Agentes pessoais, explicados com clareza

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: Personal Agents, Clearly Explained · Canal: Jeff Su · 15:05 · Assistir no YouTube

Tópicos: Agentes de IA, Automação de tarefas e workflows, Modelos locais e open source, Privacidade e proteção de dados

Resumo

O vídeo diferencia chatbots, DIY agents e agentes pessoais, destacando que estes últimos podem usar informações sobre você para oferecer ajuda proativamente. Com exemplos de saúde, viagens, família e trabalho, Jeff Su explica como arquivos de memória e integrações permitem que os DIY agents organizem informações de diferentes áreas da vida. Agentes pessoais oferecem recursos semelhantes com uma configuração mais simples, mas ainda têm limitações de capacidade, controle, privacidade e dependência de um ecossistema. A escolha depende do equilíbrio desejado entre facilidade de uso, personalização, autonomia e privacidade.

Pontos-chave

Chatbots são úteis para tarefas pontuais, mas não conectam automaticamente uma conversa a informações mais amplas compartilhadas anteriormente.
DIY agents podem registrar regras, preferências e memórias em arquivos de texto e consultá-los em novas tarefas.
O usuário pode organizar informações de diferentes áreas da vida em pastas e conectá-las a ferramentas como Notion, Google Calendar, Google Drive e Gmail.
Agentes pessoais oferecem muitas capacidades dos DIY agents sem exigir que o usuário monte uma estrutura própria de pastas e arquivos.
A característica central dos agentes pessoais é a proatividade: eles podem acompanhar assuntos importantes e avisar o usuário sem que ele peça a cada vez.
Agentes pessoais podem executar tarefas continuamente usando computadores dedicados na nuvem.
DIY agents tendem a oferecer mais capacidade e controle sobre a organização, mas exigem mais configuração.
Agentes pessoais podem criar dependência de um ecossistema, pois migrar fica mais difícil à medida que acumulam informações sobre o usuário.
Para priorizar privacidade, o vídeo sugere ferramentas open source executadas localmente, observando que a configuração pode ser intimidante e que modelos locais não incluem os mais poderosos.
A escolha recomendada depende de priorizar facilidade de uso ou, em vez disso, personalização, capacidades e menor dependência de uma plataforma.

Capítulos

Início	Capítulo	Resumo
00:00	Chatbots, DIY agents e agentes pessoais	O vídeo apresenta as três categorias de ferramentas e diferencia suas capacidades usando um exemplo de informações de saúde.
03:36	Como funcionam os DIY agents	Jeff Su explica como arquivos de texto guardam regras e memórias e mostra exemplos de uso para família e planejamento de viagens.
07:48	Agentes pessoais prontos para usar	O vídeo mostra como um agente pessoal pode organizar objetivos e informações sem exigir que o usuário monte uma estrutura própria.
10:23	Proatividade e tarefas contínuas	O apresentador explica como agentes pessoais podem acompanhar oportunidades, cobranças e preços, além de funcionar na nuvem.
12:29	Privacidade e agentes locais	Jeff Su apresenta sua visão sobre privacidade e comenta as opções open source executadas localmente e suas limitações.
14:04	Qual configuração escolher	O vídeo resume as vantagens e desvantagens de agentes pessoais e DIY agents e recomenda escolher conforme as prioridades do usuário.

Citações

O agente percebeu um compromisso próximo, relacionou-o às informações que você já havia compartilhado e resolveu um problema sem que você precisasse lembrar de pedir. — 03:04

O AI conecta esses detalhes para mim sem que eu precise lembrar e explicar cada um deles novamente. — 07:17

Os dois sistemas funcionam da mesma forma. O AI salva suas informações em arquivos e usa esses arquivos para ajudar você. — 09:51

Agentes pessoais ainda são relativamente novos e imaturos, então são bem menos capazes. — 11:57

Conceitos e entidades

chatbot (conceito): Ferramenta conversacional voltada a tarefas pontuais que não dependem de informações compartilhadas anteriormente.
DIY agent (conceito): Agente configurado pelo usuário para manter e consultar informações, preferências e regras em arquivos próprios.
personal agent (conceito): Agente que usa informações sobre o usuário para oferecer ajuda proativamente, sem esperar uma solicitação específica.
Jeff OS (conceito): Nome dado por Jeff Su à sua estrutura pessoal de pastas e arquivos usados pelos seus agentes.
Muse (ferramenta): Agente pessoal apresentado no vídeo como uma opção pronta para usar e voltada a facilitar a configuração.
ChatGPT (ferramenta): Produto da OpenAI citado como chatbot e também como parte dos exemplos de ferramentas de agentes.
Claude Code (ferramenta): Ferramenta citada como exemplo de DIY agent capaz de manter e consultar arquivos.
Gemini (ferramenta): Produto do Google citado entre as ferramentas de chatbot e de agentes.
OpenClaw (ferramenta): Ferramenta open source mencionada como opção para quem busca um agente pessoal com foco em privacidade.
Hermes (ferramenta): Ferramenta open source citada como alternativa para executar agentes localmente.
Jeff Su (pessoa): Apresentador que explica os tipos de agentes e demonstra sua própria configuração de arquivos e pastas.
Meta (empresa): Empresa associada no vídeo ao agente pessoal Muse.
OpenAI (empresa): Empresa mencionada em relação ao ChatGPT e à incorporação de recursos de agentes em seus produtos.

Tradução completa (pt-BR)

00:00 Se você já usa ChatGPT, Claude ou Google Gemini, talvez esteja se perguntando o que diferencia agentes pessoais como Muse, Dots e GrokBot. [música] Quer dizer, as demonstrações e as manchetes são extremamente impressionantes, como sempre, mas será que vale mesmo a pena investir seu tempo e esforço para configurar agentes pessoais? [música] Neste vídeo, vou explicar em termos simples o que são agentes pessoais de IA e como eles diferem das ferramentas que você já usa, para que possa avaliar se vale a pena dedicar seu tempo a eles. Vamos começar.

00:30 Em vez de mergulhar direto no fundo do poço, vamos começar pelas ferramentas de IA que você já conhece. Para começar, temos os chatbots, como o ChatGPT chat, o Claude chat e o Gemini [música] chat. Em poucas palavras, essa categoria de ferramentas é ótima para tarefas pontuais que não dependem de informações que você compartilhou anteriormente. Por exemplo, digamos que você envie seu relatório de saúde mais recente para o ChatGPT chat para entender melhor os resultados. Você, como usuário, escreve um prompt com instruções, e o ChatGPT chat, o chatbot, fornece um resumo

01:00 desse relatório específico em linguagem simples. [música] Essa foi uma tarefa pontual útil, mas o ChatGPT chat só teve acesso àquele relatório. Portanto, não tem como relacionar esses resultados ao seu histórico de saúde mais amplo, como relatórios anteriores ou anotações do seu médico. Lembre-se dessa limitação daqui em diante. Em seguida, temos a categoria de agentes de IA faça você mesmo, ou DIY, que inclui aplicativos como ChatGPT work, Codex, [música] Claude Code e Gemini Spark. Em poucas palavras, essa categoria de aplicativos pode

01:31 lembrar e >> [música] >> atualizar informações que você compartilhou anteriormente. Assim, você não precisa explicar sua situação sempre que começa uma nova tarefa. Continuando com o nosso exemplo de saúde, digamos que primeiro você dê ao ChatGPT work acesso [música] a uma pasta de saúde que contém seus relatórios médicos anteriores, as anotações do seu médico e a lista de suplementos que toma. Depois, você compartilha o relatório de saúde deste ano em uma nova tarefa, com exatamente as mesmas instruções de antes. E é isto que acontece. Primeiro,

02:03 a IA salva o relatório na sua pasta de relatórios de saúde. Segundo, compara os resultados com os relatórios dos últimos 5 anos e com as anotações das consultas médicas deste ano. E terceiro, atualiza seu histórico de saúde editando diretamente seu documento de memória de saúde, para que a comparação do ano que vem comece com tudo o que você compartilhou neste ano. A propósito, estou usando o termo agentes DIY neste vídeo porque, ao contrário dos agentes pessoais que veremos mais adiante, basicamente precisamos configurar essas pastas e arquivos do zero. Agora chegamos à categoria de

02:34 agentes pessoais, que inclui aplicativos como Muse, da Meta, ChatGPT dots e Grok bot, da XAI. Simplificando bastante, agentes pessoais são apenas a versão proativa dos agentes DIY. Ou seja, eles usam o que sabem sobre você e oferecem ajuda antes que você peça. Continuando com o exemplo de saúde, seu agente pessoal enviaria uma mensagem um dia antes do seu check-up anual, com [música] algo como: “Oi, seu check-up anual é amanhã. Gostaria de um

03:04 resumo das tendências da sua saúde nos últimos 5 anos para levar com você?” E é isso que quero dizer com proatividade. O agente percebeu que você tinha uma consulta próxima, relacionou isso a informações que você já havia compartilhado e resolveu um problema para você sem que precisasse se lembrar de pedir. Esse foi um exemplo simples e pode parecer uma mudança pequena, mas tira um peso enorme da sua cabeça quando um assistente sempre ativo acompanha as coisas por você. A esta altura, já deve estar bem claro por que o setor como um todo está deixando os chatbots e as tarefas pontuais

03:36 para trás e avançando em direção aos agentes DIY e aos agentes pessoais, que sabem o que é importante para nós e podem sinalizar problemas proativamente, sem que precisemos sequer pensar nisso. A propósito, se você está achando este vídeo útil até aqui, minha newsletter gratuita traz uma dica de IA extremamente prática toda semana, que você pode colocar em prática em menos de dois minutos. O link está abaixo. [música] Agora, antes de falarmos dos agentes pessoais, primeiro precisamos entender como funcionam os agentes DIY, porque os mesmos princípios se aplicam a ambos. Como vimos antes, ferramentas como

04:07 ChatGPT work, Claude Code, [música] e Gemini Spark podem registrar e manter nossas regras, preferências e memórias em arquivos de texto simples. Depois, leem esses arquivos quando uma tarefa exige isso. Por exemplo, como você pode ver, todas as respostas que recebo do Claude ou do ChatGPT work terminam com uma seção “O que vem a seguir”, o que reduz bastante a fadiga de decisão para mim. E essa preferência está salva neste arquivo de texto, que determina como quero que a IA me responda. E a IA lê esse arquivo

04:40 sempre que começo uma nova tarefa. Então, para deixar claro, conto minha preferência à IA uma vez, ela a registra e segue essa regra para sempre. Olhando o panorama geral, esse arquivo de regras de governança é apenas um entre mais de cem arquivos de texto na minha pasta pessoal, que chamo de Jeff OS. E lá dentro, você pode ver todas essas pastas, certo? Cada uma delas representa uma área diferente da minha vida. E, só para esclarecer, embora eu

05:11 tenha começado literalmente com uma pasta completamente vazia, não precisei criar nenhum desses arquivos manualmente. Basta dizer à IA o que quero, e o agente DIY faz o trabalho pesado de escrever, atualizar e organizar os arquivos dentro da minha pasta pessoal. Foi assim que criei mais de 30 pastas, cada uma contendo as instruções e informações de que minha IA precisa para aquela parte da minha vida. Agora, vamos concretizar isso com dois casos de uso. Começando pela minha pasta de amigos e família, o arquivo memory.md registra informações como

05:43 aniversários da família, alergias alimentares e até presentes que já comprei, porque sou um cara muito mesquinho. >> Ah, adorei. >> Sério? Você não vai devolver? >> Bem, não agora. >> E então posso perguntar algo como: “Estou planejando uma festa surpresa de aniversário para o meu irmão neste restaurante específico.” A IA confere o cardápio do restaurante com o que já sabe sobre meu irmão, alerta para a grave alergia dele a frutos do mar com concha e recomenda um

06:14 restaurante diferente ali perto, com preços semelhantes. Atenção: este próximo exemplo é bem mais complexo, mas [música] representa de forma realista como uso agentes DIY no dia a dia. Digamos que estou planejando uma viagem. Começo literalmente com uma frase simples, como: “Ajude-me a planejar uma viagem para LA, de 20 a 30 de maio.” E, mesmo sem fornecer nenhum outro contexto, a IA consegue buscar tudo de que precisa porque o agente tem acesso à minha pasta de viagens e também está conectado a aplicativos como,

06:46 como você pode ver aqui, Notion, Google Calendar, Google Drive e Gmail. Assim, ele busca minhas preferências de viagem para encontrar hotéis Marriott na minha faixa de preço preferida e verifica os requisitos de visto para o passaporte que tenho. Ele procura no meu banco de dados de contatos no Notion amigos e conhecidos que moram em LA, para que eu possa entrar em contato com eles. Também cria um projeto de viagem no Notion do jeito que eu gosto, seguindo minhas convenções salvas do Notion. Por fim, confere minha agenda em busca de conflitos e

07:17 sinaliza tarefas ou projetos com prazos que caem durante a viagem. Então, para deixar claro, minhas preferências de hotel, o local onde meus amigos moram e os prazos dos meus projetos ficam em lugares diferentes, mas todos são importantes para a mesma viagem. A IA relaciona esses detalhes para mim, sem que eu precise me lembrar de cada um deles e explicá-los de novo. Em poucas palavras, os agentes DIY representam o segundo cérebro definitivo, no qual você pode delegar o armazenamento e a recuperação das informações que quiser sem precisar organizar

07:48 nada disso por conta própria. A propósito, se quiser minha configuração exata, confira a Co-worker Academy e você terá um segundo cérebro pronto para instalar, que carrega seus contatos automaticamente e já vem 90% pronto no momento em que você o baixa. O link está abaixo. Certo, finalmente estamos prontos para falar dos agentes pessoais. Em poucas palavras, ferramentas como Muse, da Meta, ChatGPT dots e Grok dots, da XAI, são a versão pronta para usar dos agentes DIY, ou seja, você tem muitos dos mesmos recursos sem precisar

08:18 primeiro criar sua própria pasta pessoal. Por exemplo, digamos que eu queira ter uma vida mais saudável, mas não queira o trabalho de criar e manter uma pasta de saúde nem ter que entender o que é um arquivo claw.md ou memory.md. Tipo, que linguagem de ciência da computação em nível da NASA é essa, né? Nesse caso, posso simplesmente abrir um agente pessoal como Muse, acessar a seção de objetivos, escolher saúde [música] e deixar que Muse me entreviste e elabore um plano para melhorar a qualidade do meu sono. Neste exemplo específico, ele

08:48 perguntou sobre minha rotina tranquila e, depois que respondi, salvou uma meta na aba de metas. Então, quando clico nela, também vejo que criou uma checklist para a hora de dormir para me ajudar a começar. Para deixar claro, agentes DIY poderiam ter feito tudo isso com facilidade, mas eu teria que saber que deveria pedir para ele me entrevistar e pedir uma checklist de rotina para a hora de dormir. Já o Muse basicamente tornou esse processo à prova de iniciantes. E, se eu abrir os arquivos de sistema do Muse, você vai notar

09:20 que, nossa, isso se parece muito com a arquitetura de arquivos da configuração DIY do Jeff. Alguns nomes de arquivos são até exatamente iguais. agent.md, memory.md, agent.md, memory.md, certo? E, se eu abrir o arquivo memory.md da raiz do Muse, você verá a rotina para a hora de dormir que compartilhei com o Muse quando ele estava me entrevistando sobre minhas metas de saúde. Em poucas palavras, as duas configurações funcionam da mesma maneira. A IA salva suas informações em arquivos e usa esses arquivos para ajudar você. Agentes pessoais simplesmente

09:51 facilitam muito o começo. E lembra como todas as respostas da minha configuração DIY terminam com uma seção “o que vem a seguir”? O motivo de o Muse já seguir exatamente o mesmo formato de resposta é que eu contei isso a ele em uma sessão de conversa anterior. Como você pode ver aqui, role um pouquinho para baixo: eu disse que toda resposta deve terminar com uma seção “o que vem a seguir”, listando apenas minhas ações pendentes e mantendo tudo autocontido. E, se eu abrir novamente o arquivo memory.md,

10:23 você verá as regras de resposta bem aqui. A essa altura, agentes pessoais podem parecer apenas uma versão mais fácil para iniciantes dos agentes DIY, mas há mais uma grande diferença. Agentes pessoais são proativos, o que significa que podem ficar de olho no que é importante para você e trazer atualizações sem que você precise pedir explicitamente. Por exemplo, se estiver procurando emprego, você pode dizer ao seu agente pessoal que tipo de cargo deseja e qual é seu local preferido. Depois, peça para ele ficar de olho em oportunidades compatíveis. Ou, se você

10:55 tiver uma empresa, pode dizer ao seu agente pessoal para sinalizar faturas vencidas, para que você não deixe de receber pagamentos dos clientes. Agora, talvez você esteja pensando: não daria para simplesmente criar uma tarefa agendada para isso? E a resposta é: claro. Você poderia facilmente configurar uma tarefa para procurar empregos todas as manhãs e enviar as vagas correspondentes. Mas imagine que o emprego dos seus sonhos seja anunciado naquela tarde e as inscrições se encerrem antes da próxima execução da tarefa agendada — o que hoje em dia provavelmente não é tão improvável. Isso significa que tarefas executadas uma vez por dia deixariam passar essa

11:26 vaga por completo. Em contrapartida, um agente pessoal verificaria ao longo do dia e avisaria você sobre novas vagas assim que aparecessem. Outro ótimo caso de uso é pedir a um agente pessoal para sinalizar uma assinatura de software antes da renovação ou acompanhar a queda de preço de algo que você já está planejando comprar. Tudo isso leva a outra pergunta: quando seu laptop está fechado, como o agente pode continuar fazendo todo esse trabalho? A resposta é ao mesmo tempo simples e de cair o queixo: todos esses agentes têm seus próprios computadores dedicados na nuvem,

11:57 o que permite que trabalhem de forma autônoma dia e noite. Então, se os agentes pessoais oferecem tudo isso logo de cara, por que alguém ainda se daria ao trabalho de usar uma configuração DIY? Bem, primeiro, agentes pessoais ainda são relativamente novos e imaturos, então são bem menos capazes. Segundo, agentes DIY dão a você controle total sobre como quer organizar seu espaço de trabalho, enquanto os agentes pessoais obrigam todos a seguir um único sistema padronizado. E, terceiro, você corre o risco de ficar preso a um único ecossistema. Ou seja, quanto mais um agente pessoal souber sobre você,

12:29 mais difícil será mudar para outro. Agora é hora de falar do elefante na sala: privacidade. Isso vai irritar alguns de vocês, mas vou defender essa posição até o fim. Minha opinião sobre privacidade é que ela é estritamente uma preferência pessoal. Algumas pessoas se recusam a usar qualquer produto do Google. Então, se você está assistindo a isto no YouTube, já está aceitando uma troca que muitos entusiastas ferrenhos da privacidade jamais aceitariam. Pessoalmente, desconfio dos produtos da Meta, especialmente depois do escândalo da Cambridge Analytica, que, na minha impressão, todo mundo simplesmente esqueceu. E até recebi esse enorme pagamento de um processo contra o Facebook.

13:01 E sei o que alguns de vocês vão dizer: “Jeff, por que você ainda está trabalhando se claramente já poderia se aposentar com esse pagamento?” O que posso dizer? Acho que é simplesmente amor pelo jogo. Tecnicamente falando, a Meta diz que construiu o Muse de forma tão segura que nem a própria Meta pode acessar seus dados, mas uso o Muse como se tudo que escrevo fosse enviado direto para a caixa de entrada pessoal do Zuckerberg. Agora, se você quer um agente pessoal voltado para a privacidade, vai precisar usar ferramentas open source, como OpenClaw e Hermes, e depois executá-las

13:32 localmente no seu computador com modelos open source. Mas, de novo, há uma troca. Configurá-los pode ser bem intimidante, e não há como executar localmente os modelos de IA mais poderosos. Para recapitular rapidamente: os chatbots estão se tornando obsoletos à medida que avançamos para agentes que conseguem lembrar nossas preferências e fazer coisas de forma proativa. Esses agentes vêm em duas formas. Primeiro, agentes DIY, como ChatGPT Work, Cloud Code e Gemini Spark. E, segundo, agentes pessoais, como o Muse da Meta, ChatGPT dots e o

14:04 Rockbot da xAI. Então, qual configuração você deve escolher? Escolha um agente pessoal, como o Muse, se quiser a experiência mais fácil para iniciantes, sem precisar construir seu próprio sistema. Só tenha em mente o risco de ficar preso a esse único ecossistema. Aliás, provavelmente deveria ter dito isso bem antes: me avisem se quiserem um tutorial completo sobre o Muse ou o dots. Escolha um agente DIY se, primeiro, você quiser os recursos mais poderosos; segundo, gostar de adaptar um sistema à sua forma de trabalhar; e, terceiro, não quiser ficar preso a uma única plataforma. Lembre-se: a pasta pessoal do meu Jeff

14:34 OS é apenas um monte de pastas e arquivos de texto. Então, posso usar isso em agentes DIY de código fechado, como Cloud Code, ChatGPT Work e Gemini Spark, ou em agentes DIY open source, como Hermes e OpenClaw. Também espero plenamente que todos os laboratórios de ponta em IA incorporem agentes pessoais aos respectivos agentes DIY. Quer dizer, basta ver como a OpenAI adicionou o dots ao ChatGPT Work/Codex, certo? Então, acho que, no longo prazo, vamos ter os benefícios dos

15:05 dois sem precisar migrar para uma plataforma completamente nova, como o Muse. Se você gostou deste vídeo, talvez queira conferir como ensinei minha IA a gerenciar todos os meus arquivos de forma autônoma. Até o próximo vídeo. Enquanto isso, tudo de bom.

Transcrição original

[00:00] If you already use ChatGPT, Claude, or Google Gemini, then you might be wondering what makes personal agents like Muse, Dots, and GrokBot any different. [music] I mean, the demos and the headlines are extremely impressive, as usual, but are personal agents actually worth investing your time and effort to set up? [music] In this video, I’ll explain what personal AI agents are in plain English and how they differ from tools you’re already using, so that you can judge whether personal agents are worth your time. Let’s get started.

[00:30] Instead of diving straight into the deep end, let’s start with the AI tools you’re already familiar with. Kicking things off with chatbots like ChatGPT chat, Claude chat, and Gemini [music] chat. In a nutshell, this category of tools is great for one-off tasks that do not depend on information you’ve shared before. For example, let’s say you upload your latest health report to ChatGPT chat to better understand the findings. You, the user, type in a prompt with instructions and ChatGPT chat, the chatbot, gives you a summary

[01:00] of that specific report in plain English. [music] That was a useful one-off task, but ChatGPT chat only received access to that one report. So, it has no way of connecting those findings to your broader health history like your past reports or your doctor’s notes. Keep that limitation in mind moving forward. Next, we have the do-it-yourself, or DIY, AI agents category, which includes apps like ChatGPT work, Codex, [music] Claude Code, and Gemini Spark. And in a nutshell, this category of apps can

[01:31] remember and >> [music] >> update information you’ve previously shared. So, you don’t have to explain your situation every time you start a new task. Continuing with our health example, let’s say you first give ChatGPT work access [music] to a health folder containing your previous health reports, your doctor’s notes, and your supplement stack. Then, you share this year’s health report in a new task with the exact same instructions as before. And here’s what happens. First,

[02:03] the AI saves the report in your health reports folder. Second, it compares the results with your last 5 years of reports and notes from this year’s doctor’s visits. And third, it updates your health history by editing your health memory document directly so that next year’s comparison starts with everything you shared this year. By the way, I’m using the term DIY agents in this video because unlike the personal agents we’ll cover later, we basically have to set up these folders and files from scratch. Now we arrive at the

[02:34] personal agents category, which includes apps like Meta’s Muse, ChatGPT dots, and XAI’s Grok bot. And to over simplify, personal agents are just the proactive version of DIY agents. As in, they use what they know about you and offer help before you ask. Continuing again with the health example, your personal agent would message you 1 day before your annual health checkup with [music] something like, “Hey, your annual health checkup is tomorrow. Would you like a

[03:04] summary of your health trends over the past 5 years to take with you?” And that’s what I mean by proactive. The agent noticed an upcoming appointment, connected it to information you’d already shared, and solved a problem for you without you having to remember to ask. That was a simple example, and it might sound like a small change, but it takes a massive weight off your mind when an always-on assistant is keeping track of things for you. At this point, it should be pretty clear why the industry as a whole is shifting away

[03:36] from chatbots and one-off tasks and towards DIY agents and personal agents that know what we care about and can proactively flag issues without us having to even think about it. By the way, if you’re finding this helpful so far, my free newsletter gives you one insanely actionable AI tip every week that you can apply in under two minutes. Link down below. [music] Now, before getting to personal agents, we first need to understand how DIY agents work because the same principles apply to both. As we saw earlier, tools like

[04:07] ChatGPT work, Claude Code, [music] and Gemini Spark can write down and maintain our rules, preferences, and memory in plain text files. Then read those files when a task calls for them. For example, as you can see, every single reply I get from Claude or ChatGPT work ends with a what’s next section, which drastically reduces decision fatigue for me. And that preference is saved in this one text file that governs how I want the AI to reply to me. And the AI reads it

[04:40] every time I start a new task. So, to be clear, I tell the AI my preference once, it writes it down, and it follows the rule forever. Zooming out a bit, this governance rules file is just one of over a hundred plus text files in my home folder, which I call Jeff OS. And inside it, you can see all these folders, right? And every single one of these represent a different area of my life. And just to clarify, although I

[05:11] literally started off with a completely empty folder, I did not have to manually create any of these. I just tell the AI what I want, and the DIY agent does the grunt work of writing, updating, and organizing the files inside my home folder. And that’s how I built more than 30 plus folders, each containing the instructions and information my AI needs for that part of my life. Now, let’s make this more concrete by going over two use cases. Starting with my friends and family folder, the memory.md file here keeps track of information like

[05:43] family birthdays, food allergies, and even presents I previously bought because I’m a very petty man. >> Oh, I love it. >> Really? You’re not going to return it? >> Well, not this second. >> And then I can ask something like, “I’m planning a surprise birthday for my brother at this particular restaurant.” And the AI checks the restaurant’s menu against what it already knows about my brother, flags my brother’s severe shellfish allergy, and recommends a

[06:14] different restaurant nearby with a similar price point. Heads up, this next example is a lot more complex, but [music] it’s a realistic representation of how I use DIY agents day to day. Let’s say I’m planning a trip. I literally kick things off with a simple sentence like, “Help me plan a trip to LA from May 20th to 30th.” And even though I send this off with no other context, it’s able to pull everything it needs because the agent has access to my travel folder, and it’s also connected to apps like,

[06:46] here you can see, Notion, Google Calendar, Google Drive, and Gmail. And so it pulls my travel preferences to find Marriott hotels in my preferred price range, and checks the visa requirements for the passport I hold. It looks through my people database in Notion for friends and acquaintances who live in LA so I can reach out to them. And it also creates a trip project in Notion the way I like it by following my saved Notion conventions. And finally, it checks my calendar for conflicts and

[07:17] flags any tasks or projects with deadlines that fall during the trip. So just to be clear, my hotel preferences, my friends’ locations, and my project deadlines all live in different places, but they all matter to the same trip. So the AI connects those details for me without me having to remember and re-explain every single one of them. Put simply, DIY agents represent the ultimate second brain, where you can offload and retrieve information you want without really having to organize

[07:48] any of that yourself. By the way, if you want my exact setup, check out the Co-worker Academy and you’ll get a ready-to-install second brain that loads your contacts automatically and is 90% built the moment you download it. Link down below. All right, we’re now finally ready to talk about personal agents. In a nutshell, tools like Meta’s Muse, ChatGPT dots, and XAI’s Grok dots are the ready-out-of-the-box version of DIY agents, meaning you get a lot of the same capabilities without having to

[08:18] build your own home folder first. For example, let’s say I want to get healthier, but I don’t want the hassle of creating and maintaining a health folder and having to understand what a claw.md or a memory.md file is. Like, what kind of NASA-level computer science language is that, right? In which case, I can just open up a personal agent like Muse, go into goals, pick health, [music] and have Muse interview me and come up with a plan to improve my sleep quality. In this specific example, it

[08:48] asked about my calm routine and after I answered, it saved a goal under the goals tab and then, if I click in, it also created a bedtime checklist >> [music] >> to help me get started. Now, to be clear, DIY agents could have done all of that easily, but I would have had to know to ask it to interview me and [music] ask it for a bedtime routine checklist. Whereas Muse basically made that process dummy-proof. And if I open up Muse’s system files, you’ll notice

[09:20] that, huh, this looks remarkably similar to the file architecture in Jeff’s [music] DIY setup. Some of the file names are even exactly the same. agent.md, memory.md, agent.md, memory.md, right? And if I open up Muse’s root memory.md file, you will see the bedtime routine I shared with Muse when it was interviewing me about my health goals. Put simply, both setups work the same way. The AI saves your information in files and uses those files to help you. Personal agents just

[09:51] make it much easier to get started. And remember how every reply in my DIY setup ends with a what’s next section? The reason Muse follows the exact same reply format already is because I I told it in a previous chat session. As you can see here, scroll down here a little bit, I told it that every reply must end with a what’s next section listing only my remaining actions and keep it self-contained. And if I open up the memory MD file again,

[10:23] you will see the reply rules are right over here. At this point, personal agents might just sound like a more beginner-friendly version of DIY agents, but there’s one more massive difference. Personal agents are proactive, meaning they can keep an eye on things that matter to you and bring you updates without you having to explicitly ask for it. For example, if you’re job hunting, you can tell your personal agent what kind of role you want and your preferred location. Then ask it to keep an eye out for matching opportunities. Or if you

[10:55] run a business, you could tell your personal agent to flag overdue invoices so that you’re not missing payments from your customers. Now, you might be thinking, couldn’t I just create a scheduled task for that? And the answer is, sure. You could easily set up a task to search for jobs every morning and send you the matches. But imagine your dream job gets posted that afternoon and applications closed before the next scheduled task can run, which isn’t too far-fetched nowadays, probably. Meaning that once a day tasks would miss that

[11:26] opening completely. In contrast, a personal agent would check throughout the day and notify you of new openings as they appear. Another great use case is to ask a personal agent to flag a software subscription before it renews, or watch for a price drop on something you’re already planning to buy. All this brings up another question. When your laptop is closed, how can the agent continue doing all that work? And the answer is both simple and mind-blowing because all these agents have their own dedicated computers in the cloud,

[11:57] letting them work autonomously around the clock. And so if personal agents give you all of this out of the box, why would anyone still bother with a DIY setup? Well, first, personal agents are still relatively new and immature, so they’re a lot less capable. Second, DIY agents give you complete control over how you want your workspace organized, whereas personal agents force everyone to follow one standardized system. And third, you run the risk of being locked into one ecosystem. As in, the more a personal agent knows about you, the

[12:29] harder it will be to switch to another one. Now it’s time to talk about the elephant in the room, privacy. This is going to piss some of you off, but I’m going to die on this hill. >> [music] >> My stance on privacy is that it’s strictly a personal preference. Some people refuse to use any Google products, so if you’re watching this on YouTube, you’re already accepting a trade-off that many hardcore privacy enthusiasts would never agree to. I’m personally wary of Meta’s products, especially after the Cambridge Analytica scandal, which I feel like everyone just forgot about. And I even received this massive payout from a Facebook lawsuit.

[13:01] And I know what some of you will say, “Jeff, why are you still working when you can clearly just retire at this point from this payout?” I mean, what can I say? Just love of the game, I guess. Technically speaking, Meta says they’ve built Muse in such a secure way that even Meta themselves can’t access your data, but I’m using Muse as if everything I write is sent straight to Zuckerberg’s personal inbox. Now, if If want a privacy-focused personal agent, [music] you’re going to need to use open-source tools like OpenClaw and Hermes and then run them

[13:32] locally on your computer with open-source models. But again, there’s a trade-off. They can be very intimidating to set up and there’s no way to run the most powerful AI models locally. As a quick recap, chatbots are becoming obsolete as we move towards agents that can remember our preferences and can proactively get stuff done. These agents come in two forms. First, DIY agents like ChatGPT Work, Cloud Code, and Gemini Spark. And second, personal agents like Meta’s Muse, [music] ChatGPT dots, and xAI’s

[14:04] Rockbot. So, which setup should you choose? Go with a personal agent like Muse if you want the most beginner-friendly experience without building your own system. Just keep in mind the risk of being locked into that one ecosystem. By the way, I probably should have said this way earlier. Let me know if you want a whole tutorial on Muse or dots. Go with a DIY agent if one, you want the most powerful capabilities, two, you enjoy tailoring a system around how you work, and [snorts] three, you don’t want to be locked into one [music] platform. Remember, my Jeff

[14:34] OS home folder is just a bunch of folders and text files. So, I could use this in closed-source DIY agents like Cloud Code, ChatGPT Work, and Gemini Spark or open-source DIY agents like Hermes and OpenClaw. Also, I fully expect all the AI frontier labs to build personal agents into their respective DIY agents. I mean, just look at how OpenAI added dots to ChatGPT Work/Codex, [music] right? So, I feel like over the long term, we’re going to get the benefits of

[15:05] both without having to move to a completely new platform like Muse. If you enjoyed this, you might want to check out how I’ve taught my AI to manage all my files autonomously. See you on the next video in the meantime. Have a great one.