HERMES + JEV = 254X MAIS BARATO

Video authored by the channel shown, not by IANIA; all rights belong to the creator. Transcript and summary generated automatically; the original-language content is preserved.

Original language: Portuguese

Original video: HERMES + JEV = 254X MAIS BARATO · Channel: Aly IA Lab · 34:03 · Watch on YouTube

Topics: AI agents, Task and workflow automation, AI content generation, Model inference and optimization, AI models

Summary

O vídeo apresenta o JEV como um modelo voltado a classificar, pontuar e responder perguntas estruturadas, em vez de gerar texto livre. A criadora mostra como integrou o JEV a skills do Hermes para automatizar análises de títulos e seleção de temas para vídeos. Nos exemplos, o JEV cuida das etapas determinísticas e um LLM tradicional continua responsável pelo raciocínio e pela escrita. A experiência relatada indica reduções expressivas de custo e tempo, embora o JEV não substitua modelos generativos em todas as tarefas.

Key points

O JEV responde a perguntas estruturadas com classificações, pontuações ou resultados de sim ou não acompanhados de confiança.
O modelo é útil quando a tarefa exige uma decisão ou classificação que não é óbvia, mas não requer geração de texto longo.
O JEV é integrado a agentes por meio de uma skill; ele não substitui diretamente o modelo principal usado pelo agente.
A criadora usa o Hermes para analisar títulos, identificar padrões em canais e selecionar temas para vídeos.
Nas tarefas descritas, o JEV faz classificações em paralelo, enquanto o LLM tradicional interpreta os resultados e atualiza arquivos ou produz relatórios.
A integração usa uma chave de API; no exemplo, a criadora escolhe o OpenRouter para acessar o modelo.
O vídeo relata reduções substanciais de custo e tempo em tarefas de análise, mas os números variam conforme o processo comparado.
Tarefas como escrever roteiros, hooks ou estratégias narrativas continuam exigindo modelos generativos tradicionais.

Chapters

Start	Chapter	Summary
00:00	O que diferencia o JEV	A criadora explica que o JEV é útil para perguntas cuja resposta é classificável, mas exige algum raciocínio.
02:32	Tipos de perguntas e uso com agentes	O vídeo apresenta perguntas de escolha, pontuação e sim ou não, e explica como o JEV pode ser chamado por uma skill.
07:43	O Hermes como agente de criação de conteúdo	A criadora descreve as skills que usa para analisar títulos, canais e temas de vídeos no YouTube.
09:47	Instalação e planejamento dos usos	A conversa com o Hermes ajuda a identificar tarefas determinísticas e definir perguntas para analisar títulos.
14:57	Configuração da API e análise de títulos	A criadora instala a skill, configura o acesso pelo OpenRouter e mostra classificações e custos para analisar títulos.
20:35	Comparação entre o processo antigo e o novo	O vídeo compara o fluxo com um LLM tradicional ao fluxo em que o JEV classifica os dados antes de o LLM interpretar os resultados.
26:20	Aplicação à seleção de temas para vídeos	A criadora integra o JEV a uma tarefa recorrente que avalia vídeos recentes e ajuda a escolher assuntos para publicar.
31:59	Conclusões e próximos usos	A criadora resume os benefícios da integração e incentiva a buscar outras tarefas em que classificações possam reduzir custos e tempo.

Quotes

Ele consegue raciocinar e identificar que Hermes é uma ferramenta de IA. — 01:31

É um if inteligente. — 11:51

O JEV primeiro faz toda a análise de forma muito mais barata e rápida. — 22:10

A própria IA pode sugerir onde implementar o JEV nos seus processos. — 33:01

Concepts and entities

Jev, Hermes, skill, TypeSafe, OpenRouter, Claude Code, Codex, DeepSeek, Obsidian

Full transcript (original language)

00:00 Eu confesso que quando todo mundo começou a falar aí desse novo modelo de A, que é o Jeev, eu fiquei meio hum sem entender porque que tanto a gente tava gritando: “Nossa, é uma novidade incrível, fazer muita diferença, é aí que tá o dinheiro”. Porque honestamente, quando eu comecei a estudar sobre, eu não vi grande diferença de qualquer programa de computador determinístico. O pessoal ficava dizendo: “Nossa, mas você vai lá, é super simples, bota perguntas, respostas, sim ou não”. e ficando, gente, mas não é isso que a gente sempre

00:30 programou, não foi sempre assim que funcionou o negócio. Até que eu estudei um pouquinho mais e eu consegui então entender que a grande vantagem aqui do Jeff é que justamente ele consegue raciocinar. Então ele serve muito para aquelas perguntas que elas são determinísticas, elas têm uma resposta de sim ou não, ou você consegue, né, classificar elas, mas não é algo óbvio. Então é algo que talvez precise de um pouquinho mais de raciocínio. Então, por exemplo, num programa de computador, a gente tem que ter uma resposta assim, ó, eh, matemática, fatos, etc. Então, a

01:00 dois é maior do que quatro, sim ou não? Uma pergunta que o computador ele consegue responder, né? ele consegue fazer esse cálculo e responder. Agora, para uma questão que já é preciso de um pouquinho mais de raciocínio, não é assim tão óbvio, como por exemplo, esse vídeo aqui tá falando de uma ferramenta de A? Pode ser que sim, pode ser que não. Só que, por exemplo, pro computador conseguir, né, ter essa resposta, o que que você precisaria? Você precisaria basicamente ter lá programado, né, todas as ferramentas de A existentes. Ele ia

01:31 ver essa lista inteira e dizer: “Ah, sim ou não?” Difícil, né? chato de fazer isso. Usando o Jeev, ele consegue raciocinar e ele consegue ver, ah, realmente isso aqui, Hermes é uma ferramenta de A. Então isso aqui, essa resposta da pergunta é sim, tá? Então essa é basicamente a grande diferença, é que ele tem esse raciocínio e ele funciona de uma maneira mais simplificada do que as que a gente tá acostumado, como chat, GPT, Gemini, etc. Ele não serve para chat, ele não serve para você ficar aqui conversando com ele. Você simplesmente manda perguntas e

02:01 ele vai responder sim ou não e o nível de confiança, né, uma pontuação de confiança do quanto ele tá certo dessa resposta de sim ou não. Então é basicamente isso que o Jeff faz e existem várias aplicações para isso. Mas primeiro, antes de passar já pra parte de aplicações, que eu também achei meio estranha aí nos tutoriais, mas a gente já vai chegar nisso, eu queria explicar um pouquinho mais como ele funciona, caso você ainda não tenha estudado mais sobre isso, não tenha visto já um dos milhões de vídeos que tem na internet. Então aqui na documentação do GEV, do Type Safe aqui, que é o nome da empresa e tal, né? A gente tem aqui quais são as primitivas, quais são as questões, os

02:32 tipos de questões que a gente consegue então perguntar aqui para esse modelo. E você pode ver que eles estão chamando isso aqui de system one model. um sistema modelo um é um modelo mais simplificado do que os modelos que a gente tá acostumado justamente porque ele trabalha com tipos de pergunta e com respostas ali sim ou não, basicamente. Então, quais são os tipos de pergunta que a gente tem? A gente tem as perguntas de choice, que são as perguntas de escolha. Então ele tem uma lista de escolhas e ele então tem que classificar ali aquela entrada que você deu para ele, se ela se encaixa em uma

03:02 dessas, né, escolhas. Ele tem também então a pergunta de score, então para nãoia classificar, mas ele dá uma nota, né, uma pontuação aqui em relação a uma escala. Então, por exemplo, a gente poderia ter, todo mundo falou esse exemplo, né? A gente poderia ter um e-mail de um cliente, que pode ser um e-mail que de uma escala que a pessoa está tranquila e feliz até ela tá muito brava com você, com o seu serviço. Então o Jeev é que ele conseguiria analisar entre essas possibilidades, entre essa escala e dizer: “Não, tá 0.82, então tá quase aqui no máximo do bravo.” Então

03:34 talvez você tenha que responder esse e-mail rapidamente, né? E depois a gente tem as perguntas no, que para mim parece muito com nu, que é basicamente as perguntas de sim ou não, zero ou um. Então esse input que você deu, ele é verdade para essa pergunta ou ele é mentira para essa pergunta? E você pode estar vendo que eu tô falando assim: “Ah, tem as opções, tem uma escala, tem uma pergunta”, né? Então eu tô falando isso. Então você tem que criar então as perguntas, a escala, quais são as opções, quais são as categorias. Você vai criar isso tudo, vai passar pro Jeeví

04:05 dados e ele vai analisar então esses dados em relação as suas perguntas de sim ou não, à suas escalas, à suas as suas categorias, né, que existem ali as escolhas que são possíveis. Então, basicamente é assim que funciona. E a gente poderia vir aqui, ó, no home aqui do typesavefe. A gente tem uma parte aqui que é para você criar a sua conta e aí você vai entrar no playground e aí você consegue ali colocar as suas perguntas. Você joga então os dados e aí ele vai analisar então os dados em relação a essas perguntas que você colocou. Legal, muita gente fez isso. Se

04:35 você quiser dar uma olhadinha, procura aqui no YouTube, porque eu não vou passar por essa parte. Eu acho assim, interessante ter um playground, mas todos os vídeos que eu vi do pessoal usando playground, eu achei um pouquinho mais complicado, porque mostra ali o arquivo Jason ou o arquivo Cup, né? Então meio que parece código, aí você tem que escrever ali a pergunta à mão e tal. Então, achei um pouquinho mais complicado e pode afastar um pouquinho as pessoas aqui do Gev, eu achei porque parece mais complicado do que é. Então, acho que faz mais sentido a gente fazer direto usando um dos nossos agentes.

05:05 Então, Cloud Code, Codex, Hermes, todos esses você consegue usar o JEV junto. E é interessante que você consegue usar o JEV, né? Não é assim, ah, vou trocar o modelo. Então, não é que você tá ali no cloud code usando, sei lá, o Opus e você vai trocar pro modelo Jeff. Ou você tá ali no Codex usando, meu Deus, qual que é o modelo atual da Open? Olha, nem sei o modelo atual aí, Sol, o Astra. Vou usar aqui o Astra agora. Vou trocar pro Jeff. Não é exatamente assim que funciona, tá? Como que funciona? Você consegue instalar uma skill nesses agentes, Cloud Code, Codex, etc. E aí eles vão chamar esse skill. E aí

05:37 enquanto eles estão chamando esse skill, eles vão usar então aí o Jeev, esse modelo, para responder as perguntas e depois eles vão continuar fazendo o que eles quiserem com resultado dessas perguntas, né? Então eu achei muito interessante porque muitas das minhas skills, muitos dos meus processos, eu tenho muitas coisas para fazer até I conclui assim: “Não, esse vídeo aqui que essa pessoa postou, ele é muito bom, o título é muito interessante, o assunto é muito interessante, você devia replicar ele no seu canal”. Replicar é maneira de dizer, né? Você abordar o mesmo tópico e usar um título parecido. Então tem muita

06:08 coisa que ele tem que analisar no vídeo e várias dessas análises que ele faz são determinísticas. Por exemplo, para analisar se o título é bom, uma das perguntas é: “Tem número?” Tem número? É uma resposta sim ou não? Eu não preciso que os modelos de a mais robustos eles façam todo o raciocínio redotes tem número ou não? É sim ou não? Analiza ali, sim ou não? Não precisa ficar pensando sobre isso. Então é aí que tá a grande aplicação do Jeff. Por quê? Porque beleza, Suá, seus modelos que você tá usando até agora, eles conseguem fazer todo esse raciocínio, eles conseguem responder todas as perguntas que o Jeff respondeu. Só que quando eles respondem, eles respondem de forma

06:39 estruturada. É texto e frase, explicação e eles pensam e etc. Sabe quantos outputs, quantos outputs tokens, né, você tem com esse tipo de resposta? Muitos, muitos, muitos. E o Jeev, ele responde basicamente sim ou não, né? Ele responde um número ali de confiança de quanto ele tem na resposta que é sim ou não. Então são muito menos tokens a ponto de que uma das grandes vantagens aqui que eles colocam até na página inicial, deixa eu descer aqui para te mostrar, 193.6 6 vezes mais rápido, porque as respostas são bem menores e 44

07:11 vezes mais barato. E realmente já vou te mostrar aqui usando no meu agente, eu perguntei, né, quantos tokens sendo utilizados, coloquei lá o preço, né, por tokens, etc., de cada modelo. E a diferença de preço é surreal, realmente não quer dizer que você vai conseguir substituir todos os seus processos para usar o Jeff, tá? Porque tem muitas coisas que a gente usa a que não é só resposta sim ou não, né? Quero gerar um roteiro de vídeo. Como é que eu vou colocar o Jeff para fazer isso? Ele não gera texto de resposta. Ele responde sim ou não. Basicamente a categoria é essa aqui. Então, por exemplo, para esse tipo

07:43 de tarefa, eu não vou conseguir substituir os meus modelos de A tradicionais pelo Jeb, mas para algumas outras tarefas, parte delas eu consigo sim substituir os modelos de A pelo GF e o que vai deixar o processo muito mais barato. Então é isso que eu vou te mostrar aqui agora. Eu tô aqui no meu Hermes. Essa aqui já é a segunda conversa. Vou passar pra primeira. E aí, antes de tudo, eu preciso te explicar, né, para que que eu uso esse Hermê, Hermes o que for, caso você não tenha visto meus outros vídeos até agora. Esse aqui ele é o meu ajudante aqui de criação de conteúdo. Então, a gente tem muita coisa sobre YouTube aqui dentro. A

08:15 gente tem skill para criar roteiro, a gente tem skill que analisa títulos. Então ele vai pegando vários vídeos de vários canais do YouTube aqui do meu nicho. Ele vai analisando, ó, esse título funcionou muito bem, teve muito mais views do vídeo com esse título. Então esse título é um bom título. Qual que é o padrão desse título, né? Tem tipo assim uma fórmula. Ah, essa fórmula aqui tá funcionando, então. E aí quando a gente vai criar novos vídeos, ele fala: “Ó, vamos usar esse título aqui que vai seguir essa fórmula e daí eu acho que vai ter um bom resultado, vai ter várias views.” Então a gente tem esse tipo de skill. a gente tem uma skill que ela analisa um canal como um

08:45 todo. Então eu passo lá um arquivo do Excel, do CVS, CSV, etc, que for, né? Faça um arquivo com todos os vídeos, views, etc. E daí ele faz essa análise, ah, esses vídeos aqui performaram muito bem, foram melhor, eles estão usando esse tipo de título, eles estão falando sobre esse assunto, essa ferramenta. Então, tem toda essa análise. E outras skills que eu tenho também são, por exemplo, toda segunda-feira e quinta-feira ele roda, analisa alguns canais do YouTube e vê, olha só, tá todo mundo falando sobre esse tópico aqui, então esse tópico tá em alta, você devia fazer um vídeo sobre isso aqui, tá? Um ângulo legal. Então, também tem essa

09:16 tarefa, por exemplo, e várias outras tarefas de criação de conteúdo mesmo, escrever roteiro, criar título, escrever descrição, etc. Lembrando que se você gostaria de usar o seu agente de A para também criar conteúdo, eu tenho um curso onde eu te forneço várias e várias skills de criação de conteúdo e nas aulas eu vou te mostrando como é que você usa cada uma delas. Então é um curso bem prático, as aulas são bem curtas e você já ganha todas essas skills que você vai refinando de acordo com seu nicho, seu tom de voz, etc. Mas tem tudo isso lá dentro do curso para você aprender a fazer e as skills já estão prontas para você. E aí, se você

09:47 tiver interesse, então, no operação conteúdo, que é o nome do curso, o link vai est aparecendo aqui na tela e também vai est na descrição para você dar uma olhadinha. Então, com isso deito, a primeira coisa que eu tinha que fazer aqui no meu rem era então instalar, né, a skill aqui do Jeff, justamente como eu te falei, é uma skill que a gente instala. Não vou não vou mudar o modelo que eu tô utilizando, é esse modelo que vai chamar o JV para funcionar. E o mais legal de fazer dessa forma é que o modelo também vai determinar quais são as perguntas a serem feitas. Então você não vai ter que escrever tudo na mão. Ah, queria que ele analisasse isso e isso e isso aqui estão as perguntas.

10:18 Não, meu remoço aqui vai criar as perguntas também. Então isso também facilita bastante. Então eu quero te mostrar aqui essa conversa para você ver o quão fácil foi, tá? Primeiro de tudo, eu expliquei para ele o que que era, joguei aqui, né, o link da introdução, de como é que funcionava, etc. Falei, a gente vai instalar, mas primeiro eu queria pensar nos casos do nosso dia a dia, que podia ser útil, né, usar esse tipo de modelo. Por exemplo, na segunda a gente roda aquela automação de atualizar as skill de títulos com novos títulos relevantes. Então, toda segunda-feira ele pega vários vídeos desses canais, vê todos os títulos, vê quais funcionaram e aí ele pega e

10:49 atualiza a nossa skill de títulos. Por quê? Porque se ele descobriu uma nova fórmula que tá funcionando muito bem, ela tem que ser adicionada lá. Se ele viu que um tipo de título não tá mais funcionando, ele tem que tirar ele lá dos títulos, né, que ele vai sugerir. Então ele faz essa atualização toda segunda-feira. Então eu falei, ó, pra gente fazer aqui a skill de título, a gente tem que classificar, né, os títulos analisados. Então, será que a gente podia fazer essa classificação com Jeff? Mesma coisa quando eu te passo aqui um CV, um CSV com vídeos e métricas de um canal, a gente não tem uma skill e para isso, assim, para fazer análise. Normalmente eu faço aqui com ele e tal,

11:20 a gente vai discutindo o que a gente conclui. Só que assim, e nesse contexto de análise de canais, a gente também podia usar o JV para analisar os vídeos que fizeram sucesso, os tópicos, etc. Será que a gente não poderia? Que que você acha e quais outras aplicações você vê aqui no contexto do nosso negócio? Então isso aqui foi só para situar o meu meu agente aqui. Ele explicou mais ou menos, né, o que que é, etc. Ó, onde que ele encaixa? Eh, classificar, pontuar, extrair, rotear, decidir qualquer tarefa com resposta certa. Então, basicamente o if inteligente. Isso aqui é exatamente o

11:51 meu sentimento. É um if inteligente, né? Não tem sim ou não, não é tão claro, mas ainda assim é esse ou esse não funciona para desse criativo, roteiro, chatbot, raciocínio lógico, etc. Então você consegue ver aqui que não substitui os seus modelos de a que você tá usando. Ele tá aqui para acrescentar e deixar as tarefas mais baratas e mais rápidas. Aqui foi o que o meu Hermê sugeriu pra gente mudar então e usar o Jeev classificação de títulos. Então justamente como eu te falei, ó, ele consegue classificar em quais os novos formatos que a gente já tem validados assim que se encaixa esse novo título que ele tá analisando. Extrair sinais.

12:22 Então assim, essa ferramenta, tem ferramenta, tem número, é um tutorial, uma pergunta, que daí a gente vai pegando, né, esses insites para ver o que funciona, que não funciona. E pontuar aqui potencial de viewsado nos padrões históricos. Então, olha só que interessante, muitas vezes, simplesmente o Hermes ele me dizia assim: “Eu acho que esse título aqui vai ficar bom para esse vídeo”. Mas não tinha, né, uma pontuação, não era baseado, era baseado no que ele sabia que funcionava o raciocínio dele ali da IA, mas não era algo assim determinístico, né? Então ele também pode dar uma pontuação, que é algo mais interessante. E olha só, economia estimada, hoje isso consome em

12:53 média 15 a 20.000 tokens de input. E aí o via um LLM, que no caso é o meu de psique aqui, que gera texto livre. Com Jeev, cada título teria uma chamada de mais ou menos 500 tokens com output grátis. E por que que ele tá falando output grátis, tá? Não é exatamente grátis. Deixa eu ver se tem aqui o preço certinho. Tava aqui na documentação mesmo. Então o preço por milhão de tokens é 0.042. Então é muito muito barato. E a quantidade de output, né, de resposta que ele te dá são respostas muito

13:24 pequenas, então usa muito pouco token. Então é basicamente considerado gratuito aqui porque vai ser 0. er alguma coisa o preço. Então isso realmente deixa muito mais barato. Aqui ó, para com Jeev cada título seria mais ou menos 500 tokens com e de input com output grátis. Grátis não é literalmente, mas é porque é muito pequeno. Para 80 títulos seria 40.000 tokens, tá? De input. Então e como, né, o output é praticamente nada, fica basicamente 0.0017 por rodada. Então olha só a diferença.

13:54 Com o Jeev essa parte vai custar 0.0017 0017 e com um outro modelo normal custaria entre 0.05 a 0,15. Então a diferença de preço é absurda. Outra coisa aqui que ele deu também em outras opções é é estrategista do pipeline. Então, ó, hoje um subagente ranquei as ideias disponíveis com algumas dessas eh foco do dia, conflitos, teve menos de 30 dias já esse assunto, etc. potencial de crescimento. E aí o Jeev poderia fazer isso, ó, mete com foco do dia, risco de conflito com o histórico recente. Então ele analisa aqui entre zero a um, no

14:25 caso, né? Potencial de crescimento, etc. Ele consegue fazer isso tudo. Então tem muitas aplicações aqui. E o que nunca mandar pro Jeff justamente é escrever roteiro, escrever Hook, CTA, estratégia narrativa, análise competitiva no sentido de eh bolar estratégias, né? Porque realmente ele não tem esse tipo de resposta que ele responde sim ou não e ele classifica e dá ali, né? coloca em uma escala as respostas. E é basicamente isso. Ele me deu aqui algumas ideias como é que a gente implementa no nosso agente. E aí que eu falei, ó, aqui tá o documento, né, a página de instalação. E

14:57 aí ele foi instalar. Então aqui o R maravilhoso, me deu aqui as opções de como é que instalaria. Eu falei: “Ó, escolhe aí porque eu que não vou escolher, né?” Beleza, ele instalou. Ótimo, tivemos que fazer nada. Só que para rodar aqui o Jeev, a gente vai precisar de uma chave de API, certo? Então não dá para rodar aqui sozinho, a gente precisa de uma chave. A gente tá chamando, né? o esse modelo de algum lugar. E aí aqui a gente tem duas opções, tá? Você pode vir aqui no Typeesfe AI, que é, né, o nome da plataforma, criar sua conta e pegar uma chave de API. Eu não fiz isso porque, querendo ou não, apesar de ser muito

15:27 barato, ainda é pago, então teria, né, que botar dinheiro nessa conta e aí me dá um pouco de preguiça de ficar botando dinheiro em várias contas separadas. Então, o que que eu fiz? Eu deve imaginar, eu usei o Open Router. O Open Router já tem aqui esse modelo disponível, Jev latest. Então eu simplesmente falei, usa aí a minha chave de API do Open Router que já tem esse modelo disponível. Então foi isso que eu falei aqui. Ó, vamos a a IPI do Open Router. Ele falou: “Não, mas o open router não tem isso aqui”. Falei: “Cara, lógico que tem. Tá aqui a URL,

15:59 paciência, né? Enfim”. E aí, beleza, ele conseguiu funcionando. Analisei 20 títulos por 0.0011, 0011, então resultados excelentes. E aí ele falou assim: “Não, isso aqui ficou ótimo, não sei o que, beleza, só que eu queria ver, né, o que que tá acontecendo”. Então eu pedi para ele aqui, tem como mostrar o raciocínio ou no caso os resultados do Jeff para cada título? Então ele pegou aqui um título, Setup Personal Hermes em 14 minutos. Meu Deus, falei três línguas aqui, né? Então para você configurar aí um Herm em 14 minutos. Então ele pegou aqui o título, ó, desse outro canal

16:29 aqui. Ele me mostrou quais foram as perguntas que ele passou pro Jeev para ele analisar em relação a esse título. Então a gente tinha aqui qual formato estrutural. Aqui ele deu três opções de formatos que a gente já usa, já tem lá na nossa skill para ver se se encaixava em algum deles. É outline. Então assim, o título, esse vídeo, né, que vai com esse título, ele tá indo muito melhor do que os outros vídeos. Então quer dizer que esse título funciona muito bem. Então resposta sim ou não. Tem ferramenta no título, tem número no título, é um tutorial. menciona a palavra grátis, menciona, né, dinheiro, algum tipo de ganho, é uma pergunta.

16:59 Então, tudo isso é resposta sim ou não. E tudo isso são análises que a gente faz em todos os títulos aqui que a gente vai analisando, justamente porque são alguns sinais que a gente vê, não realmente, olha só, nos títulos que a gente analisou, 92% deles tem número, então é bom sempre colocar número nos seus títulos, por exemplo, né? Inventei essa estatística, tá? Então, por isso que a gente faz essas perguntas aí. Aqui ele mostrou pra gente aqui, ó, as respostas do Jeff. Primeir de tudo, ele falou que 76%, né, de confiança de que o a estrutura desse título era dessa categoria aqui, ferramenta do zero.

17:31 Então, do zero mais ferramentas em tanto minutos. Por exemplo, aprenda como usar tal ferramenta em 27 minutos. Então ele falou que, né, com certa confiança acha que é esse tipo de título aqui ou não se encaixa em nenhuma, porque assim, sem VPS, sem Mac Mini é meio que diferente e tem aqui o formato parecido, mas ele concluiu que é essa categoria aqui de título, não é uma categoria nova que a gente teria que analisar. Depois pras perguntas de sim ou não, ele falou assim, ó, é tutorial, sim, porque tem a palavra setup, né, que eu configure. Tem número sim, 14 minutos. Aí depois a gente tem is outlier, então ele

18:02 respondeu com 0.73. Quanto mais próximo do um, é a mais certeza que ele tem de que sim é a resposta. E quanto mais próximo do zero, é a maior certeza de que ele tem que não é a resposta. E ainda assim, pon 73%, sim, né? Tá um pouquinho longe do sim, com certeza, como por exemplo, tem número. O que eu achei engraçado porque esse vídeo estava indo 40.9 vezes melhor do que a média. Só que aqui ele falou que é o quê? O vídeo em si só tem 27.000 views até agora e a média é 78. Então pode ser que é só porque o vídeo é muito novo, né? Então ele ainda tá chegando, talvez chegue nesse número e ultrapasse esse

18:32 número, mas talvez não. Então em questão de visualizações por hora, esse vídeo tá muito acima da média, mas pode ser só porque ele é novidade, então tem que esperar ainda realmente para garantir. Mas ele tá confiante que é sim, tem ferramenta aqui, ó, foi quase que um 0, chegou ali quase próximo do 0.50, né? Então ele tava meio que assim na dúvida. Ele tendeu pro Sim. Então sim, Hermes é uma ferramenta, mas não é extremamente óbvio, né? pro modelo que e Hermes Hermes é uma ferramenta de a. Então isso ele ficou um pouquinho na dúvida. Menciona grátis, ele já tá dizendo:

19:03 “Hum, tá mais próximo do não aqui porque sem VPS, né? Aqui é no VPS, não é na VPS”. Sugere que é grátis, né? porque não tá instalado no meu VPS, que seria o que seria pago. Menciona dinheiro, ele também já tá mais pro não. Beleza, tem novo VPS, então quer dizer, né, que é gratuito, então é uma economia indiretamente, mas não tá explícito no título. Então ele tá mais cinendo para não, não menciona dinheiro e é pergunta, tá quase zero, então quase assim 100% de certeza que não, não é uma pergunta, claramente não é uma pergunta certíssimo. E aqui ele fez uma comparação de custo, só que eu não acho

19:33 essa comparação de custo muito justa. Eu inclusive falei isso para ele e a gente já viu um pouquinho depois. Por quê? Que que eu acho aqui? Tá, ele fez essa comparação se a gente tivesse mandado as mesmas perguntas, tanto pro GEV quanto para alguma outra, né, para algum outro modelo. Então o output aqui deu 323, ficou basicamente igual pros dois. Eles responderam sim ou não igualmente porque ele mandou as mesmas perguntas. Só que quando a gente não tava usando GEV, ele não mandava as perguntas dessa forma, né? Então o input é diferente quando a gente chama Jeev e diferente quando a gente chama uma e outro modelo. Então eu achei que essa comparação foi meio justa. Se a gente comparar exatamente

20:05 mandar mesmísima coisa, os mesmos resultados, a gente também tem um gasto muito inferior, né, em relação aqui ao Jeff, em relação ao outro modelo. Então o custo, ó, de fazer para 1000 o título seria 0.05 cêntim, enquanto para usando o outro modelo seria que 0.34. Então realmente ficou bem mais barato, muito mais rápido, 500 ms em vez de 3 a 30 segundos. Só que eu ainda não acho essa comparação muito justa porque a gente não chamaria, não usaria o input dessa forma se não tivesse o Jeff. Então achei que essa tabela que ele não precisava dar. Eu expliquei isso para ele, né? Eu queria assim, não era assim que o modelo

20:35 fazia antes, né? Não era assim. Pedi então para ele comparar o jeito antigo com o jeito novo, jeito sem GF, que era 100% lm e a gente criava, né, todo o input, o nosso nosso prompt aqui justamente para isso e diferente, tá? Então, ó, justamente quando é no Je, a gente te dá um estado e oito perguntas estruturadas, né? A gente diz ali qual que são as informações e manda as outras perguntas. No LM a gente mandava tudo assim, um dump, um ru maravilhoso, vê tudo aí, tá? Então veja bem a diferença agora realmente comparando um processo com o outro. O Jeev levou 0.28 segundos, o

21:08 modelo levou 25 segundos. Olha que foi o deck pro. Custo 0.0045. Custo 0.011142. Então realmente já foi, né, um pouquinho assim bem mais barato. Tokens de input. O Je acabou utilizando mais. Acredito que seja porque a gente tem que mandar um prompt mais estruturado ali com as perguntas, etc. Ok. Mas token de output já foi bem menor no Jeff do que da outra LM que foi o Deepsic. Ficou 89 vezes mais rápido e 248 vezes mais barato

21:38 rodar o processo usando Jeev do que usando aqui o só o modelo. E veja bem que aqui não tá mostrando um processo feito só com o Jeff, onde a gente só recebe as análises e um processo da Llm que ele faz toda a análise, etc. Não foi isso que aconteceu. O jeito antigo, tá, só com LLM, só com o nosso modelo aqui do tipic, ele teve introdução, sessão de MarkD, análise detalhada, tudo junto. Ele fez tudo ali, o modelo, analisou tudo, fez todas as análises, etc. O novo, tá? Não f, viu? Tudo misturado,

22:10 tudo na mesma chamada. O Nova Maneira, ela não é assim, ela primeiro chama o Jeev e ela faz toda essa análise com as perguntas determinísticas, muito mais rápido, muito mais barato. E com essas respostas ela passa, então chama então o nosso modelo tradicional, como aqui no meu caso é o de psiquic. Então com essas respostas a gente vai fazer o raciocínio ali para ver se esse título é bom ou não, etc. E atualizar a nossa skill. Então não é que o JEV simplesmente assim, ah, troquei esse processo, agora eu só uso o Jev, não. É que o JEV primeiro ele faz toda a análise ali de forma muito mais barata, muito mais

22:41 rápida e manda só esses resultados pro nosso modelo para então o modelo fazer a análise que ele precisa. Então veja bem, ó, como que funciona no antigo LLM puro, né? Modelo puro. Ll faz tudo, daria mais ou menos 11 a cada 1000 títulos. A atualização da nossa skill é toda, onde tá tudo embutido, daria $ para cada 1000 títulos. no novo. Olha só, ele faz toda a classificação dos títulos, então Jeff classifica, custa só 0.05. E depois o nosso modelo, ele já recebe tudo pronto, todas as respostas e ele só

23:12 tem que então fazer o raciocínio de, né, beleza, com essas respostas, esse título aqui é bom ou não, vamos atualizar aqui a nossa skill, né, o nosso arquivo da skill 0.01. Então, se a gente, o nosso processo antigo, ele tava custando 11, você é justa, ele não tava porque ele tava rodando, na verdade, no deepsek flash, tá? Então não tava gastando isso tudo, mas aquele rodando pro pra gente ver. OK, tudo bem. Com o Jeev vai ficar só 0.06, gente. É 183 vezes mais barato. E beleza, aqui era 440 vezes mais barato, né? Então realmente não cheguei nesse

23:43 número ainda, mas já absurdamente mais barato. Na verdade, esse número aqui me deixou chocada porque eu tenho certeza que eu não tava gastando isso porque era outro modelo, né? Mas mesmo assim, meu Deus, caro, né? E a diferença de gente é muito grande. É muito grande. E aí eu pedi para ele fazer então um terceiro título e me mostrar exatamente o passo a passo em ordem, tá? Só pra gente poder ver aqui no vídeo mesmo. Então ó, passo a passo, ele pegou esse título aqui, aprende 85% do cloud em menos de 23 minutos. Então, primeiro o Jeff vai fazer a classificação. Ele fez essas nove perguntas em paralelo. Isso que é o

24:13 melhor por isso que é tão rápido, porque ele não fica fazendo uma depois, tudo junto, tudo ao mesmo tempo. Uma resposta não depende da outra, né? Então aqui, ó, ele pegou na questão do formato, ele aqui tá no 0.99, praticamente um, praticamente sim, com certeza. Ele entra aqui no formato domine x ferramenta em tantos, né, tanto tempo, etc. Que é justamente domine 85% em tanto tempo. Depois as perguntas é outline, então tá indo melhor do que os outros vídeos. 0.85, então tá bem pro Sim. Uhum. Tem ferramenta no título 0.97. Sim, com

24:45 certeza. É tem cláudia, né? No título. Tem número um. Ele conseguiu pegar os dois números. Então com certeza tem número, é um tutorial de praticamente 100% de certeza que sim, porque né, aprenda alguma coisa. Menciona grátis, menciona essa palavra grátis, praticamente nada, 0.08, então não, não menciona nada de grátis, menciona algum tipo de dinheiro, não, não menciona, tá aqui no 0.04, tá bem bem bem próximo do não. É uma pergunta, tá bem? Não, bem bem longe de uma pergunta. Beleza? Então, ele deu todos esses resultados e ele ainda pegou aqui numa escala a força

25:16 desse título, é um bom título, etc. Ele deu uma pontuação 2.73 de TR. Então, muito, muito bom. Com esse resultado, então ele pegou, ó, qual é o título, qual é o formato, ele já pegou aqui certinho, os sinais, se é outline, se tem ferramenta, se tem número, se é tutorial. Veja bem que ele nem passou os outros, porque a resposta é não. Então, automaticamente aqui já sabe que não. Força, né? Força. Aqui é o título, quão bom ele é e tarefa. Escreva a entrada então pro nosso nosso skill ali, pro nosso arquivo, onde estamos gravando todas as questões dos títulos. E aí ele escreveu aqui que tem que saber sobre o título. E aí agora o resumo. O Jeff fez

25:48 a classificação, demorou 0.42 segundos e custou 0.0042 essa classificação. A LLM escreveu então no nosso arquivo de acordo com os resultados demorou 8.84 segundos e custou já um pouquinho mais caro, né? 0.00156. Total 9,26. Antigamente demorava 25 segundos para rodar essa tarefa. Agora tá demorando 926, então bem mais rápido. E agora custou 0.00198. E antigamente custava 0.01 quando, né, o modelo fazia tudo sozinho. Então ficou 50 vezes 56 vezes% mais barato. Ótimo. E

26:20 aí eu mandei ele realmente atualizar a skill para colocar aí a parte do GEV mesmo. E aqui uma outra conversa, só para eu te mostrar, outra aplicação prática do GF também aqui dentro do mesmo contexto de criação de conteúdo, porque o contexto de e-mail de cliente tá em todos os vídeos, né? Então vamos ver uma coisa um pouquinho diferente. Então eu tenho uma tarefa que toda segunda e quinta-feira ela vê os vídeos que foram postados nos canais assim, canais específicos que eu citei. E aí ele vai, ah não, esse assunto tá muito em alta, esse tipo de vídeo tá muito em alta, vamos fazer isso aqui. Ah não, esse assunto não tá legal, não tá performando bem, etc, etc. Pra gente ver o que que a gente vai postar nessa semana. Então eu pedi para ele primeiro,

26:51 olha só, primeiro de tudo, me manda aqui quanto tempo que demora para rodar essa tarefa, quantos vídeos normalmente a tarefa analisa, né, para determinar ali o que postar, o que não postar, qual modelo a gente tá usando, quanto que tá custando em média toda vez que roda e qual que é o fluxo, né, da nossa tarefa para eu ver direitinho como é que ela é antes do Jeff. Então, olha só, em média demora aqui 8.5 minutos para rodar essa tarefa. Demora ali entre 3.5 e 11, mas a média das últimas 8 foram 8.5. Última execução demorou 3.5 minutos, ótimo. E Outli, né, que demora mais, etc. Normalmente analisa em média aí 75

27:21 vídeos, tá? Por execução. O modelo que usa é o Deipsic Pro. O custo médio por execução fica entre 0.04 e 0.32, que é um preço, honestamente, eu acho bem tranquilo. Ele tem aqui os vídeos, ele pega os vídeos do canal aí, ele pega os vídeos de 15 canais e aí para esse cada canal pega cinco vídeos mais recentes nas últimas 72 horas. Se não tem nenhum que tá realmente muito bom, interessante, etc., ele busca o tópico no YouTube, tá? Isso aqui é tudo usando a API do YouTube. Depois faz a três a Llm, nosso modelo, analisa então os 75

27:53 vídeos que ele pegou e produz um relatório para ver, ah, não, esse aqui high priority, aí a gente vê, né, o tipo de assunto, ângulos, títulos, etc. Vídeos que estão OK, tá forte, etc. Alguns pra gente dar uma olhadinha e tal, coisas que a gente deve analisar, padrões detectados, sinais, o que a gente vê que não tá funcionando porque não deu certo os vídeos, etc. E ele salvam lá no meu obsidian. O que que o modelo faz a cada vídeo? Não analisa os 75 vídeos, tá? Ele recebe os dados brutos, identifica os padrões, faz um scoring aqui de algumas dimensões que a gente tem e produz o relatório só com o que passa aqui de acordo com as nossas

28:24 notas, tá? Então os vídeos que ele tá vendo que não são tão bons, ele não fica analisando, ele só vê, só faz um score aqui com eles. Olha só, faz um score com eles, é justamente que o JB faz. E aí ele realmente só analisa os vídeos que estão indo muito bem. O prompt é enorme. Eu tinha pedido para ele mandar o prompt, mas assim, ó, skill tem 280 linhas, então tem um monte de coisa aqui e ele até tem tá na cash, etc. Enfim, ele me mostrou que é esse, é assim que funciona essa nossa tarefa do dia a dia. Eu falei, queria ver se a gente consegue incluir o Jev, então, dentro dessa tarefa para deixar ainda mais barata. Aí ele falou assim, ó, o que que a LM faz

28:55 hoje que o Jeff pode fazer melhor e mais barato? Então, ó, vê esse é outlier, classificate tópico aqui. Cloud protagonista, ele sempre tem essa pergunta porque antes quando eu postava vídeo de Cloud sempre ia muito muito mal. Então o meu Herm ele entendeu que a gente não deve falar sobre cloud. Qualquer vídeo que a Cluda corta não vai ser pra gente. E a gente tem, se é uma ferramenta grátis, é open source, se dá pra gente fazer na VPS, né, que é o produto que eu mais vendo aqui. Então, sempre que dá para fazer algo na VPS, vamos fazer na VPS. editorial prático, fazer o score naquelas dimensões. Aqui

29:25 ele até falou que assim, ó, dá pra gente fazer algumas coisas, mas algumas coisas não. A gente vai ter que realmente usar a os modelos normais. Padrões de então temas repetidos, ele consegue aqui também análise de qualidade, ângulos e títulos. Realmente a gente vai precisar ainda dos modelos tradicionais, mas muita coisa a gente consegue, ó, trocar pro Jeff. Fluxo proposto, então o GEV vai classificar os títulos e aí depois a gente vai chamar o modelo, beleza? Impacto financeiro, custo da execução hoje só com de psicrofica 0.20 cêntimos a cada vez, né, que a gente roda e com

29:55 Jeff mais de psíquic versão 4 flash a gente vai custar aqui 0.02. Se nem porque ele trocou pro flash, né? Pod ter mantido pro economia 10 vezes mais barato, então o custo mensal tava custando 1,60 e agora vai sair 0.16 16 por mês. Então, maravilhoso. Não sei porque ele trocou de modelo aqui mais barato, mais rápido. Acho que ele viu que eu queria que ficasse mais barato, mas depois eu até vou pedir para ele voltar pro SIC Pro aqui, que eu acho melhor para esse tipo de análise. Aí, ótimo. OK. Sugestão, não sei que, etc., eu falei, ó, pode implementar, só mandei cortar a pergunta do Cloud porque ela já não é mais válida, então você não precisa, não precisa manter mais ela. Então, ele foi

30:26 lá, criou o nosso arquivo do Python, então para rodar, etc. Recriou o trabalho, beleza? Economia estimada, OK. E aí, realmente mudou aqui a questão do custo, ó, ficou 16 vezes mais barato. Ótimo. Aí eu falei, você pode me mostrar então o que que o Jeff tá analisando, né? Quais são as perguntas, por exemplo, que a gente tá passando pro Jeff justamente. Então aqui, ó, ele vai dar o título do vídeo, nome do canal, etc. E as perguntas é se é outlier, qual que é o tópico, também escolhe entre os tópicos possíveis, se é gratuito, se é ferramenta gratuita ou aberta, se conecta meu VPS, se é um tipo de tutorial e a urgência que a gente tem que fazer, tipo assim, acabou de ser

30:57 lançado, né? Vamos fazer isso agora que não tem muita gente falando ainda, ele analisa isso também. Aqui tem as categorias, então, ó, se é agente de a, se é a local, se uma ferramenta nova, se é agente de programação, se é, enfim, tem aqui as categorias, o scoring pra gente ver se realmente é novidade, se serve aqui com a nossa audiência, se o potencial, né, o ru maravilhoso, se é fácil de demonstrar, se é urgente. Aqui a gente tem daí o score. Veja bem, ele tá fazendo aqui um score, é muito bom, a gente tem que fazer, etc, etc. Detecção de tendência aqui não tá passando pro

31:27 Jeff, tá? que é realmente só programação mesmo para ver esse negócio. E exemplo real da execução de hoje. Então, por exemplo, ele pegou aqui alguns vídeos que ele viu que foram postados recentemente e fez um score aqui para eles e ele falou que esse aqui tem a melhor combinação, por exemplo, pra gente fazer com VPS também e fazer demonstração, etc. Mas perde pontos porque na verdade não teve muitas views em relação, né, aos outros. Então, por que que funciona bem? Já determinístico, seis perguntas paralelas, então fica bem mais rápido. Scoring em Python, daí não precisa negócio. Então, olha só que legal. Eu peguei essas duas tarefas que

31:59 já rodam toda semana aqui no meu remês e eu consegui mudar algumas partes da tarefa para usar o GF, então chama, né, através da skill para deixar essas tarefas bem mais baratas. E eu tenho várias outras skills aqui de criação de conteúdo, de me ajudar a análise de canais especialmente, que tem muitas perguntas que são determinísticas, então eu sei que eu vou conseguir mudar ainda várias partes do meu processo e deixar elas bem mais baratas. Eu não sei se eu já tô gravando esse vídeo aqui há algum tempo e ainda não tem nenhum roteiro. Então vou confessar que eu não me lembro se eu já falei o que eu vou falar agora, mas qualquer coisa eu corto na edição, que é o seguinte, eu já considero meu meu processo aqui todo com o meu agente,

32:30 com o meu remês muito barato. Eu gasto em média, vou dizer aí uns 10 por mês, talvez, talvez um pouquinho menos, às vezes um pouquinho mais, dependendo do quanto eu tô trabalhando. Mas eu já acho esse processo muito barato pela quanto ele me ajuda. Mas é lógico que a gente tá sempre procurando alternativas para deixar ainda mais barato. Então gostei bastante, especialmente porque primeiro eu não tava vendo nenhuma aplicação e depois eu fui pensando, não, pera aí, várias das coisas que eu faço podem sim utilizar aqui desse novo tipo de a para ficar bem mais barato e bem mais rápido. Então espero que você tenha gostado. Você viu que é muito fácil de instalar, você só cola aqui e instala aí para mim,

33:01 obrigada. E aí ele começa a usar. E a sua própria A, ela pode tanto te dar ideias de onde que você poderia implementar aí esse uso do GEV dentro dos seus processos. E ela mesmo escreve as perguntas para fazer pro Jeff, né? Justamente que ela acho uma das partes mais práticas. Muitos dos exemplos que eu tava vendo aqui no YouTube no playground para mostrar como funcionava que o pessoal ia lá e escrever as suas próprias perguntas. Mas quando eu criei essa skill, por exemplo, né, de analisar os vídeos, eu não sei o que eu não não fui eu que escolhi. Olha só, analisa isso, se aquilo. Tava discutindo aqui com o meu remês, com a minha IA, né? E ela ela concluiu que ela vai analisar,

33:33 ah, se é novidade, se é urgente, etc. Ela decidiu isso aqui, então é muito mais prático. Quem já decidiu, né, o que que ia ser analisado, quando for trocar essa análise do da LLM tradicional pro GEV, ela determinar. Então vou vou perguntar isso aqui para ver, né, para fazer a análise de forma mais rápida e determinística. Então bem mais prático do que a gente ter que escrever na mão as nossas perguntas. Achei ótimo. Vou continuar. Sei eu sei porque eu sou assim. Eu vou continuar procurando enlouquecidamente lugares onde eu posso aplicar isso aqui, porque eu achei muito legal. Eu adorei esse estilo aqui e eu gostaria muito de saber se você já usou

34:03 aqui o Jeev e para que que você usou, em quais tarefas você usou, porque parece assim, especialmente nos tutoriais, o pessoal tá usando muitas vezes o mesmo exemplo, mas meu Deus, tem muitas possibilidades, tem muita coisa legal para fazer com isso. Então me conta aqui nos comentários para que que você tá usando, para ver se eu consigo implementar aqui também. E a gente pode fazer mais vídeos sobre