma busca vetorial que traz os metadados específicos, apontando, aí sim, para aquele arquivo completo dentro da sua base de conhecimento. Tendo isso em mente, vamos explorar essas ferramentas, começando pelo Super Memory. O Super Memory já traz a capacidade de dreaming. Ele trabalha com estruturas de grafos por memória, então você vai ter uma conexão entre pessoas, documentos, projetos, fatos e acontecimentos. Ele também trabalha com atualização com histórico, baseada na mesma ideia de identificar informações que substituem

05:11 ou complementam registros anteriores, o que vai facilitar o gerenciamento dessas memórias. Ele traz contexto temporal e também esquecimento: trata informações expiradas e permite excluir memórias de recuperação. Também trabalha com perfis persistentes, reunindo preferências e informações relevantes de usuários ou projetos. Trabalha com busca híbrida: combina a busca semântica com filtros, relações do grafo e reordenação dos resultados. E, claro, também trabalha com conteúdo multimodal e conectores para documentos, imagens, áudio, vídeo e fontes como, por exemplo,

05:43 Google Drive, Notion e GitHub. Hoje, está disponível a conexão via API, SDK, MCP, entre outros plugins no seu agent. Outro player interessante é o Mem Zero; já falei dele aqui em outros vídeos, inclusive. O Mem Zero trabalha com extração automática de fatos e preferências de cada interação, então também trabalha com essa estrutura de dreaming. Trabalha com memória persistente entre sessões. Então, se eu troco um agent por outro em uma nova sessão, ele consegue manter aquela memória persistente, assim como o Super Memory também consegue. Trabalha com separação por

06:13 usuário, agent e sessão. Então, levar isso para dentro de uma empresa é muito interessante, porque você pode ter memórias das pessoas que estão usando o sistema e também do agent. Ele também faz busca semântica híbrida, como o Super Memory, então, conforme a versão e a configuração que você estiver utilizando, vai buscar várias informações de várias fontes de dados. Trabalha com identificação e conexão de entidades para melhorar justamente a recuperação de dados. Trabalha com recuperação temporal, considerando datas para distinguir acontecimentos passados,

06:44 estado atual e também planos futuros. Trabalha com operações de gerenciamento — adicionar, consultar e excluir memórias —, APIs, SDKs e ferramentas de linha de comando, que são maneiras de você se conectar com ele e de o seu agent também se conectar com ele, inclusive via MCP. Tem uma biblioteca open source, um servidor próprio e uma plataforma gerenciada. Então, se você quiser pagar para usar a plataforma deles em vez de hospedar por conta própria, existe essa possibilidade. Outra opção interessante é o Ronchu. O Ronchu trabalha com armazenamento de conversas, eventos, documentos e

07:16 registros de ferramentas. Trabalha com raciocínio em segundo plano, que vai extrair observações e conclusões das interações. Isso é bem parecido com aquela ideia de dreaming de que a gente falou. Um diferencial interessante do Ronchu é que ele trabalha por nível de esforço: você vai ter o esforço mínimo de busca, o esforço médio e o esforço maior, e cada um desses esforços vai consumir mais ou menos tokens e gerar mais ou menos custo de API. Isso porque, junto com o Ronchu, ele também usa uma estrutura de LLM para trabalhar nessas buscas. Também trabalha com representações persistentes de pessoas,

07:47 Agentes, grupos e projetos, perspectivas entre participantes; ou seja, ele modela o que um participante sabe sobre o outro, quando configurado. Nesse caso, temos consultas em linguagem natural sobre participantes ou sobre todo o ambiente de trabalho. Aí também estamos falando de busca semântica, busca híbrida com palavras-chave e vetores, resumos e contexto de sessão preparados para enviar ao modelo, organização por ambientes, sessões e escopos de recuperação. Também vem com API, SDK, MCP e integrações para os seus agentes. Outra opção que temos é

08:18 aqui a ferramenta da AI Coders Academy, que desenvolvemos para que você consiga aprender com inteligência artificial de maneira didática. O maior diferencial dela em relação a todas as outras do mercado, até agora, é que não existe uma ferramenta no mercado feita para ajudar você a aprender usando inteligência artificial. Vou dar um exemplo. Provavelmente você já tentou aprender um idioma usando o ChatGPT. Aí você vai à primeira aula com o ChatGPT, acha demais, mas não dá seguimento àquilo, não continua evoluindo no seu aprendizado. Por quê? Provavelmente, aquele aprendizado não está relacionado às

08:50 coisas sobre você. Talvez você esteja aprendendo sobre agentes de IA. Seria sensacional ter uma aula de inglês sobre agentes de IA, mas seguindo uma ementa. Então, desenvolvemos justamente um caminho para você conseguir desembolar e aprender mais sobre inteligência artificial usando essa estrutura de Segundo Cérebro que criamos. Ela também trabalha com Dreaming, busca semântica e busca vetorial, tudo de maneira otimizada para você conectar a qualquer agente de IA que tiver, qualquer um, via MCP, e ter essa estrutura trabalhando com projetos, com

09:20 tarefas, lembretes, pessoas e por aí vai. Essa é, inclusive, a ferramenta que usamos em produção aqui nos nossos agentes. Se quiser aprender um pouco mais sobre isso, sobre como estamos construindo nosso Segundo Cérebro, há uma aula gratuita na descrição. É só clicar, que você vai curtir demais essa aula. E olha, falamos neste vídeo sobre várias ferramentas. Sei que você deve estar pensando agora: qual ferramenta usar? Minha dica para você é: use aquela que se encaixar melhor no seu workflow de agentes. Se hoje você está usando um workflow de agentes na nuvem, busque a

09:52 solução que ofereça uma integração em nuvem mais fácil. Se você está trabalhando mais localmente, busque a solução que ofereça uma solução local mais fácil. A percepção de uso que você deve ter é a seguinte: hoje, você está gastando mais energia gerenciando o seu Segundo Cérebro ou usando-o para fazer as coisas que precisa fazer? Se está gastando mais tempo gerenciando do que usando, provavelmente está fazendo algo errado. Revise como construiu essa base. Este é o nosso vídeo sobre o Segundo Cérebro. Espero ter contribuído com o

10:23 seu aprendizado. Se curtiu este vídeo, deixe seu like, inscreva-se no canal e compartilhe no grupo dos seus amigos e da empresa. No mais, estamos juntos. Eu sou o Vini, e este é o canal da AI Coders Academy. Aquele abraço e valeu.

Transcrição original

[00:00] Estão te ensinando o segundo cérebro errado, e eu posso te provar. Não é bem errado, mas vamos dizer assim, não é a melhor maneira de você criar um segundo cérebro. O conceito de second brain vem do livro do Tiago Forte, Building a Second Brain, que é a ideia de você criar notas e arquivos para que você tire a informação que tá na sua cabeça e armazene em outro lugar que fique mais fácil de ser consultado. E é genial a ideia. O problema é que quando a gente pensa no conceito de segundo cérebro, eu esperaria algo que eu conseguisse consumir sem precisar de gastar muita energia para duas coisas. Primeiro,

[00:32] manutenção e segundo, leitura. Porque basicamente, se eu tenho uma estrutura de vários arquivos estáticos fora do meu cérebro, isso talvez não é tão otimizado quanto é o meu cérebro para buscar informação. E aí a gente começou a pensar em outros caminhos. E hoje eu quero te mostrar ferramentas que podem funcionar como um conceito de segundo cérebro, mas bem mais interessantes do que simplesmente empilhar arquivos markdown estáticos. Bora nessa. Por que que o segundo cérebro é importante? Porque você consegue delegar para o seu agente tarefas e ele vai ter sempre um

[01:03] contexto, uma base de conhecimento externa ao agente. Hoje, o seu agente já tem a memória dele, o Claude, o Codex. O Hermes também pode ter essa memória e o Open Claude também. O problema é que quando você olha para um agente, você tem que entender ele como uma interface, não como um produto. Se você tá vendo ele como um produto, você vai entuxar tudo ali dentro. Qual que é o problema? No momento que você precisar de trocar de agente, você tem que trazer tudo isso de volta para um outro lugar. E aí você acaba criando um lock-in muito grande e eventualmente você desanima até mesmo de olhar para outras opções. Então, o

[01:35] primeiro passo para você não ficar travado numa única ferramenta é: crie a camada de memória e contexto externa a essa ferramenta. Entendendo que o seu second brain ele pode ir muito além do que simplesmente salvar arquivos markdown a gente já elimina aqui a hipótese de usar o Obsidian ou o Git para fazer isso. Tem coisa melhor. O mínimo que uma estrutura de memória para o seu agente hoje precisa ter para você ficar satisfeito é as seguintes funcionalidades. A primeira delas, eu acho que uma das mais importantes, é a capacidade de sonhar, dreaming. Que que o dreaming faz? Ele vai pegar uma sequência de fatos e acontecimentos que

[02:06] foram registrados em memória e a partir desses fatos e acontecimentos vai gerar novos fatos e acontecimentos. Como assim Vinícius? Imagina que eu tenho uma empresa de 200 funcionários e tem dois times que não tem uma interface direta, mas ambos os times estão trabalhando nas mesmas coisas. Se eu tenho uma camada de memória compartilhada entre todos esses times da empresa e que eventualmente vai registrar as memórias das decisões de ambos os times, eu consigo que ao final do dia uma estrutura, um agente de IA, leia todos os acontecimentos e me traga

[02:37] alguns insights. E um desses insights pode ser: “Ó, tem dois times trabalhando na mesma coisa. Fulano e fulano precisam conversar que vocês vão conseguir economizar bastante tempo e energia”. Então, a capacidade de dreaming, ela tem justamente esse peso de ter um olhar externo observando tudo o que tá acontecendo internamente dentro de um fluxo dentro de uma empresa, dentro de um workflow de trabalho e a partir disso trazer para você insights importantes. Trazendo para um conceito pessoal, pode ser na sua própria vida. Digamos que você tá aprendendo inglês usando um

[03:09] agente de inteligência artificial e em determinado momento você começou a a viajar e não tá conseguindo avançar tanto. Pode ser que essa camada de dreaming, ela perceba um padrão nas suas falhas de aprendizado de inglês e ela traga para você insights interessantes de outros caminhos que você poderia explorar. Então, a primeira função que você tem que olhar dentro de uma ferramenta é essa, a capacidade de dreaming. A segunda função é a capacidade de juntar memórias dentro de um mesmo tema. Imagina que eu tenho o tema aprender a andar de bicicleta. Eu

[03:40] posso não saber andar de bicicleta hoje, mas não significa que daqui 10 anos eu não saiba. Então, em em algum momento da minha trajetória, eu vou aprender a andar de bicicleta. Isso faz parte de uma mesma linha do tempo, a linha do tempo que eu não sabia e e a linha do tempo que eu sei. Ao invés de eu criar simplesmente memórias novas, eu vou versionar uma memória, um tema, esse mesmo tema vai ter decisões diferentes que aconteceram ali. Isso resolve o problema que você talvez está tendo hoje no GitHub ou no Obsidian, que é justamente fazer a gestão de memórias

[04:11] novas, porque você não esquece, você não sobreescreve o que já existiu antes, você tem uma capacidade mais fácil, um mecanismo, uma arquitetura mais fácil de encontrar essas informações e você depende menos de ficar olhando tudo o que o seu agente está fazendo. Então, essas são as duas principais funcionalidades. Além disso, é importante observar se essas ferramentas te oferecem, por exemplo, um caminho de fazer uma busca de dados vetorial com o rag e que esse rag traga metadados específicos para um arquivo. Então, ao invés de ler todos os arquivos e gastar

[04:41] um monte de token para trazer todos os arquivos, você faz uma busca vetorial que traz o metadado específico, aí sim, apontando para aquele arquivo completo dentro da sua base de conhecimento. Tendo isso em mente, vamos explorar aqui, então, essas ferramentas, começando pelo Super Memory. O Super Memory já traz a capacidade de dreaming, ele trabalha com estruturas de grafos por memória, então você vai ter uma conexão de pessoas, documentos, projetos, fatos e acontecimentos. Ele também trabalha com atualização com histórico, que vem dessa mesma ideia de identificar informações que substituem

[05:11] ou complementam registros anteriores, vai facilitar para você gerenciar essas memórias. Ele traz contexto temporal e também esquecimento, ele trata informações expiradas e permite excluir memórias de recuperação. Ele também trabalha com perfis persistentes, reúne preferências e informações relevantes de usuários ou projetos. Ele trabalha com busca híbrida, ele combina na busca dele tanto a busca semântica com filtros, relações do grafo e reordenação dos resultados. E, claro, ele vai trabalhar também com conteúdo multimodal e conectores, documentos, imagens, áudio, vídeo e fontes, como, por exemplo,

[05:43] Google Drive, Notion e GitHub. Ele tem a disponibilidade hoje de você conectar via API, via SDK, MCP, entre outros plugins no seu agente. Um outro player interessante é o Mem Zero, já falei dele aqui em outros vídeos, inclusive. O Mem Zero trabalha com extração automática de fatos e preferências de cada interação, então ele vai trabalhar naquela estrutura também de dreaming. Ele trabalha com memória persistente entre sessões, então eu troco um agente para uma outra sessão, ele consegue manter aquela memória persistente, semelhante que o Super Memory também consegue fazer. Ele trabalha com separação por

[06:13] usuário, agente e sessão. Então para trazer isso dentro de uma empresa é muito interessante porque você pode ter memórias por pessoas que estão usando o sistema, quanto também pelo agente. Ele faz a busca semântica também híbrida, como o Super Memory faz, então conforme a versão e configuração que você tiver utilizando, ele vai buscar várias informações de várias fontes de dados. Ele trabalha com identificação e conexão de entidades para melhorar justamente na recuperação de dados. Ele trabalha com a recuperação temporal, considera datas para distinguir acontecimentos passados,

[06:44] estado atual e também planos futuros. Trabalha com operações de de gerenciamento, adicionar, consultar e excluir memórias, API, SDKs e ferramentas de linha de comando, que é a maneira que você consegue se conectar com ele e seu agente conectar com ele também, também via MCP. Tem uma biblioteca aberta e um servidor próprio e plataforma gerenciada, então se você quiser pagar para usar a plataforma deles ao invés de hospedar por conta própria, tem essa possibilidade. Outra opção interessante é o Ronchu, o Ronchu ele trabalha com armazenamento de conversas, com eventos, documentos e

[07:16] registros de ferramentas. Ele trabalha com raciocínio em segundo plano que vai extrair observações e conclusões das interações, que é bem parecido com aquela ideia de dreaming que a gente falou, com um diferencial interessante do Ronchu que ele vai trabalhar por nível de esforço, então você vai ter o esforço mínimo de busca, o esforço médio, o esforço maior e cada um desses esforços vai consumir mais ou menos tokens, mais ou menos custo de API. Porque junto com o Ronchu, ele também usa uma estrutura de LLM para trabalhar nessas buscas. Ele trabalha também com representações persistentes de pessoas,

[07:47] agentes, grupos e projetos, perspectivas entre participantes, ou seja, ele modela o que um participante sabe sobre o outro, quando configurado nesse caso, consultas em linguagem natural sobre participantes ou todo o ambiente de trabalho, aí a gente tá falando da busca semântica também, busca híbrida com palavras-chaves e vetores, resumos e contexto de sessão preparados para enviar para o modelo, organização por ambientes, sessões, escopos de recuperação. Aí também vem com a PI, SDK, MCP e integrações para os seus agentes. Uma outra opção, a gente tem

[08:18] aqui a ferramenta da AI Coders Academy, que a gente desenvolveu para de uma maneira didática você conseguir aprender com a inteligência artificial. Maior diferencial dela para todas do mercado até agora é que não existe uma ferramenta no mercado feita para te ajudar a aprender usando inteligência artificial. Vou te dar um exemplo. Provavelmente você já tentou aprender um idioma usando o ChatGPT. E aí você vai na primeira aula com o ChatGPT, acha demais, mas você não dá seguimento naquilo, você não continua evoluindo seu aprendizado. Isso por quê? Provavelmente aquele aprendizado não tá relacionado às

[08:50] coisas sobre você. Talvez você tá aprendendo sobre agentes de IA. Seria sensacional ter uma aula de inglês sobre agentes de IA, mas seguindo uma ementa. Então existe um caminho que a gente desenvolveu justamente para você conseguir desembolar e aprender mais sobre inteligência artificial usando essa estrutura de Second Brain que a gente desenvolveu. Ela também trabalha com Dreaming, ela trabalha com busca semântica, com busca vetorial, tudo de uma maneira otimizada para você plugar em qualquer agente de IA que você tiver, qualquer um, via MCP, e você ter essa estrutura trabalhando com projetos, com

[09:20] tarefas, com lembretes, com pessoas e por aí vai. Essa é a ferramenta inclusive que a gente usa em produção aqui nos nossos agentes. Se você quiser aprender um pouco mais sobre isso, como é que a gente tá aqui construindo nosso Second Brain, tem uma aula gratuita aqui na descrição, é só clicar que você vai curtir para caramba essa aula. E ó, a gente falou nesse vídeo sobre várias ferramentas. Eu sei que você deve tá pensando agora, qual ferramenta usar? A minha dica para você é: use aquela que encaixar melhor dentro do seu workflow de agentes. Se hoje você tá usando o workflow de agentes em nuvem, busque a

[09:52] solução que vai te entregar uma uma uma integração em nuvem mais fácil. Se você tá trabalhando mais local, busque a solução que vai entregar uma solução local mais fácil. A percepção de uso que você tem que ter é a seguinte: você tá gastando mais energia hoje gerenciando o seu Second Brain ou usando o seu Second Brain para fazer as coisas que ele precisa fazer? Se você tá gastando mais tempo gerenciando do que usando, provavelmente tá errado. Dá uma revisada em como é que você construiu essa base. Esse é o nosso vídeo sobre Second Brain. Espero que eu tenha contribuído com o

[10:23] seu aprendizado. Se você curtiu esse vídeo, deixa o seu like, se inscreve no canal, compartilha lá no grupo dos seus amigos e da empresa. No mais, tamo junto. Eu sou o Vini, esse aqui é o canal da AI Coders Academy. Aquele abraço e valeu.