Octop da Tencent (open source): a ferramenta que reúne assistentes especializados, documentos e agentes de programação

Autoria: AICodeKing · 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: inglês

Vídeo original: Tecent Octop (Opensource): Wait, Tencent just ENDED OpenAI Dots & Muse!? · Canal: AICodeKing · 12:21 · Assistir no YouTube

Tópicos: Agentes de IA, Automação de tarefas e workflows, Ferramentas de desenvolvimento com IA, Modelos locais e open source, RAG, busca e recuperação de informação

Resumo

O vídeo apresenta o Octop, um assistente de IA open source da Tencent Cloud que pode ser executado na própria máquina e reúne experts, bases de conhecimento, tarefas agendadas e conexões com ferramentas de programação. O tutorial mostra a instalação, a configuração de um modelo e a criação de um expert que responde perguntas com base em notas de versão, além de uma equipe com funções de redação e revisão. Também demonstra como delegar uma tarefa de arquivos ao OpenCode por meio do ACP e criar um lembrete agendado. O apresentador recomenda começar com um único expert e um documento pequeno, verificando as respostas antes de ampliar o workflow; alerta ainda que equipes estão em beta, modelos na nuvem podem gerar custos e o self-hosting não mantém automaticamente todos os dados locais.

Pontos-chave

O Octop é apresentado como um assistente open source da Tencent Cloud, com instalação local e interface web.
O usuário fornece e configura os modelos; o aplicativo também oferece suporte ao Ollama para modelos locais.
Self-hosting não significa que todas as solicitações sejam processadas localmente: o uso de um provedor na nuvem envia informações a esse provedor.
Experts podem ter funções e modelos diferentes, e bases de conhecimento permitem consultar documentos com referências às fontes.
O exemplo de notas de versão verifica se o assistant identifica corretamente recursos, limitações e informações não anunciadas.
Equipes combinam experts especializados por meio de um coordenador, mas o recurso é beta e envolve chamadas adicionais de modelo.
O ACP permite delegar tarefas a uma ferramenta de programação externa, como OpenCode, para trabalhar com arquivos do projeto.
Tarefas agendadas podem enviar um texto fixo ou solicitar que um agent execute trabalho quando a tarefa for acionada.
O apresentador recomenda começar com um expert, um modelo e um documento pequeno, e conferir as respostas e os arquivos gerados.

Capítulos

Início	Capítulo	Resumo
00:02	Apresentação do Octop e instalação	O vídeo apresenta os recursos do Octop, discute custos e privacidade e demonstra a instalação, a configuração inicial e a conexão com um modelo.
03:41	Experts e consultas a documentos	O tutorial cria um expert de notas de versão, configura uma base de conhecimento e verifica se as respostas correspondem às informações do documento.
06:44	Equipes de experts e agente de programação	O apresentador cria uma equipe com funções de redação e revisão e mostra como delegar a criação de um arquivo ao OpenCode via ACP.
09:48	Tarefas agendadas e avaliação do Octop	O vídeo configura e testa um lembrete, menciona integrações adicionais e conclui com recomendações sobre custos, beta e uso gradual.

Citações

O Octop em si é gratuito e open source sob a licença MIT, mas você ainda fornece os modelos. — 01:06

Se você conectar um provedor na nuvem, as informações que enviar a esse provedor ainda sairão da sua máquina. — 01:37

Para uma pergunta simples, eu ficaria com um único expert. — 08:15

Eu começaria exatamente como começamos aqui: um expert, um modelo e um documento pequeno. — 11:51

Conceitos e entidades

Octop (ferramenta): Assistente de IA open source da Tencent Cloud que reúne experts, documentos, tarefas agendadas e conexões com ferramentas externas.
Tencent Cloud (empresa): Organização associada ao Octop, cujo repositório é apresentado como parte da organização Tencent Cloud no GitHub.
Ollama (ferramenta): Ferramenta que o Octop pode usar para se conectar a modelos executados localmente.
knowledge base (conceito): Coleção de documentos que o Octop pode pesquisar para fundamentar respostas de um expert.
embedding (conceito): Representação usada para encontrar trechos relevantes em documentos, que no exemplo pode ser gerada localmente ou por um serviço online.
Agent teams (conceito): Recurso beta que permite coordenar experts com funções especializadas, como redação e revisão.
ACP (conceito): Sigla de agent client protocol, mecanismo usado no exemplo para delegar trabalho a uma ferramenta de programação externa.
OpenCode (ferramenta): Ferramenta de programação usada no tutorial para ler notas e criar um arquivo de anúncio em uma pasta de projeto.
Claude Code (ferramenta): Ferramenta de programação citada como uma das conexões que o Octop pode reunir.
SQLite (ferramenta): Banco de dados escolhido para a instalação demonstrada no tutorial.

Tradução completa (pt-BR)

00:02 Oi, bem-vindos [música] a mais um vídeo. Antes de começarmos, publiquei recentemente um vídeo exclusivo para membros sobre como estou usando o Opus 5.5. É quase um tutorial de como tirar o melhor proveito dele. Também vou ficar mais ativo nos vídeos exclusivos para membros. Então, se você gosta do que faço e quer apoiar o canal, além de receber alguns benefícios, recomendo muito que clique no botão de adesão e escolha um nível. Os vídeos exclusivos estão disponíveis em todos os níveis a partir do bronze. Agora, de volta ao vídeo.

00:35 Hoje vamos conhecer o Octop, um assistente de IA open source da organização do Tencent Cloud no GitHub, que você pode executar na sua própria máquina. Ele reúne agents especializados, seus documentos, tarefas agendadas e conexões com ferramentas de programação, como o open code e o Claude Code. E o que me interessa é ter tudo isso disponível em um só lugar. Você pode fazer uma pergunta a um especialista sobre um documento, chamar outro especialista para revisar a resposta e encaminhar uma tarefa de programação para uma ferramenta separada, sem precisar reconstruir a configuração todas as vezes. Então, neste vídeo,

01:06 vou mostrar como instalar o programa, conectar um modelo, criar seu primeiro especialista e montar um pequeno workflow de preparação de lançamento. Vamos fornecer algumas notas de projeto de exemplo, verificar se as respostas são precisas e, depois, experimentar os recursos de equipe e de agent de programação. O Octop é gratuito e open source sob a licença MIT, mas você ainda precisa fornecer os modelos. Portanto, o uso de APIs na nuvem pode custar dinheiro. Ele também oferece suporte ao Ollama para modelos locais, embora os requisitos de hardware e a qualidade dos resultados dependam do que você executar. E hospedar o aplicativo por conta própria não faz com que todas as solicitações aos modelos sejam executadas localmente. Se você conectar um provedor na nuvem,

01:37 as informações que você enviar para esse provedor ainda sairão da sua máquina. É importante entender isso antes de começar a enviar seus documentos. Então, vamos direto ao assunto. Vou usar a instalação pelo terminal e o painel web para esta demonstração. Também há versões para desktop para Windows, Mac e Linux, que você encontra na página de lançamentos do projeto. Primeiro, abra o repo do GitHub indicado abaixo e role até as instruções de instalação. No Mac ou Linux, copie o comando de instalação do shell para o terminal. No Windows, use o comando do PowerShell. Incluí os comandos exatos junto com

02:07 a demonstração, para que você possa copiá-los. O instalador cuida do ambiente Python para você, então não precisa configurar o Python manualmente. Quando a instalação terminar, abra um novo terminal para que o comando octop fique disponível. O comando normal para iniciar o aplicativo é octop run. Nesta demonstração, estou usando o comando que aparece na tela, que também define o fuso horário padrão do Octop como o de Nova York. Troque-o pelo seu próprio fuso horário, especialmente se planeja usar tarefas agendadas. O padrão do projeto é Asia/Shanghai. Deixe esse terminal aberto e, em seguida, acesse

02:38 o endereço local mostrado na tela, que aponta para a sua própria máquina na porta 8088. Em uma instalação nova, vamos concluir a configuração no navegador. Se for solicitada uma senha de configuração, use a senha temporária exibida pelo servidor no terminal. Isso levará você ao processo de configuração, no qual criará sua conta de administrador normal. Nesta demonstração, escolha SQLite para o banco de dados. Depois, informe seu nome de usuário de administrador e uma senha forte. A senha precisa ter pelo menos oito caracteres, incluindo letras e números. Em seguida, configure o provedor do modelo. Escolha um provedor ao qual você já tenha acesso, insira sua chave de API e verifique o endereço da API. Se estiver usando um

03:09 serviço personalizado, escolha o tipo de API correspondente e insira a URL base fornecida por esse serviço. Depois, habilite o modelo que deseja usar e teste a conexão. No início, vou usar apenas um modelo de chat, porque quero confirmar que a conversa básica funciona antes de adicionar mais elementos. Se a conexão falhar, verifique a chave, o nome do modelo e se há cota disponível na conta. Instalar o Octop não lhe dá créditos junto ao provedor do modelo. Você também pode conectar um modelo do Ollama em execução na sua máquina. Nesta demonstração, seja qual for o modelo escolhido, ele precisa lidar com tool calling de forma confiável, porque vamos pedir que pesquise documentos e delegue tarefas. Conclua a configuração e poderemos

03:41 ir para o painel. O Octop chama seus agents de especialistas. Cada especialista tem seu próprio espaço de trabalho e configuração, então você pode dar a um deles a função de redator e a outro, a de revisor. Também pode escolher modelos diferentes para especialistas diferentes. Abra a página de especialistas, selecione “meus especialistas” e clique em “novo especialista”. Dê a ele o nome release helper e escolha o modelo que acabamos de configurar. Expanda “arquivos de prompt” e edite o arquivo agents.md. Estou pedindo a esse especialista que escreva resumos claros de lançamento, use as informações de projeto fornecidas e diga

04:12 quando algo não estiver documentado. Salve essas instruções e crie o especialista. Também há modelos e opções de personalidade, mas, para este exemplo, basta uma descrição clara da função. Quero que esse especialista entenda como deve ser uma resposta útil. Inicie o especialista, caso ainda não esteja em execução. Abra o chat dele e peça que explique sua função em uma frase. Quando receber uma resposta normal, podemos dar a ele algo mais útil para trabalhar. Preparei um pequeno conjunto fictício de notas de lançamento para um aplicativo chamado taskboard. Esses são dados de demonstração e incluí o

04:42 arquivo para que você possa acompanhar usando o mesmo exemplo. A atualização adiciona uma exportação CSV e um filtro de tarefas. Também inclui um atalho de teclado para criar uma tarefa. Mas há um bug conhecido na exportação. A sincronização entre dispositivos não é compatível e não foi anunciada uma data de lançamento. Esses detalhes nos dão algo específico para verificar. Se o assistente inventar uma data de lançamento ou disser que o aplicativo sincroniza entre dispositivos, saberemos que foi além do que está no documento. Agora, abra as bases de conhecimento e acesse as configurações da base de conhecimento. Habilite o recurso e escolha como você

05:12 quer criar embeddings. Os embeddings permitem que o aplicativo pesquise trechos relevantes nos seus documentos. Para este exemplo, escolha “local no NX” e baixe, na lista disponível, um modelo de embedding em inglês. Salve as configurações quando o modelo estiver pronto. Você pode usar um serviço de embedding online, mas isso envia o conteúdo dos documentos para esse serviço processar e pode gerar outro custo de uso. Esse modelo de embedding é separado do modelo de chat que configuramos antes. Executar os embeddings localmente não altera onde o modelo de chat é executado. Crie uma base de conhecimento chamada taskboard

05:42 demo e envie o arquivo de exemplo com as notas de lançamento. Aguarde até que o documento apareça como pronto, depois use “adicionar ao chat” e confirme que estamos conversando com o release helper, com essa base de conhecimento selecionada. Então, vamos enviar o seguinte: “Pesquise na base de conhecimento de demonstração do taskboard e resuma as mudanças em linguagem simples. Inclua as limitações conhecidas, cite a fonte e diga se a sincronização entre dispositivos é compatível e se foi anunciada uma data de lançamento.” Aguarde um pouco enquanto ele pesquisa, depois abra a referência à fonte na resposta e compare-a com o arquivo. A resposta que esperamos deve

06:13 mencionar a exportação CSV, o filtro e o atalho. Também deve explicar que a exportação pode incluir tarefas arquivadas. A sincronização entre dispositivos deve ser indicada como não compatível, e a data de lançamento deve ser descrita como não anunciada. Se faltar alguma coisa, peça que pesquise novamente e indique o trecho usado. É por isso que gosto de começar com um documento pequeno. Você pode verificar a resposta inteira por conta própria antes de confiar no mesmo workflow com uma coleção muito maior. Quando isso funcionar, você poderá usar essa abordagem para

06:44 documentação interna, notas de projeto ou material de suporte. Acho que esse é um bom ponto de partida, porque fornece ao assistente informações que realmente pertencem ao seu projeto. Agora, vamos adicionar um segundo especialista chamado reviewer. Dê a ele a função de verificar rascunhos com base na fonte fornecida e apontar afirmações sem respaldo. Configure o modelo, inicie-o e confira se ele também responde. Depois, abra “minhas equipes” na página de especialistas e crie uma equipe chamada release team. Adicione release helper e reviewer como os dois membros e escolha um modelo para o

07:14 coordenador. O coordenador cuida da delegação e reúne os resultados. Os dois membros fazem o trabalho especializado. Você precisa de pelo menos dois membros além do coordenador, e eles precisam estar em execução antes de pedir que a equipe trabalhe. Para esta primeira demonstração de equipe, vou colar as notas curtas de lançamento diretamente na mensagem para a equipe. Cada membro tem seu próprio espaço de trabalho, então vamos fornecer explicitamente a fonte à equipe. Aqui está o pedido: “Peça ao release helper que escreva um anúncio curto de lançamento usando estas notas. Peça ao reviewer que confira cada afirmação sobre o produto com base nas mesmas notas,”

07:45 depois, retorne um anúncio revisado e explique quaisquer correções. Inclua as notas de origem em cada tarefa. Agora, acompanhe a conversa da equipe enquanto o trabalho é concluído. Confira quem está falando, o que o revisor sinalizou e se a resposta final do coordenador leva esse feedback em conta. Para tornar a revisão mais interessante, podemos fornecer um rascunho deliberadamente impreciso, dizendo que o quadro de tarefas agora sincroniza entre dispositivos e será lançado amanhã. Depois, peça ao revisor que o corrija usando as notas. Essa é uma verificação muito melhor do que perguntar a dois agents se concordam entre si. Já sabemos quais afirmações estão erradas, então podemos ver se a revisão as identifica. Agent teams ainda está marcado como beta.

08:15 E há uma limitação prática aqui. Interromper a resposta atual do coordenador não necessariamente interrompe o trabalho que já foi enviado aos membros. Deixe esses trabalhos terminarem e confira a atividade dos membros antes de reiniciar o app. Gosto da ideia de ter um redator e um revisor disponíveis ao mesmo tempo, mas isso envolve chamadas adicionais ao modelo. Então, para uma pergunta simples, eu ficaria com um único especialista. Adicione a equipe quando a segunda função tiver um trabalho útil a fazer. Agora, vamos à parte de programação, porque o Octop também pode delegar trabalho a um agent de programação externo pelo ACP, sigla de agent client protocol. Vou usar o open

08:45 code neste exemplo. Ele precisa estar instalado e configurado na mesma máquina que está executando o Octop. Verifique se o processo do Octop consegue encontrar o comando open code ou defina o comando do runner com o caminho completo do executável. Abra a página ACP, habilite o runner open code, depois selecione o release helper e ative a ferramenta ACP runner dele. Crie uma pasta de projeto temporária e coloque nela as notas de lançamento de demonstração; em seguida, peça ao release helper que use o open code por meio do ACP runner para ler esse arquivo e criar um rascunho de announcement.md nessa pasta. Informe o caminho completo da pasta e

09:16 diga para incluir as limitações conhecidas. Estamos mantendo essa tarefa pequena para podermos verificar se o open code consegue ler e gravar arquivos na pasta do projeto. Se aparecer uma solicitação de permissão, analise-a antes de continuar. Depois, inspecione o arquivo criado pelo agent de programação e compare-o com a fonte. Confira o arquivo em si, mesmo que o chat diga que a tarefa foi concluída. A conexão com o runner não inclui acesso gratuito aos modelos das ferramentas de programação. O open code ainda precisa da própria configuração funcional, e os outros runners também têm seus próprios requisitos. Assim, isso oferece uma forma de conectar um fluxo de trabalho de documentos e chat a uma ferramenta capaz de trabalhar com arquivos do projeto. Para uma tarefa maior,

09:48 você poderia pedir ao agent de programação que atualizasse a documentação em um repo e depois revisar as alterações por conta própria. Agora, vamos tornar parte do fluxo de trabalho repetível. Volte ao especialista regular release helper e peça para criar um lembrete para os dias úteis, às 9h da manhã, para revisar a lista de verificação de lançamento do quadro de tarefas. Peça um lembrete de texto fixo, enviado para esta conversa do dashboard. Depois, abra a página de tarefas agendadas e inspecione o que foi criado. Confira a programação, o fuso horário e o destino. Uma mensagem dizendo que um lembrete foi criado só é útil se houver uma tarefa correspondente no app. O Octop tem

10:19 dois modos de tarefa úteis aqui. Texto envia uma mensagem fixa. Agent pede ao modelo que faça um trabalho quando a tarefa for executada. Um lembrete pode usar texto, enquanto um resumo atualizado das notas do seu projeto exigiria o modo agent. Use “executar agora” para testar o lembrete e confira se a mensagem chegou à conversa de destino. Depois de testá-lo, desative a programação de exemplo se não quiser continuar recebendo o lembrete. E lembre-se de que o processo do Octop precisa continuar em execução para que essas tarefas funcionem. Se quiser deixá-lo em segundo plano, o projeto fornece o comando de inicialização do serviço do Octop

10:50 . Verifique se o serviço em segundo plano também usa o fuso horário desejado. Há mais coisas no dashboard também. Você pode conectar canais de mensagens, adicionar conectores e usar as ferramentas de navegador. Esses recursos têm uma configuração própria, então eu os adicionaria depois que esse fluxo de trabalho básico estiver funcionando. Para um teste opcional de navegador, instale o componente de navegador. Se o Octop pedir, abra o browser AI plus e peça ao assistente que abra o repo do Octop e faça uma captura de tela. Depois, compare a captura e a página visível com o que ele relata. Assim, você tem uma tarefa pequena para verificar antes de tentar

11:21 um fluxo de trabalho de navegador mais longo. Então, o que acho do Octop? A combinação é interessante. Você pode configurar alguns especialistas para tarefas específicas, fornecer documentos do projeto a eles e reuni-los quando uma tarefa precisar de mais de uma função. A conexão com o agent de programação torna isso especialmente relevante se o seu trabalho costuma alternar entre pesquisa, escrita e um repo. Mas há uma configuração a fazer. Você vai gerenciar credenciais de modelos, decidir como a busca em documentos será executada e manter o app disponível para as tarefas agendadas. Os recursos de equipe ainda estão em beta, e mais agents também podem significar uma conta mais alta.

11:51 Pessoalmente, eu começaria exatamente de onde começamos aqui. Um especialista, um modelo e um documento pequeno. Obtenha uma resposta útil, confira-a e, depois, adicione o revisor ou o runner de programação quando tiver um motivo para usá-los. Se você quer esse tipo de controle sobre a configuração do seu assistente, acho que vale a pena experimentar o OctoP. O código-fonte está disponível. Você pode executá-lo por conta própria e tem espaço para desenvolver o fluxo de trabalho aos poucos. No geral, é bem legal. Enfim, me contem o que acham nos comentários. Se gostou deste vídeo, considere fazer uma doação pela opção Super Thanks ou se tornar membro

12:21 clicando no botão de inscrição [música]. Além disso, deixe seu gostei neste vídeo e inscreva-se no meu canal. Vejo vocês no próximo. Até lá, tchau.

Transcrição original

[00:02] Hi, welcome [music] to another video. Just before we start the video, I have recently posted a video on the membership about how I am using Opus 5.5 and it is almost a tutorial of how to get the best stuff out of it. I am also going to become more active on the members only video now as well. So, if you like what I do and want to support the channel and also get some perks along the way, then I’d highly recommend you to hit the join button and choose a level. The exclusive videos are available on all the tiers from bronze and above. Now, back to the video.

[00:35] So, today we’re looking at Octop, an open-source AI assistant from the Tencent Cloud GitHub organization that you can run on your own machine. It brings together specialist agents, your documents, scheduled tasks, and connections to coding tools like open code and Claude code. And the part that interests me is having those things available in one place. You can ask an expert about a document, bring in another expert to review the answer, and hand a coding task to a separate tool without rebuilding the setup every time. So, in this video,

[01:06] I’ll walk you through installing it, connecting a model, creating your first expert, and putting together a small release preparation workflow. We’ll give it some sample project notes, check whether it answers accurately, and then try the team and coding agent features. Octop itself is free and open-source under the MIT license, but you still supply the models. So, cloud API usage can cost money. It also supports Ollama for local models, although the hardware requirements and the quality of the results depend on what you run. And self-hosting the app doesn’t automatically make every model request local. If you connect a cloud provider,

[01:37] the information you send to that provider still leaves your machine. That’s something to understand before you start uploading your documents. So, let’s get right into it. I’m going to use the terminal installation and the web dashboard for this walk-through. There are desktop downloads for Windows, Mac, and Linux as well, which you’ll find on the project’s releases page. First, open the GitHub repository linked below and scroll down to the installation instructions. On Mac or Linux, copy the shell installer command into your terminal. On Windows, use the PowerShell command instead. I’ve included the exact commands alongside

[02:07] the walk-through, so you can copy. The installer handles the Python environment for you, so you don’t need to set up Python manually. Once it finishes, open a new terminal so that the octop command is available. Now, the normal command to start the app is octop run. For this walk-through, I’m using the command on screen that also sets octop’s default time zone to New York. Replace that with your own time zone, especially if you plan to use scheduled tasks. The project’s default is Asia/Shanghai. Keep that terminal running, then open

[02:38] the local address shown on screen, which is your own machine on port 8088. For a fresh installation, we’ll complete the setup in the browser. If it asks for a setup password, use the temporary password printed by the server in your terminal. That gets you into the setup process, where you create your regular admin account. Choose SQLite for the database in this walk-through. Then, enter your admin username and a strong password. The password needs at least eight characters, including letters and numbers. Next, configure the model provider. Pick a provider you already have access to, enter its API key, and check the API address. If you’re using a

[03:09] custom service, choose the matching API type and enter the base URL supplied by that service. Then, enable the model you want to use and test the connection. I’m keeping this to one chat model initially because I want to confirm that the basic conversation works before adding more moving parts. If the connection fails, check the key, the model name, and whether the account has available quota. Installing octop doesn’t give you a balance with the model provider. You can also connect an Ollama model running on your machine. For this walk-through, whichever model you choose needs to handle tool calls reliably because we’ll be asking it to search documents and delegate work. Finish the setup and we

[03:41] can move into the dashboard. Now, octop calls its agents experts. Each expert has its own workspace and configuration, so you can give one a writing role and another a review role. You can also choose different models for different experts. Open the experts page, select my experts, and click new expert. Name it release helper, and pick the model we just configured. Expand prompt files, and edit the agents.md file. I’m asking this expert to write clear release summaries, use the supplied project information, and say

[04:12] when something isn’t documented. Save those instructions, and create the expert. There are templates and personality options as well, but for this example, a clear job description is enough. I want this expert to understand what a useful answer looks like. Start the expert, if it isn’t already running. Open its chat, and ask it to explain its role in one sentence. Once you get a normal response, we can give it something more useful to work with. I’ve prepared a small fictional set of release notes for an app called taskboard. This is demo data, and I’ve included the

[04:42] file, so you can follow along with the same example. The update adds a CSV export, and a task filter. It also adds a keyboard shortcut for creating a task. But, there’s a known export bug. Device sync isn’t supported, and there isn’t an announced release date. Those details give us something specific to check. If the assistant invents a release date, or says the app has device sync, we’ll know it has gone beyond the document. Now, open knowledge bases, and go into knowledge base settings. Enable the feature, then choose how you

[05:12] want to create embeddings. Embeddings are what let the app search for relevant passages in your documents. For this example, choose local on NX, and download an English embedding model from the available list. Save the settings once the model is ready. You can use an online embedding service instead, but that sends document content to that service for processing, and may add another usage cost. This embedding model is separate from the chat model we configured earlier. Running embeddings locally doesn’t change where your chat model runs. Create a knowledge base called taskboard

[05:42] demo, and upload the sample release notes file. Wait until the document shows ready, then use add to chat and make sure we’re talking to release helper with that knowledge base selected. So, let’s send it this. Search the task board demo knowledge base and summarize the changes in plain English. Include the known limitations, site the source, and tell me whether device sync is supported and whether a release date has been announced. Give it a moment to search, then open the source reference in the answer and compare it with the file. The answer we’re looking for should

[06:13] mention the CSV export, the filter, and the shortcut. It should also explain that the export can include archived tasks. Device sync should be listed as unsupported and the release date should be described as unannounced. If it misses something, ask it to search again and point to the passage it used. This is why I like starting with a tiny document. You can check the whole answer yourself before trusting the same workflow with a much larger collection. Once that works, you could use this for

[06:44] internal documentation, project notes, or support material. I think this is a useful starting point because it gives the assistant information that actually belongs to your project. Now, let’s add a second expert called reviewer. Give it the job of checking drafts against the supplied source and calling out unsupported claims. Configure its model, start it, and check that it responds as well. Then open my teams from the experts page and create a team called release team. Add release helper and reviewer as the two members and choose a model for the

[07:14] coordinator. The coordinator handles the delegation and brings the results together. The two members do the specialist work. You need at least two members in addition to the coordinator and those members need to be running before you ask the team to work. For this first team demo, I’m pasting the short release notes directly into the team message. Each member has its own workspace, so we’ll give the team the source explicitly. Here’s the request. Have release helper her a short release announcement using these notes. Have reviewer check every product claim against the same notes,

[07:45] then return a revised announcement and explain any corrections. Include the source notes in each assignment. Now watch the team conversation as the work comes back. Check who is speaking, what the reviewer flagged, and whether the coordinator’s final answer reflects that feedback. To make the review more interesting, we can supply a deliberately inaccurate draft that says task board now syncs across devices and launches tomorrow. Then ask the reviewer to correct it using the notes. That’s a much better check than asking two agents whether they agree with each other. We already know which claims are wrong, so we can see whether the review catches them. Agent teams is still marked beta.

[08:15] And there is a practical limitation here. Stopping the coordinator’s current response doesn’t necessarily stop work already dispatched to the members. Let those jobs finish and check the member activity before restarting the app. I like the idea of having a writer and a reviewer available together, but there are extra model calls involved. So for a simple question, I’d stick with one expert. Add the team when the second role has a useful job to do. Now let’s come to the coding side because Octop can also delegate work to an external coding agent through ACP, which stands for agent client protocol. I’ll use open

[08:45] code for this example. It needs to be installed and configured on the same machine that’s running Octop. Make sure the Octop process can find the open code command or set the runner’s command to the full path of the executable. Open the ACP page, enable the open code runner, then select release helper and turn on its ACP runner tool. Create a scratch project folder and put the demo release notes inside it, then ask release helper to use open code through the ACP runner to read that file and create an announcement.md draft in that folder. Give it the full folder path and

[09:16] tell it to include the known limitations. We’re keeping this task small so we can check that open code can read and write files in the project folder. If a permission request appears, review it before continuing. Then inspect the file the coding agent created and compare it with the source. Check the actual file even if the chat says the task is finished. The runner connection doesn’t include free access to the coding tools models. Open code still needs its own working configuration and other runners have their own requirements as well. So, this gives you a way to connect a document and chat workflow to a tool that can work on project files. For a larger

[09:48] task, you could ask the coding agent to update documentation in a repository and then review the changes yourself. Now, let’s make part of the workflow repeatable. Switch back to the regular release helper expert and ask it to create a weekday reminder at 9:00 in the morning to review the task board release checklist. Ask for a fixed text reminder delivered to this dashboard conversation. Then, open the scheduled tasks page and inspect what it created. Check the schedule, the time zone, and the destination. A message saying it created a reminder is only useful if there’s a corresponding task in the app. Octop has

[10:19] two useful task modes here. Text sends a fixed message. Agent asks the model to do work when the task runs. A reminder can use text, while a fresh summary of your project notes would need agent. Use execute now to test the reminder and check the destination conversation for the message. Once you’ve tested it, disable the example schedule if you don’t want to keep receiving it. And remember that the Octop process needs to stay running for these tasks. If you want it in the background, the project provides the Octop service start

[10:50] command. Make sure the background service also uses the time zone you intended. There’s more in the dashboard, too. You can connect messaging channels, add connectors, and use the browser tools. Those features have their own setup, so I’d add them after this basic workflow is working. For an optional browser test, install the browser component. If Octop asks for it, open browser AI plus and ask the assistant to open the Octop repository and take a screenshot. Then, compare the screenshot and the visible page with what it reports. That gives you a small task to check before trying

[11:21] a longer browser workflow. So, what do I think about Octop? The combination is interesting. You can keep a few experts configured for specific jobs, give them project documents, and bring them together when a task needs more than one role. The coding agent connection makes that especially relevant if your work regularly moves between research, writing, and a repository. There is setup involved, though. You’ll manage model credentials, decide how document search runs, and keep the app available for scheduled work. The team features are still beta, and more agents can also mean a higher bill.

[11:51] Personally, I’d start exactly where we started here. One expert, one model, and one small document. Get a useful answer, check it, and then add the reviewer or coding runner when you have a reason to use it. If you want that kind of control over your assistant setup, I think OctoP is worth trying. The source is available. You can run it yourself, and you have room to build up the workflow gradually. Overall, it’s pretty cool. Anyway, let me know your thoughts in the comments. If you like this video, consider donating through the Super Thanks option, or becoming a member by

[12:21] clicking [music] the join button. Also, give this video a thumbs up, and subscribe to my channel. I’ll see you in the next one. Until then, bye.