Jev para AGENTES: onde faz sentido eu usar esse novo modelo de I.A.?

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: Jev para AGENTES: onde faz sentido eu usar esse novo modelo de I.A.? · Channel: Vini Lana · 1:51:46 · Watch on YouTube

Topics: AI agents, AI evaluation and benchmarks, Software engineering with AI, AI models

Summary

A live explica o Jev como um modelo da categoria System One voltado a decisões e classificações rápidas, com custo menor do que o uso de um LLM em tarefas adequadas. Vini Lana mostra como encaixá-lo em workflows agênticos para selecionar ferramentas, encaminhar tarefas entre agentes, verificar resultados e reduzir chamadas desnecessárias ao LLM. Também discute evals, caminhos alternativos para concluir a mesma tarefa e cuidados com contexto, permissões e cache. No fim, apresenta jogos de navegador gerados com Opus 5.5 e compartilha orientações práticas sobre quando usar um modelo de decisão, um LLM ou código determinístico.

Key points

O Jev é apresentado como um modelo de classificação e decisão, não como um LLM de geração de texto.
Segundo o apresentador, o Jev pode retornar escolhas, notas e valores de verdadeiro ou falso em um formato estruturado.
A vantagem do Jev em certos cenários é classificar com rapidez e baixo custo, sem precisar carregar todas as ferramentas no contexto do LLM.
O mesmo pedido pode levar um agente por caminhos diferentes; chegar ao resultado correto não significa que o caminho foi eficiente.
Evals ajudam a identificar erros, custos e diferenças entre trajetórias de execução de um agente.
O Jev pode atuar como porteiro de um gateway de MCPs, selecionando ferramentas permitidas e relevantes para a tarefa.
Em sistemas multiagentes, pode encaminhar tarefas ao agente adequado e ajudar a verificar se o resultado atende ao pedido.
O apresentador recomenda usar LLM para gerar texto, código e lidar com planejamento aberto; código para regras determinísticas; e Jev para decisões repetidas de escolha ou classificação.
A demonstração final mostra jogos de navegador inspirados em Minecraft e Age of Empires, criados com Opus 5.5 e uma engine baseada em 3JS.
Em arquiteturas empresariais de agentes, o apresentador destaca governança de ferramentas e redução da curva de aprendizado como benefícios.

Chapters

Start	Chapter	Summary
00:01	Introdução e contexto do hype	O apresentador introduz o tema da live e propõe discutir usos práticos do Jev em workflows agênticos.
08:24	O que é o Jev	O Jev é explicado como um classificador com conhecimento amplo, distinto de um LLM que também gera texto.
16:05	Jev no gateway de ferramentas	O apresentador mostra uma arquitetura de agentes em que o Jev ajuda a selecionar ferramentas e controlar permissões.
22:22	Como funciona o loop agêntico	A live descreve o ciclo de interpretação, chamada de ferramentas, observação dos resultados e resposta ao usuário.
29:42	Trajetórias e evals de agentes	Exemplos mostram como uma mesma tarefa pode exigir caminhos diferentes, com variações de erros, tempo e tokens.
35:25	Redesenhando o fluxo com Jev	O Jev é inserido antes das chamadas de ferramentas para reduzir o trabalho e o contexto necessários ao LLM.
43:41	Roteamento em sistemas multiagentes	O Jev é apresentado como roteador de tarefas entre agentes e como verificador de conclusão.
48:56	Gateway, memória e ferramentas da empresa	O apresentador descreve a arquitetura interna, incluindo orquestrador, Second Brain e gateway de ferramentas.
53:31	Contexto dinâmico e Second Brain	A conversa aborda como fornecer contexto ao Jev em tempo de execução e como a memória empresarial organiza informações.
1:00:14	Perguntas sobre vídeo e busca de informações	O apresentador comenta os limites do Jev para classificação de vídeo e compara a busca estruturada com arquivos Markdown.
1:04:20	Evals, aprendizado e arquitetura de agentes	A live reforça a importância de aprender a avaliar agentes e anuncia conteúdos sobre evals, contracts e sistemas multiagentes.
1:09:33	Invocta e Action Engines	O apresentador explica como o Invocta ajuda a criar ferramentas de backend acessíveis a agentes com permissões controladas.
1:15:17	Agentes empresariais: governança e letramento	A arquitetura de agentes é discutida como forma de centralizar capacidades, melhorar a governança e facilitar o uso por equipes.
1:21:35	Casos de uso e regras práticas	São apresentados usos adicionais do Jev e critérios para escolher entre modelo de decisão, LLM e código determinístico.
1:27:47	Demonstração de jogos gerados por IA	O apresentador mostra um jogo de navegador inspirado em Minecraft, com ambientes, água, chuva, iluminação e efeitos.
1:41:23	Age of Empires no navegador e encerramento	A demonstração continua com um jogo inspirado em Age of Empires, seguido de comentários sobre o modelo e o encerramento da live.

Quotes

O Jev é rápido e barato para classificar. — 13:02

Resultado certo é diferente de caminho certo. — 33:22

Um bom agente não é o que chega ao resultado, é o que chega pelo caminho mais curto, barato, verificável e sabe quando não sabe. — 1:25:11

Se você não entende o que o seu agente está fazendo no meio do caminho, você não está desenvolvendo um agente. Está desenvolvendo uma bucha. — 1:51:16

Concepts and entities

Jev, System 1, LLM, evals, workflow agêntico, MCP, Claude Code, Codex, Invocta, Second Brain, Opus 5.5, Three.js

Full transcript (original language)

00:01 Estamos ao vivo. Fala comigo, pessoal. Boa noite. Quem tá na área desde cedo aí já, ó. O Lucas tá na área desde cedo, já trouxe uma novidade pra gente, inclusive também um projeto chamado Lia Typed Decisions, que é um concorrente do Jeev. Vale a pena dar uma olhada nele, viu? Olha quem tá mais na área aí, é o Elso Fernandes, tá na área. O Mark tá na área como sempre. Salve, meu amigo Mark, como é que estão as coisas aí? Tudo certo? Olha aí, ó. O povo é né? Jeff Calv ou Jeff careca. Tá bom, cara. Um dia a calvice chega para todos os homens, hein? Menos para aqueles que tm cabelo

00:32 ainda. Olha aí, ó. Alexandre também tá na área. Rodrigo Luissk, vamos nessa. Vamos de Devim da Massa. Como é que vocês estão, turma? Tudo certo? Vamos começar a live daquele jeito. Já manda no grupo da família, no grupo da empresa. Hoje vamos falar sobre Jeev e como é que você pode usar esse cara que tá Sim, galera, tá muito rypado. Jeev estava, né? Aí veio o lançamento do Op 5.5 e GPT 6 Sol. sumiu, abafou um pouco o hype do Jeff, mas eu quero te mostrar casos de uso além do hype, aonde que você pode trazer esse cara que vai fazer

01:04 super sentido nos seus workflows agênticos. Pessoal, olha só, um detalhe muito importante sobre o JEV e sobre entender aonde que ele se encaixa. Para muitas pessoas não ficou claro qual que era o papel do Jeff, qual que era a função dele. Isso tá muito ligado a talvez você ainda não ter uma percepção de como funciona ou como deveria funcionar um workflow agêntico, como é que funciona o loop agêntico, como é que é a tomada de decisão dentro disso tudo. Então, nesse vídeo de hoje, nessa aula de hoje, vamos dizer assim, tá? Eu quero

01:35 trazer para você a percepção de exemplos práticos, sem enrolação, de onde que isso pode se encaixar. Isso vem junto de um movimento que a gente tá fazendo dentro da EICERS Academy sobre a gente conseguir trazer eh nos próximos finais de semana uma evolução de aprendizado. Então, vamos falar sobre uma parte mais prática de evolvs, evaluations de agentes. Vamos falar sobre a parte como você pensa, planeja, como é que você coloca isso na prática e tudo mais. E essa live ela é o pontapé inicial para te dar aquela fagulhazinha e acender as

02:06 ideias de vocês aí. Beleza? Olha quem tá na área também. Como é que você tá, meu querido? Tudo certo? Olhaí o codex também. Vamos que vamos, Tomar. Vocês já chegaram a testar aí os modelos da semana? Vamos fazer aqui rapidamente um censo. Como é que tá para vocês a percepção dos lançamentos? Quem que tá melhor até agora, hein? É o OPPO 5. É o GPT 6 Sol, é o GPT6 Luna? É o Mimo V2. Pro ou é o Grock 4.7? Como é que tá a percepção de vocês até agora? Manda no chat aqui quem tá ganhando na corrida

02:39 das IAS até agora, na opinião de vocês. Jogo rápido pra gente começar e aquecer essa live aqui, ó. Manda aqui no chat quem tá ganhando. Ah, vou mandar aqui qual o melhor modelo de IA da semana, que aí a gente já deixa o banner rodando aqui também. Quem tiver chegando já vai acompanhando. Qual o melhor modelo de A da semana? Vamos ver no chat, ó. Aqui, ó. Lançaram também CLM que dizem ser mais rápido que o JV. Eu vi esse lançamento também. Tô tentando eh entender um pouco. Na verdade, o que

03:09 aconteceu com o lançamento do JV, né, turma, é que o JV ele veio dentro de um hype e desse hype se desdobrou outro hype, né, que é a possibilidade de você criar um modelo e estilo deve dentro de uma estrutura local ou open weight. Ó, olha aí, ó. O TA TAFA Dias tá achando que os modelos da da Antropic, o Cloud tá melhor. Já o Bruno trouxe aqui ao output, a mesma coisa que o 5.6, porém melhorou muito o uso. Tô tendo, estou usando muito e consumindo pouco do usage limit. Pois é,

03:40 acho que o que se destaca mais dentro do lançamento do Oppo 5. GPT6 Sol Ultra bugou tudo. GPT6 Sol, é que o GPT6 Sol ele não evoluiu tanto a qualidade dele, a, vamos dizer assim, a eficiência técnica dele, mas eleou ele diminuiu em praticamente 50% o custo. Então, a redução de custo para entregar a mesma coisa foi o grande salto da Open AI. Agora do lado de lá a Antropic, galera, eu vou falar para vocês, tá? Se

04:10 quiserem até mostro para vocês aqui alguns resultados do que eu andei trabalhando, mas a atenção ao detalhe que o OPO 5. Tá absurdo, de verdade. Os resultados que eu tive até agora com o Oppo 5. Oppul 5.5, como diz o pessoal na gringa, é realmente something else, né? É realmente uma coisa diferenciada do que a gente já v no mercado até agora. Beleza, vamos nessa então, ó. Ah, quem tá na área aí também já chegou o

04:41 Fabrício já. Tom, vai chegando aos pouquinhos. O Cléber tá na área, o Dr. Alan tá na área. Tô, tô falando demais esses dias, pô. Que bom que você tá falando, cara. Sempre seja bem-vindo para falar com a gente. Ó, o Cléber tá aí também. Jeev neles. O Codex achou que o GPT se sol tá muito barato. Luna ridícul. A Luna tá de graça praticamente, né, turma? E bom aí agentes. Exatamente. Eu vou falar sobre hoje o GPT6 Luna também dentro de fluxos agênticos ou pro 5.5 melhor modelo de longe. Concordo. Mimo empatado no meu bch de cyber com o 5.3 GLM. Interessante, hein? E o JV em workflow

05:13 tá absurdo, tá absurdo mesmo. Vamos estudar sobre isso exatamente agora. Então, meus amigos. Beleza? Então, ó, sobre o hype do Jev, o que acontece, gente? Sempre que vem uma parada disruptiva, você vai ter de um lado as pessoas mais saudosistas, vamos dizer assim, vai, que são aquelas pessoas que geralmente é um cara muito bom na parte técnica, geralmente é o cara que já estudou bastante de machine learning e que ele vai falar assim: “Cara, não tô entendendo o motivo do hype, é mais do mesmo. Isso já existia antes.” Eu tenho

05:45 certeza que vocês viram comentários desse tipo. E também o hype, ele vai trazer aquelas pessoas que são empolgadas. Então a pessoa vai olhar o Jev trabalhando e falar: “Caraca, eu nem sabia que dava para fazer isso. Isso é animal”. E aí você tem sempre de um lado, então, a galera empolgad às vezes a empolgação ela leva pro hype, ela leva para você às vezes até viajar um pouco na maionese. E de outro lado as pessoas que são mais eh saudosistas, vamos dizer assim. Então, ah, não, isso já existia, não é nada demais. Essa live hoje é para você que tá no meio termo, é que você

06:16 que se empolga, e empolgação é importante porque se você não tá empolgado, você não vai querer estudar sobre o assunto. E é para você também que já tem um pouco ali de pé no chão de entender, tá? O Je não é para resolver tudo, mas tem deve ter um caso que ele resolve que ele funciona bem. Agora a gente vai entrar nessa pauta e eu vou mostrar para vocês, beleza? Já chega deixando aquele like maroto, já manda no grupo da empresa, fala assim, ó, cola aqui nessa live que a gente vai conseguir aprender coisas bem interessantes hoje. Minha tela não tá compartilhada. Vamos compartilhar aqui, então, ó. Beleza,

06:50 vamos lá. Para quem não tá ligado, todo mundo da live sabe o que que é o JV, manda aí rapidão, só pra gente entender. Manda um se você já sabe o que é Jev. manda dois se você não tem nem ideia do que eu tô falando, só pra gente fazer essa essa sincronia aqui com vocês. Imag, a gente vai trabalhar aqui hoje então com esse material, tá? Vou trazer pra gente o que que é o fluxo agênico, vou passar pelo loop agêntico pra gente entender como é que isso funciona, vou falar sobre eh os caminhos de uma mesma tesque para vocês entenderem como é que as não necessariamente trazer um input para um agente e ter a sua tarefa

07:22 concluída significa que aquilo foi bom, tá? Vou falar também sobre o resultado, certo? é diferente do de um caminho, certo? Vou falar sobre o system one, exatamente o que que é o Jav, o que que é a o que que a Typeesfe lançou. Vou falar sobre a mesma tesque que a gente pensa para um fluxo agêntico, mas trazendo para o o JEV como o caso de uso e também sobre um sistema multiagêntico, aonde você tem o JEV atuando em diferentes partes desse sistema multiagêntico. E aqui vou trazer também um catálogo de outros encaixes aonde o

07:54 JV teria um caso de uso interessante, tá? E aqui uma regrinha de bolso pro final pra gente carregar. Então galera, é isso que você pode esperar dessa live de hoje. E se for menos do que isso, você manda pra gente aqui nos comentários, manda sua pergunta que aí eu faço questão de te responder e te dar essa moral. Beleza? Ó, a maioria da galera do chat falou um, então muita gente já sabe o que é o Jeev. Aqui, ó, a galera sabe, o Gabbs falou que um, quase dois. Então ele tá no meio do caminho para entender isso. Tranquilo. Resumidamente, o que que é o JEV? Toma. Para quem não tá ligado, o

08:24 que que é isso, o JEV ele é um novo tipo de modelo de a que a Typesave lançou. Typeesafe é essa empresa aqui e que eles estão chamando esse modelo de system one, ou seja, é um, não é um LLM, beleza? Ele é um system one. Para que que ele serve? Via de regra, para classificar. Então, a o pessoal mais estudado de machine learning fala: “Poxa, é só mais um classificador porque de fato ele é um classificador.” O que que é um classificador? Ele é um modelo que você vai passar uma referência para ele e ele vai conseguir classificar aquilo. Por exemplo, qual que é a probabilidade disso aqui ser um

08:55 telefone? Um classificador que foi treinado em telefones, em saber o que é um telefone, ele vai olhar e falar: “Cara, a probabilidade é de 99%, ou é 100%. Com certeza isso é um telefone.” Agora, se eu perguntar para esse mesmo classificador, qual que é a probabilidade disso aqui ser um telefone? Se ele olhar para um no tijolão, né? Talvez ele tá lá tem alguma oportunentidade, mas brincadeiras à parte, ele fala: “Cara, 0% de probabilidade disso de ser um um um telefone, porque isso é uma pedra”. Mas aí que entra o ponto, ele não sabe que isso é uma pedra. Um classificador ele

09:26 não sabe que isso é uma pedra. Ele só sabe que isso aqui é um telefone, tá? Deixa até voltar pra minha tela aqui, ó. Um classificador, ele só sabe que isso aqui é um telefone. Ele não sabe que isso aqui é uma pedra. Essa é a diferença. Um LLM, ele sabe que isso é um telefone e ele vai saber que isso aqui também é uma pedra. E aí a diferença entre os dois tá basicamente nisso. Logo, classificadores, eles geralmente conseguem ser mais baratos e também mais rápidos para você rodar eles. Beleza? O que que tava

09:57 acontecendo? Muita gente começou a entrar no universo de inteligência artificial sem nunca ter passado por um caminho super importante, que são os fundamentos de Machine Lanning. Então, se você nunca ouviu falar de machine learning na vida, inclusive você que tá na AI Coders Academy hoje lá dentro da AI Coders tem dois materiais super importantes, fundamentos de machine learning para você aprender esses conceitos fundamentais e um outro material que saiu ontem que são os fundamentos de inteligência artificial em 5 minutos. São 35 aulas, cada uma, 38 aulas, na verdade, cada uma tem 5

10:28 minutinhos e cada uma vai explicar um tema específico. Ah, vai ter uma aula que vai te explicar o que é classificador, vai ter uma aula que vai te explicar o que que é prompt injection para você pegar esses termos e falar: “Beleza, agora eu sei tudo que tá acontecendo aqui”. Mas enfim, então como não teve, muita gente entrou por um universo de inteligência artificial sem passar por esse universo de machine learning antes, não conhecia isso. E aí o JV vem e pum, explode a cabeça, porque ele traz a possibilidade de eu conseguir classificar que isso aqui é um celular ou que isso aqui é uma pedra, mesmo sem

10:58 precisar de pré-treinar esse modelo para reconhecer bem o celular e reconhecer bem uma pedra. Esse tipo de classificador, ele já existia em alguns cenários, que é o que a gente chama de classificador de ah zero zero shot, ou seja, um classificador que ele não foi pré-treinado só para fazer uma coisa, que ele tem um conhecimento mais amplo, porém ele não tinha um conhecimento tão amplo a nível de LLM. Beleza? É aqui que entra o Jeff. Beleza? Fez sentido, turma? Manda pra gente no chat aqui que se fez sentido essa explicação. Ó, o JV,

11:30 o Codex trouxe aqui, O Jev é um if infinito, só que com treinamento global, cara. Melhor definição. É exatamente isso. Beleza? Então, entendendo isso, entendendo que o Jev ele é um classificador, por que que ele hypou tanto? E por que que faz sentido a gente considerar ele agora? Por dois motivos. Porque ele é um classificador que tem um contexto amplo, tão amplo quanto um LLM. E aí eles trouxeram LLMs, por exemplo, o nível do GPT 5.6 terra, tão amplo quanto. Então, poxa, um baita de um contexto consegue classificar várias

12:00 coisas. porém infinitamente mais barato. Ele é algumas, dependendo da situação, dependendo do LM, talvez centenas de vezes mais barato para você classificar uma coisa usando JV do que usando o LLM. Em questão de velocidade, fiz alguns vídeos aqui, vocês provavelmente acompanharam essa semana aqui no canal. A velocidade também pega bastante. O Jev sendo executado, você vai observar que ele vai conseguir entregar vários resultados ali em relação a vale a classificação mesmo em questão de

12:31 milissegundos. Então o que vai tá talvez o maior gargalo hoje é a distância do servidor do JV até sua casa ou até onde a sua aplicação tá rodando, que geralmente a latência tá variando de 150 até 300 mos pro JV classificar. E aí tem o tempo de transporte desse dado até onde ele vai chegar que vai variar. Você vai ter ali o JV classificando as coisas entre 300 e 400 msundos para ele classificar uma coisa. Isso é muito rápido. A gente fez um teste aqui no YouTube, tem um vídeo aqui sobre o JV versus Depsic, que aonde o Depsic e o

13:02 Jev e ambos sendo usado para classificar o caminho que um carro autônomo estava dirigindo, o Jeff tirou de letra o desafio e o Dipsic não conseguiu. Por quê? Porque o tempo de classificação do Deepsic tava variando numa latência de 2 a 3 segundos. O Jev em 400 msundos. Então anotem isso daí para essa aula. O Jeev ele importa porque ele é rápido e barato para classificar. Ele é rápido e barato para classificar com o nível que LLMs de fronteira talvez teriam ali.

13:32 Talvez não, não, talvez não. OPO 5.5, beleza? Mas coloca ali acima de um depsic V4.1 flash. OK. Fez sentido, galera? Codex falou que tá assim. Então vamos seguindo aqui, ó. Boa. Entendendo isso, então o Jev ele vai est trabalhando com três tipos de prompt. E aí um um ponto interessante, a diferença de um LLM pro JV é que o ll ele vai sempre receber input de texto e retornar texto para você como resposta. O Jev não. O Jev sempre recebe um input tipado em em um formato Jon e vai sempre

14:03 retornar o output também. E aí é onde eles falam que o JEV não alucina. O Jev ele vai alucinar eventualmente, ele pode eventualmente classificar alguma coisa errada. Isso é importante ter cuidado. Ele não é um modelo determinístico, porém ele jamais vai alucinar no output. Se você passar como input quatro parâmetros, por exemplo, eh, avalie a probabilidade disso aqui ser uma bebida, aí você traz cerveja, eh, guaraná, leite e açúcar. O output, ele vai trazer a resposta com

14:33 as mesmas quatro probabilidades, só que aí é onde pode ter uma alucinação, tá? Não, eventualmente não vai ter alucinação no açúcar, mas dependendo do que você trouxer, ele pode trazer uma probabilidade errada. a alucinação vai est na no resultado, mas o output se mantém sempre o mesmo e constante. Ou seja, você tem a certeza de que se você colocar o JV dentro de um workflow agêntico, o seu sistema vai conseguir sempre consumir o mesmo output. Não vai correr risco de vir a saída do do do JEV

15:04 com eh com como com acento, né, com crase, aquele crase que você usa com um bloco de código. Isso jamais vai acontecer com Jeff. três tipos de dado que ele vai trabalhar. Então, choice, score e new. O choice ele escolhe uma opção de uma lista com probabilidade de confiança por e confiança, por exemplo, né? Qual que é a to qual que é o agente, qual que é a fila que vai usar? Então, vai trazer uma opção. O score ele vai trazer uma avaliação de qualidade. Então, de 0 a 10, o quão bom tá esse

15:35 essa requisição. De 0 a 10, quão bom tá esse prompt. de 0 a 10, eh, o quanto eu poderia confiar nessa resposta do meu agente. Então, você vai táar trabalhando com o tipo score e o nul, ele vai tá verificando se a afirmação é verdadeira ou não. Então, um valor de zero a um, por exemplo, eh o objetivo foi atingido. Eh, se eu passei uma spec para um agente, pro Codex, pro chat, pro cloud code, para ele implementar isso, eu posso usar o JV para checar se aquela tarefa realmente confere com o que foi implementado. Então são alguns, eh, são

16:05 os tipos de dados que a gente consegue trabalhar, os tipos de input e output que o JV vai estar retornando pra gente, beleza? Aonde que isso importa e porque que isso faz sentido para caramba da gente pensar isso dentro de um workflow agêntico? Deixa eu mostrar para vocês um pouquinho dos bastidores. Não sei se eu deveria estar mostrando isso, mas eu vou mostrar aqui. A gente tem hoje a nossa estrutura de agentes da EICO Academy. Que que é isso aqui que vocês estão vendo, galera? Ao invés de eu dar o chat GPT ou o cloud

16:36 para todo mundo da equipe da Eolders Academy poder utilizar, a gente fez diferente. Eu criei uma estrutura de agentes que vai ter uma estrutura com um agente orquestrador. Esse agente orquestrador ele ele gerencia vários subagentes e cada um desses subagentes tem uma função dentro da empresa. Por exemplo, o Nelson. O Nelson tem um motivo. Nelson Rubens da IA. OK. OK. Ele é o cara que todos os dias ele vai fazer pesquisa na internet e vai jogar lá no canal de Slack de notícias sobre inteligência artificial, quais são as principais notícias do dia. Então o

17:07 papel do Nelson é tá antenado. Se eu precisar de uma informação que acabou de acontecer, eu falo: “Nelson, tá rolando um boato que foi lançado em 4”. Confirma para mim. O Nelson é a gente que vai fazer isso. O Nelson ele tem acesso ao nosso gateway de actiones. Falei grego agora para muita gente. Resumindo, o nosso agente, ele é o front change da aplicação, ele é interface, é onde eu vou interagir com ele. Mas a regra de negócio, o back enderação, eu jamais devo deixar dentro do meu agente. A

17:39 conexão dele passa para o nosso back end. No nosso back end, eu vou ter diversos microserviços, vamos dizer assim, que são essas action engines que o invocta.dev produz. Você não conhece ainda, é um framework desenvolvido por nós aqui da Eolders Academy. Dá uma conferida que ele vale a pena demais para você desenvolver soluções de back endos seus agentes. E aí, nessa estrutura aqui nossa, o que que acontece? Cada um desses caras, ele é servido como um MCP. Então eu tenho o MCP do Legal Engine, que ele consegue

18:11 gerar contratos para nós, baseado nos contratos do serviços que a gente oferece, treinamento em company, mentoria, acompanhamento, implantação e implementação de fluxos agênticos como esse. Inclusive, se precisar conta com a gente da Ecoders Academy. Vai ter o e-mail marketing engine que vai conectar lá na nossa solução de e-mail marketing e vai configurar as sequências de e-mail. vai ter o content que ele vai conseguir gerar imagens com thumbnails como a desse vídeo de hoje, por exemplo, seguindo todas as regras de negócio da Ioders. Beleza? Aonde que entra o JV

18:42 dentro desse rolê aqui, galera? O Jev vai entrar dentro do gateway. O meu agente, ele não chama diretamente essas ferramentas, ele não chama. Ele não sabe que eu tenho todos esses MCPs. O meu meu workflow de agentes atualmente, todos os agentes eles vão primeiro bater no gateway e dentro do gateway estrutura de autenticação e autorização. Então eu vou dizer, por exemplo, que o meu agente de sales agent aqui, quando ele bater no gateway, ele só pode consumir a sales

19:12 engine, mas nenhuma outra. Quem determina quem pode acessar o qu tá aqui dentro desse gateway. E quem faz isso hoje na hora de trazer as permissões e disponibilizar as ferramentas é o Jev. Então o JV ele tá atuando aqui nesse cenário pra gente. Por isso que eu falei para vocês, hoje é vídeo na prática. O JV ele tá atuando aqui literalmente como nosso porteiro do gateway de MCPs que a gente tem. Ele vai olhar para todas as opções, vai falar assim: “Ó, pera aí, esse cara só tem acesso a essas opções e das opções que ele tem acesso pra tarefa

19:42 que ele tá precisando fazer, ele vai precisar dessa e dessa e dessa tu.” Então, com isso, o que que acontece nesse meio do caminho? Deixa eu voltar para minha apresentação aqui para vocês entenderem. Dentro do loop agêntico, a gente vai ter um problema interessante que você não tem quando você tá usando o cloud code e o e chat pt ou o codex, que é o problema de contexto. Se eu tô usando uma solução de agente pronta, que já foi desenvolvida por alguém do mercado, um harness de mercado, muito provavelmente esse harness.

20:15 como e qual tool ele vai chamar. Por, galera, se você não tá ligado, toda vez que você pluga um MCP dentro do seu harness, via de regra, ele vai injetar no contexto do LLM todas as tools e todos todas as descrições. Na prática, ele vai comer token da sua janela de contexto só pro LLM saber que existem aquelas tools. O que que eu faço aqui nesse caminho? Eu tiro a necessidade do LLM saber que todas essas tools existem e eu só aviso ele que ele pode chamar

20:47 aquela TU. Eu só aviso o meu agente que ele pode chamar aquela Tol quando ele realmente precisar. Então é como se eu tivesse num joguinho, imagina um joguinho, sei lá, um um joguinho, tá? Tô jogando, fugiu o nome dos jogos todos agora na minha cabeça. Imagina, tô jogando GTA que tá no meu hype aí, tô andando no meio da rua e lá na frente, cara, vai ter um outro cara, um outro player que tá vindo me atacar e eu tô andando sem nada, sem munição, sem arma, sem nada. E aí é como se no meio do caminho tivesse um agente que ele tivesse falando assim: “Cara, toma aqui

21:18 isso aqui que você vai precisar para essa batalha agora. toma um colete, toma um, toma sua, suas munições, toma sua pistola e aí quando você chegasse de frente pro cara, você já estaria preparado. Ou seja, você nem sabia que você tinha isso tudo no caminho, mas no meio do caminho o seu o JV, ele foi trazendo para você o que você precisava. Com isso, você economiza de ter que ficar pensando e olhando para todo o seu estoque de tudo que você tem, no que você precisa fazer. Beleza? Tá fazendo sentido, galera? Ó o neural checkpoint aqui, analógia é muito boa, pô. Obrigado, cara. E maravilha que a aula

21:49 começou, tinha pouca gente ao vivo com a gente e é massa que tá subindo a audiência porque o conteúdo tá bom, né? Se a galera tá ficando porque o conteúdo tá bom. Se você tá gostando do conteúdo, interage com a gente aqui no chat. Manda nem que seja um cheguei, manda um show essa estrutura, porque isso aqui vai ajudar a gente a entregar esse conteúdo de qualidade para aquelas pessoas que ainda estão perdido no hype ou que ainda estão perdido no meio da galera mais saudosista que tá te falando que isso não serve para nada. Eu tô te mostrando na prática que isso tem casos de uso e funciona. Beleza? Já chega deixando aquele like maroto também. Boa. Falei de

22:22 fluxo agêntico. O que que é fluxo agêntico, galera? Olha só. No workflow tradicional, eh, o o fluxo ele funciona mais ou menos da seguinte forma. Eh, deixa eu só ver aqui. Não, isso aqui já tem o vou já vou vir pra parte do do fluxo agêntico. Quando eu tô chamando um harness, isso aqui é o workflow tradicional de de desenvolvimento, como se eu não tivesse um harness trabalhando aqui, tá? Vamos trazer um fluxo que tem o loop agêntico de fato. Eh, aqui existe um pedido do usuário. Pedido do usuário, ele pode ser assim: implemente para mim uma landing page, faça um joguinho do

22:54 Minecraft. Vou soltar um spoiler para vocês hoje aqui nessa live, hein? Mas, por exemplo, faça um joguinho do Minecraft. Daí o que que vai acontecer? O agente ele vai carregar o contexto com o system prompt dele. Ou seja, enche um já dá uma subidinha na barrinha de contexto que tá usando do da janela de contexto LLM. vai carregar as TUOS disponíveis do MCP junto com o histórico do que aconteceu até agora. Manda essa requisição lá pro LLM e o LLM vai decidir o próximo passo. Dentro dessa desse fluxo, ele vai pensar: “Eu preciso agir aqui? Preciso, então eu preciso de fazer uma tool call. Poxa, essa tool

23:26 call pode ser, por exemplo, buscar um customer, search customer, buscar um cliente, o cliente ACM, por exemplo. Beleza? Busquei o cliente, trouxe o resultado. O ID do cliente é o 482. E agora eu vou voltar lá pro contexto de novo. Então esse resultado da Tool volta pro contexto da gente. Ou a gente vai jogar de novo aqui pro ll. O LM vai entender se ele precisa chamar uma tool de novo ou não. E ele vai ficar nesse loop até ele se satisfazer, até ele falar: “Ó, aqui tá pronto, não precisamos chamar mais no Imatu. Toma aqui, devolve a resposta pro usuário”. E

23:57 aí ele devolve a resposta pro usuário final. É assim que funciona um loop agêntico, tá bom? E aí, por que que é importante entender isso? Porque uma vez que a gente entende que toda vez que eu tenho uma interação com Ll, isso aqui tá acontecendo por trás dos panos, o tic teco começa a encaixar para você ver o JV funcionando, igual eu te mostrei agora a pouco aqui. Então o loop agente, ele vem em basicamente a você dá o prompt, vai rolar o pensamento, pensar, agir, observar e e concluir. Então entra o Llendo o contexto e planejando. Ele

24:30 vai agir, vai fazer a emissão das tools, chamar as ferramentas certas com os parâmetros, vai observar o resultado. Se o resultado tá coerente, ele devolve. Se não, ele repete. Se tem erro também ele repete. Até ou ele devolver pro usuário para trazer o humano no loop, reuma inopinou. E aí terminou, manda a resposta final. Beleza? Agora, olha que interessante, olhando para isso aqui, para um agente, vocês concordam comigo que o fato de eu pedir o cloud, o chatpt a mesma tarefa

25:01 para cada um deles 10 vezes? Vocês concordam comigo que para as 10 vezes o agente pode percorrer caminhos diferentes? Manda um se você vê que isso faz sentido e manda dois se você não entendeu. Vou repetir de novo. Se eu tô mandando pro agente de compra de passagem aérea, por exemplo, falando assim, ó, encontre o voo mais barato de Floripa para São Paulo hoje. Vocês concordam comigo? Manda um se você concorda que para isso acontecer o agente ele pode fazer caminhos diferentes, mas ele pode chegar no mesmo resultado. Manda dois se você

25:33 não concorda ou se você não entendeu. Olha só, conteúdo de qualidade. Tamo junto, meu querido. Vamos, meu galo. Que isso, cara? Que é cruzeirão cabuloso. Ó, Vini, uma aplicação interessante também poderia ser uma skill review. Pô, já vamos trazer isso já. Ô, Codex, olha, a galera fez sentido. Beleza. O João disse que sim, o Amador disse que sim, o Felipe disse que sim, Dr. Alan também disse que sim. O a Eliane diz que sim. E o Alexandre também disse que sim. Galera tá tá acompanhando o raciocínio aqui. O Marcos também disse que sim. Maravilha. Então fechou. O mesmo prompt pode

26:04 percorrer caminhos diferentes. Imagina que eu tô numa cidade, tô lá em BH, lá pertinho da minha terra, Ouro Branco. Salve salve Ouro Branco, salve salve BH. E aí eu preciso sair do aeroporto e até a praça sete, tá bom? Onde várias coisas esquisitas acontecem. Eh, então, eh, vou colocar no meu GPS, tá? Se eu chego em BH de madrugada, o A vai mandar ir no caminho mais rápido possível, vai pegar talvez a Cristiano Marchado direto, vai chegar lá no centrão. Se eu tô durante o dia, talvez ele vai mandar o desviar pelo anel rodoviário. É a mesma coisa

26:36 que acontece com a gente. Então quando o agente ele pede, ele ele entra no LM para LLM entender as informações, ele vai tomar a melhor decisão baseada no contexto que ele tem. Por isso que a gente falou do lup agêntico. O lup agêntico ele vai pegar o contexto atualmente. Se tem trânsito, ele muda a rota. Beleza? Só que durante esse caminho podem acontecer várias coisas. Então imagina aqui, ó, o caminho feliz, né? Fez a solicitação, buscou lá o ID do usuário, buscou a os pedidos que o usuário tinha, encontrou o endereço de e-mail da empresa e mandou o o e-mail

27:06 pra empresa com o total que a empresa gastou em agosto, por exemplo. Dado aquele promp específico aqui, ó, de qual foi o total de vendas do cliente ACM em agosto de 2026. Manda o resumo por e-mail para financeiro. Então, o caminho feliz é esse. Search customer get orders. e-mail, procura os usuários, encontro o usuário eh da empresa ACME, busca os pedidos que ele fez e envio o e-mail pra empresa. Isso aqui é o melhor caminho possível. Porém, isso poderia ter acontecido de outra forma. Eu poderia ter o o agente poderia ter disparado search customer passando o nome do do

27:39 cliente como ACM, encontrando o ID do usuário. Mas na próxima etapa, quando ele fosse buscar os pedidos, ele poderia ter um problema no meio do caminho que é super comum de acontecer, que é o serviço tá indisponível. Tomou um 503 na cara. 503 service unavailable. Pronto. E aí, como é que faz? No próximo pedido, get orders, time out. Tomou um time out, não funcionou. E na terceira tentativa, aí funcionou. E aí ele manda o e-mail e beleza, resultado funcionou. Aqui ainda tem uma outra possibilidade, né? E nesse

28:09 caso foram cinco to calls, dois erros, gastou mais ou menos 11.000 tokens. No caminho feliz ele teria gasto 6.000 tokens e 5 segundos. Nesse caminho que deu alguns erros, ele gastou 40 segundos para fazer a mesma coisa. No terceiro cenário, ele logo de cara ele faz uma tocrada, ou seja, ele pode estar usando LLM que não conseguiu ter o contexto para entender qual a ordem certa de chamar. Ele chamou primeiro get orders ACM, passou um parâmetro de customer ID que não existe. Isso pode acontecer. Daí depois ele tentou de novo, ele voltou no loop agêntico aqui

28:40 que a gente falou mais cedo. Opa, voltou de novo aqui, cara. Não, não, isso aqui deu errado. Volta aqui. Ll, pensa de novo. Beleza, vou pensar de novo. Até que ele entendeu que era a opção de search customer, encontrou, tentou fazer a chamada no Get Orders, passou o mês como agosto escrito em texto, como string, não necessariamente com o formato certo. O servidor retornou um erro 400. Bad request. Isso aqui não era para ser desse jeito. Tem que fazer a requisição de novo. O LM recebe isso, fala: “Ah, entendi. Então eu vou fazer a

29:10 requisição com os parâmetros certos até que vai todo o fluxo de novo. E aqui lá na frente ele consegue trazer o mesmo output. Só que aqui, ó, ele gastou mais tokens, teve seis to calls, três erros e gastou mais ou menos 15 segundos. Que que eu tô querendo mostrar para vocês aqui, pessoal? Aqui tem vários cenários que eu já mostrei para vocês acontecendo e que o JV encaixa, encaixa perfeitamente. Eh, aonde isso aqui entra? Entra dentro de um um de um contexto de um conceito que a gente chama de evolv para agentes de a

29:42 evolvions ou avaliações servem para você no universo de agentes de A. Por isso que só entende como é que usa o JV, quem tá entendendo o assunto de agentes de A de verdade. No universo de agentes de A, serve para você mapear esse caminho, beleza? E começar a agir com inteligência em cima disso. Ou seja, eu tenho quatro caminhos aqui. Um caminho foi o caminho perfeito, funcionou. Os outros três caminhos, cada um eu tive erros diferentes. No pior de todos, pior de todos, ele gastou 130.000 tokens para

30:13 fazer a mesma tarefa que um outro cara gastou 6.000 tokens. Aqui eu preciso trazer inteligência pro meu workflow agêntico, que é o que eu mostrei para vocês que a gente já desenvolveu e tá fazendo dentro da Coders Academy. Para quê? Para eu entender que toda vez que aquele agente for fazer aquele caminho, existe um caminho bom e eu posso reforçar o meu workflow para garantir que ele sempre vá pelo melhor caminho, porque o melhor caminho é mais barato e é mais rápido. Tá fazendo sentido, pessoal? Tão gostando da aula? Manda no chat aqui como é que tá a percepção de

30:44 vocês. [risadas] Dia de gaúcho do meu galo. Olha aí, ó. Hoje eu tenho um gosto por ver fluxogramas. Maravilha, cara. Tá fazendo sentido, ó. Um. Tá fazendo sentido. Tá fazendo sentido. Tá fazendo sentido. Alguém aqui não é dev e tá acompanhando essa live hoje? Manda no chat o que que você tá achando dessa explicação, se você tá conseguindo entender mesmo sem ter uma bagagem técnica. E se você é da área de tecnologia e tá conseguindo entender também, manda aqui. Se tiver algum comentário, alguma observação, alguma crítica, super bem-vindo aqui também, tá? Eu não sou os caras daqueles caras que vão te banir do canal quando

31:15 você trouxer alguma verdade eh difícil de digerir, pelo contrário, a gente digere junto. Vários treinamentos que eu faço das empresas sempre tem uma opinião diferente. Eu sempre eh tento absorver aquilo e entender onde que dá para melhorar. Todo mundo tem opção e possibilidade de melhorar. Só basta escolher melhorar. E a minha escolha é sempre pela melhora. Beleza? Olha aí, ó. Fala, Felipe. Pode mandar dúvida no chat que eu tiro. Sim, tá, cara. Eh, o que é o que é complexo é que daqui uns meses sai uma versão melhor ou surge outro modelo. Acho que entender os fundamentos

31:47 corretos para aplicar qualquer elen por hora é mais indicado. Exatamente. E é para isso que a gente tá fazendo essa live hoje, viu, Deve? De deve safira. Obrigado, hein, cara. Senão o cara vai ficar doido toda hora mudando de modelo. Com certeza. Olha aqui, ó. Top demais, como sempre. Valeu, muito claro. Maravilha. Ó, o Dr. Alan não é deve e tá fazendo sentido. Maravilha. Área tec, tô tranquilo. Ó o marque aí. Estamos junto, cara. Ó, eu não sou deve, mas tá sendo bem explicado. Maravilha. Vamos que vamos. Quem já usou o Deffy em algum momento para criar um workflow de bot ou algo do tipo consegue entender mais casos de uso pro Jeff. Exatamente, cara.

32:19 Exatamente. Deffi é lá do comecinho, né, Lucas? Exatamente. Tem uma infinidade de utilidades que a gente pode aproveitar. Maravilha. Olha aí, ó. O Felipe trouxe. Cara, o cursor com plano 20 tá valendo a pena para uso bruto no composto de 2.5? Tá valendo a pena sim, tá, cara? Eh, não só no composto 2.5, beleza? Eh, não sou def, tô entendendo de boa. Maravilha, cara. Maravilha. Próximo conteúdo não uso fundo branco, cara. Verdade, cara. Valeu, Lucas, pelo feedback, cara. Isso aí. Será que dá pra gente mudar aqui agora? Ã,

32:50 deixa eu fazer um teste aqui, ó. Eu acho que tem um jeito de mudar isso aqui. Se alguém já souber um caminho fácil, a gente já muda o background aqui, tá bom? [roncando] Obrigado pelo feedback. Isso é importante de fato. Acho que vai ficar ruim só porque já tem algumas coisas, né? Vamos ver. Tá bom. Mas beleza. Vamos avançar na aula aqui, pessoal. Então, o que o que que a gente já teve muita clareza aqui até agora? Que resultado certo é diferente de caminho certo. Entender é importante. Essa aula eu só citei Evolvs, tá? Eu tô só mencionando o conteúdo EVS. para você aprofundar

33:22 sobrevs e aprender mais, eu faço um convite para você agora, inclusive, que a gente tá fazendo uma semana lá dentro da Eolders Academy agora, no nesse mês de eh final de setembro e início de outubro, a gente tem uma sequência de eventos super importantes. E o próximo evento, que é agora no sábado, a gente vai falar exatamente sobre evolv e contracts, como saber onde que meu agente tá errando. Eu vou mostrar isso na prática numa aula de 2 horas que a gente vai fazer agora no sábado. É importante que se você quiser aprender e aprofundar mais esses conceitos, você

33:52 participar também. A gente até separou aqui, ó, no link da descrição dessa live, tem um grupo do WhatsApp para você que tiver interessado em participar dessa aula para saber mais informações e tudo mais. E aqui eu vou deixar um QRcode também eh para você que quiser participar dessa aula nossa no sábado, tá? Você vai pegar o celular, vai apontar pra tela agora aí, ó, e já salva para não perder, tá bom? Deixa eu ver se tá rolando no meu celular. Não tá rolando. Vê se tá rolando no celular de você. Se não não tiver rolando, manda no chat aqui o link do do nosso grupo do WhatsApp, beleza? Então, você que tiver

34:22 interessado em aprender mais com a gente nesse sabadão, só colar na grade. A gente vai falar sobre isso aqui, ó. Tem toda a ementa, tudo certinho. Lá nesse grupo do WhatsApp a gente vai tirar as dúvidas. Fechou? Então, ó, voltando paraa nossa aula aqui, tá? Eh, o que que acontece? Vou mandar um link da Ecoders Academy, com certeza. Deixa comigo. Mandar no chat agora aqui, ó, link da Ecoders Academy no chat. Entra, cai para dentro que vocês não vão se arrepender. É disso aqui que vocês estão vendo essa aula para cima. Então, beleza, ó. Vamos continuar aqui. Vou esconder o banner

34:54 por enquanto, mas o link tá aqui no WhatsApp, tá aqui na descrição e também ah, vou deixar no comentário fixado para vocês poderem acompanhar com a gente, ó. Beleza. Deixa eu puxar aqui já. Deixa eu só puxar aqui rapidão, já mandar o link para vocês também aqui para quem tiver esse interesse. Vamos lá. A coders. Aqui, ó. Vou mandar no chat quem quiser entrar no grupo do WhatsApp também. Eita, pera aí. Aqui, ó. Vou deixar ele fixado, tá bom?

35:25 Aí tá aí no chat. Quem quiser entrar no grupo do WhatsApp, é esse último link que eu mandei. Maravilha. Vamos voltar pra aula, então. Tomar. Seguinte, dito tudo isso que a gente trouxe aqui até agora, a gente entendeu que resultado certo é diferente de caminho certo. A gente entendeu que entender de evolv e como é que a gente metrifica tudo isso que tá acontecendo e traz um resultado mais assertivo e melhora isso é importantíssimo. E é exatamente aqui que entra o JV. Relembrando, Jev é um modelo de A novo da família System One foi lançado pela Type Face. A gente já

35:57 explicou a diferença do Jeev para um Ll, já trouxe aqui nessa live também falando a diferença dele para um classificador comum e por que ele acelera. Por que que ele acelera resumidamente? É que você não precisa treinar um classificador, tá? Um modelo de para classificar coisas que pode classificar, por exemplo, se isso daqui que vocês estão vendo agora, se isso é um celular e isso aqui é uma pedra, um classificador como Jeev, eu vou trazer qual a probabilidade de isso aqui ser um um celular, ele vai saber. Qual a probabilidade disso aqui ser uma pedra, ele vai saber. E qual a probabilidade de nenhum desses dois ser

36:29 uma calculadora? Ele vai também trazer essa probabilidade sem que eu precise treinar um modelo para isso. Ele faz isso com velocidade, com contexto global, com uma base de conhecimento muito boa de muitas coisas, equiparado a base de conhecimento do GPT 5.6 terra e faz rápido e barato. Por isso que o Jev entrou no Hype. Beleza, vamos pegar então algumas tesques e vamos redesenhar essa tesque agora pra gente entender aonde que o Jev encaixa. Primeiro ponto, pedido do usuário. O Jev fez aqui uma

36:59 decisão dele. Então, quando o usuário fizer o pedido, ao invés de isso ir direto para o Ll, no pedido do usuário, o JV vai entender qual que é a intenção do usuário logo de cara. Então ele entra aqui como a parte de entrada, que é exatamente esse tipo de coisa que a gente tá fazendo no nosso workflow agêntico hoje. O agente vai, quando entrar uma solicitação pro agente, na hora de chamar a as tools aqui, entender quais os MCPs ele vai consumir, ao invés de ele consumir qual todos os MCPs e trazer, talvez isso aqui dá brincando, tá brincando dentro de todas essas

37:31 integrações, nossa, tranquilamente 1000 tools, pelo menos ao invés de ter todas as 1000 tools, o JV vai classificar e vai falar: “Cara, você precisa precisa só dessa, tá? Saiba agora que que você tem essa Tol para você chamar dentro do seu cenário. E aí ele vai continuar atual search customer com o com como um dos dos candidatos. O Jeev o cliente, vai trazer aqui a quais são as os pedidos, vai retornar. O Ll vai entrar nesse caso desse fluxo agente em específico, somente na hora de escrever

38:02 o e-mail. Então aquela ideia do tool Call, quando chamar o JEV, vai escolher o código, vai interpretar, beleza? Então essa é a tu, segundo a resposta do JEV, eu faço essa chamada, beleza? O JEV faz uma outra chamada, então o código chama também e só entra o Llessa parte. Deixa eu ressignificar isso em outro cenário. Isso aqui é como se ao invés de eu tivesse que que eu eh imagina que no exemplo que eu trouxe de BH, que eu tô indo do aeroporto até o centro, é como se ao invés de ir de Uber ou de de

38:35 dirigindo um carro com a, é como se eu tivesse indo de trem. E no meio do caminho, o Jev fosse o cara que ele ia só falar assim, ó, você tem esse caminho, só esse caminho, vai para cá, agora você vira para cá e o cara que tá dirigindo o trem, ele só tá indo no caminho. É basicamente isso. Então, entrou um pedido do usuário, o Jeve vai falar: “Opa, esse pedido do usuário, hum, a intenção é consultar vendas”. Deixa eu dar uma olhada aqui, de acordo com o contexto que eu recebi, quais são as tools que eu posso ter pra gente fazer a consulta de vendas? Ah, para

39:05 esse cenário específico, a tool exata, a maior probabilidade é a tool de search customer. Devolve essa resposta pro código. Como o output do JV ele é tipado igual código recebe, então a gente consegue trabalhar o código, o próprio código faz a to call exatamente para esse cara. Só nessa brincadeira de receber o input, fazer o reasoning para saber qual tua eu vou chamar, eu já economizo muito token nesse caminho e claro, com velocidade e com uma assertividade do do da requisição. Na

39:36 próxima chamada de tool, entra a mesma ideia. O Jeev vai entrar aqui com a parte de reasoning, ele vai receber o contexto e vai saber que ele precisa de chamar um dado específico de um cliente. A gente poderia ter dois clientes com o mesmo nome nome de empresa, uma empresa chamada ACM limitada e outra chamada ACM Foods. Aqui ele conforme o contexto vai trazer especificamente qual atu ser chamado e vai devolver pro código get orders e vai trazer isso lá. Então, o próprio código executa. E aí, só na parte de fazer a escrita de e-mail que

40:06 vai entrar o LLM dentro desse fluxo agêntico. O LM vai escrever e-mail com uma única geração de texto. Ele não precisa ter contexto, ele não precisa ter carregado todas as skills e tools para ele saber como é que aquilo funciona. Ele só tem aquela única tarefa. O Jeev us a o tipo de eh de resposta nul e vai retornar o e-mail só contendo dados do cliente do pedido. Ou seja, ele vai verificar se o e-mail não tem nada além do que ele deveria ter. Não tendo, chama tu call sendo e-mail e envia o e-mail. Depois verifica se o pedido do usuário foi atendido com o

40:36 JEV. Se tiver sido atendido, concluído, fim com uma trilha auditável. Beleza? O que que eu tô fazendo aqui, galera? Volta no exemplo anterior do agente, tá? A gente teve quatro caminhos diferentes que o agente percorreu para chegar no mesmo resultado. O caminho feliz, né? Quando o cara faz a solicitação, qual foi o total de vendas do cliente AKM em agosto de 2026? Manda o resumo por e-mail pro financeiro. Caminho infeliz. O agente, o Ll

41:07 identifica qual tool chamar, chama as toos na ordem certa e retorna. Gastou 6.000 tokens 5 segundos. Os outros três caminhos, cada um deles tiveram erros diferentes acontecendo. Aqui em cada vez que aconteceu um erro, isso precisou voltar lá no loop agêntico, que eu mostrei aqui mais cedo. E toda vez que volta acontece um erro, seja por conta de um erro do LLM ter usado o parâmetro errado pro TC call, ou seja, um bad request ou um 503, né, um um serviço indisponível, ele vai gastar reason de

41:38 novo para entender porque que aquele erro aconteceu. gasto o reason e volta pro coisa. Então, todas essas etapas a gente consegue reduzir absurdamente o meu gasto com agentes para isso aqui. Agora começa a fazer sentido, pessoal. Manda no chat quem tá conseguindo entender e acompanhar. Por que que faz sentido, galera? Porque para muitas coisas que agora muita gente estava usando um LLM para trabalhar, você talvez não deveria tá usando Ll, você deveria estar usando o classificador. Só

42:08 que você nem sabia que isso existia, você nem entendia que isso era um parâmetro do mercado. E aqui entra uma parte muito massa. Tem uma frase que envelheceu igual leite, que é a sua empolgação com inteligência artificial inversamente proporcional seu conhecimento sobre o assunto. Eu digo o contrário, a sua empolgação com a inteligência artificial é diretamente proporcional à sua vontade de aprender mais sobre o assunto. Usa isso como combustível. E aí o LLM, quando você pega ali chat PT, eu vou lembrar para vocês tudo que aconteceu no mercado naquela época. Todo mundo do mercado que

42:40 já era mais saudosista, que já era de machin lana e falava: “Pô, mas LLM já existe, chat EPT não é nada de novo. Agora com JEV é a mesma coisa. Poxa, mas classificadores já existem. Jev não é nada de novo”. E não é. E LLM também não era nada de novo. O que é novo aqui é justamente o acesso a essa tecnologia que antes só as pessoas que não estavam envolvidas diretamente no meio não sabiam que era possível. E agora que você sabe que isso existe, que isso é possível, mesmo talvez sendo dev, mas nunca tendo trabalhado com machine

43:10 learning, abre uma caixinha de possibilidades enorme na sua cabeça para começar a olhar para outros fluxos e entender. Caraca, isso aqui faz muito sentido, cara. Eu vou usar um classificador, talvez nem o Jeev, talvez vou usar o Lia, que é um cara que tá open source agora, mas só disso aqui eu já consegui entender que tem um monte de coisa que eu tava usando LLM para fazer que eu não precisava de um LLM, posso ser um classificador. Aqui que entra aonde o JV faz super sentido. E uma outra coisa que faz super sentido é que se você tiver gostando dessa aula, você vim participar com a gente lá dentro da

43:41 Ecodas Academy. Link tá aqui no chat. Acabei de mandar aqui também um link do grupo do WhatsApp para você participar com a gente da aula que vai acontecer nesse próximo sábado, que eu vou te ensinar como que você constrói mecanismos de EVOLs para você trazer esse mesmo rolê para dentro do seu agente e saber avaliar a qualidade disso aqui dentro do seu workflow. Beleza? Outro cenário muito da hora, multiagente, o Jeev como roteador, né, como um porteiro para fazer o randoff de qual agente vai chamar e também como um juiz de parada. Como assim? Acabou a

44:11 tarefa, ele vai avaliar o resultado. É exatamente isso que tá acontecendo no nosso cenário. Vou mostrar para vocês de novo. Ali dentro do Railway a gente tem aqui o JV. Então, enquanto supervisor, chega um pedido do usuário, por exemplo, gere para mim a imagem da tamb de hoje. O tema do do vídeo de hove de hoje de ouve de hoje é Jev para agentes. Aonde que essa parada faz sentido? Legal, boa. Vai chegar aqui primeiro no JV. O JEV vai classificar aquele pedido e vai entender. Bom, eu tenho aqui quatro

44:42 caminhos. Eu tenho o caminho de direcionar para um agente de pesquisa, um agente de código e um agente de suporte. Dado a request, qual que é o melhor caminho? Cara, eu acho que nenhum desses caminhos vai conseguir gerar para mim a thumbnail. Então o Jeev classificar quando ele tiver uma baixa confiança, ele vai devolver pro humano. Vai falar: “Cara, pera aí, isso aqui não funciona não, hein? Aparentemente a gente não tem um agente que faz isso aqui, não. Tendo um agente que faz isso, beleza, vamos chamar o agente de pesquisa para fazer uma pesquisa. Vamos fazer chamar o agente de geração de imagem para gerar imagem. Então você

45:14 tira desse meio do caminho, talvez uma camada do agente orquestrador que muitas empresas acabam implementando, talvez sem precisar. Talvez eu não precise de um agente orquestrador, talvez eu precise de um classificador que, dado a intenção inicial do usuário, ele vai classificar qual agente vai seguir para performar aquela tarefa. A tarefa pode ser, por exemplo, tô desenvolvendo uma nova feature pro meu sistema, tenho que planejar esse sistema, eu tenho dentro do meu workflow de agentes um agente específico de planejamento. Então, quando eu mandar a tarefa, falou: “Vamos

45:44 começar a tarefa nova, beleza? Já sei, vou chamar o agente de planejamento. Vamos implementar?” Beleza, vou chamar o cloud code para implementar. Vamos revisar? Beleza, vou chamar o meu agente de revisão de código. Então você consegue trazer ele como o seu orquestrador que vai fazer o handoff, ou seja, seu porteiro que vai entregar a tarefa para quem precisa ser entregue. Manda um no chat, se você tá vendo sentido nisso aqui, manda dois se você tiver com dúvida e manda a sua dúvida se você tiver dúvida, pô, pelo amor de Deus, me ajuda aí, me ajuda a te ajudar. Beleza? aqui fez a o o Jeff vai atuar

46:16 então direcionando a requisição pro agente específico. Vai rolar o handoff de novo. Então terminou o resultado, vai rolar o handoff que vai para um agente consolidador. Esse consolidador ele vai verificar se deu tudo certo. Faz uma chamada pro JV. O JEV verifica se de fato aquilo ali tá coerente. Se não, ele volta pro agente consolidador consolidar certinho a resposta. Daí sim vem e traz a resposta. Então, de novo, aqui a gente tem o JEV nesse meio do caminho aqui. O que que seria esse JEV enquanto juiz de parada? Imagina que

46:49 eu acabei de passar uma tesque para um agente. Essa tesque é essa tesquec aqui de cima, ó. Qual foi o total de vendas do cliente ACM em agosto de 2026? Manda o resumo pro e-mail pro eh eh o resumo por e-mail pro financeiro. Qual que é o trabalho de um juiz, de um LLM as a judge ou nesse caso, de um, cadê? Aqui, ó, juiz de parada. O trabalho dele é verificar se o caminho percorrido e o output atendem a demanda inicial. Então, dado o caminho que foi percorrido, a o

47:21 que foi feito ali, atende a requisição inicial? Se sim, terminou. Se não, repete o fluxo até jogar para um agente consolidador, nesse caso, para um LM consolidador, para ele entender o que tá precisando acontecer. Pode ser que nesse caso ele vai disparar um novo loop que vai jogar pra parte do supervisor aqui que vai fazer um handoff de novo para um agente específico. Aqui entra o JV de novo. Perceba que boa parte disso a gente também pode usar o Ll. Por que que faz sentido usar o Dev no lugar do Llm? Basicamente custo e velocidade, os

47:52 únicos motivos. Beleza? Se o LM chegar a um ponto de ser tão barato e tão rápido quanto o JEV, aí fique irrelevante. Mas nesse caso específico é bem improvável que o o modelo do tipo do JEV seja mais caro que ll. Por quê? O JV é o primeiro modelo do tipo sistema. Já tem várias outras alternativas do mercado. A tendência é que esses modelos vão ficando cada vez mais otimizados dentro de infraestruturas ótimas para que isso entregue mais velocidade e um custo mais baixo. Eu tô te entregando aqui hoje uma parada que provavelmente no seu fluxo agêntico já vai reduzir, cara.

48:23 tranquilamente alguns mucados de tokens que você gasta hoje aí no seu dia a dia. Beleza? Bom demais. Galera respondeu um. Então tá fazendo sentido. Beleza. Pode compartilhar esse documento, João. Eu vou mandar esse documento lá paraa turma da Ecodas, cara. Eh, mas acompanha com a gente aqui que tá massa. Se você tiver lá dentro da comunidade, terminando essa aula, eu vou subir dentro da aba de materiais que fica bem aqui, ó. Materiais. Acabando essa aula, eu vou subir ele aqui para vocês poderem eh visualizar lá dentro da nossa plataforma, combinado? Boa. Eh, minha

48:56 biblioteca ali e tal. Show. Deixa eu voltar aqui. Maravilha. Bom, então, trazendo isso para um cenário real de verdade, tá? Isso que vocês estão vendo aqui, galera, é o que a gente implementou de fluxo agêntico dentro da Elders Academy. Aonde que entra, aonde que cabe o JEV como o cara do Handoff que eu acabei de mostrar para vocês ali. No nosso caso, hoje eu tenho um agente orquestrador. E por que que ele existe? Porque o meu agente orquestrador, ele tem memória, tô usando Super Memory como memória, ele tem acesso ao Second Brain da AI Coders

49:26 Academy, que também é uma parada que todo mundo que é membro hoje tem acesso, que é o secondrain, é o nosso segundo cérebro, tem todo o conhecimento da empresa. Deixa eu ver se tá fácil de mostrar aqui, sem mostrar muita coisa sensível, ó, esse template todo mundo que é aluno nosso tem acesso. Eh, então, basicamente, acesso ao código, inclusive, tá? Aqui a gente tem o mapa do cérebro, então tem as informações específicas da Iodas Academy que o meu agente tem acesso. Esse agente orquestrador tem acesso à memória e acesso ao segundo cérebro da empresa. Para quê? Para ele conseguir saber o que

49:56 que aconteceu nas outras interações de agentes e saber direcionar a tarefa. Talvez eu tô pedindo uma tarefa que alguém do meu time acabou de pedir. Pode ser que eu tenha acabado de gerar uma thumbnail e só que aliás de pedir para gerar uma TAM nova para um vídeo. Só que a a Mônica, que é a nossa red de marketing, já tinha pedido isso há 3 minutos atrás. O que que vai acontecer aqui nessa camada? O orquestrador ele vai ter acesso à memória e vai falar: “Não, não, não, isso acabou de acontecer, cara. Ô, Vini, tá aqui”. Então ele nem delega a tarefa de novo para um agente gerar a mesma imagem, porque aquilo já foi gerado. Então aqui

50:27 tem essa inteligência e por isso que ele existe. Dentro desse caminho, o orquestrador selecionou a gente e aí sim a gente vai bater lá no gateway para fazer a chamada das nossas tools, dos nossos MCPs da empresa que se conectam com diversas ferramentas, ferramenta do WhatsApp, ferramenta do Instagram, ferramenta Hotmart, ferramenta de trends, por aí vai. Aqui eu tenho milhares [limpando a garganta] de tools para serem chamadas. Não faz sentido eu carregar milhares de tools dentro do contexto de um agente. Por quê? Porque vai ficar caro, eu vou encher de coisa no contexto, vou aumentar as possibilidades do agente alucinar.

50:58 Então, aonde que entra o JEV? O Jev entra dentro do gateway, que ele vai fazer o handoff de quais as tools necessárias para serem chamadas. E não só isso, o Gateway tem uma lógica também para saber se aquele agente também tem permissão de chamar aquela Tour, não só o handoff, mas se aquele agente pode ou não chamar aquela TU. Então, um exemplo prático disso aqui funcionando. Não tô trazendo teoria sem ter aplicado para vocês. Eu não ensino aquilo que eu não sei. Sempre é o meu compromisso aqui com o canal e com a E AI Coders Academy. Beleza? Olha aí, ó. Mas para usar para

51:29 desenvolver, adicionar skill do Jeff no cloud, por exemplo, já faz ele se comportar para ajudar a economizar tokens? Ótima pergunta, viu, Rodrigo? E parabéns pela foto de perfil. Maravilhosa a foto da família. Aí, cara, eh, eu não testei o JV ainda com esse workflow enquanto skill do cloud, tá? O que eu testei foi essa parada aqui, ó, o Jeff Gatin, que é esse camarada que a gente tem e que a gente tá dando suporte, manutenção aqui, que tá, poxa, tá crescendo bem até, inclusive, né? Tem uma galera gringa entrando e ajudando. Ele serve para quê? Dentro dessa etapa que eu

51:59 mostrei aqui para vocês de o agente fazer o tool call, qual o tool chamar, a gente intercepta a requisição antes dela ir lá pro cloud. E nessa interceptação ele usa o JEV para classificar. Aí o JV classifica e aí a requisição que vai pro LLM down ou da Open ou dos outros que já estão no suporte ali, por exemplo, ela vai já com uma dica, ó, você vai chamar essa TU aqui, essa é a melhor tu para você chamar. Então na hora de fazer o reasoning, ele nem pensa muito. Ah, é verdade, vou usar essa TU aqui. Beleza,

52:30 é isso. Ah, faz sentido ser porteiro no Hermes? Danilo Costa perguntou. Cara, tem que entender, mas provavelmente pode fazer sentido, sim. Depende de como que você tá usando seu Hermes, tá? E tem que ver se Hermes é o que você precisa. A gente tem falado lá dentro da Coras Academy, já tem um tempão desse cara aqui, ó, o Eve Dev da Versel. Cara, se você tá desenvolvendo agentes hoje e não estudou o IVE ainda, tá tendo bobeira. A gente já fez umas quatro masterclass mostrando caso de uso dele, a galera já tá usando e tá curtindo. Inclusive todo

53:01 esse fluxo agente o nosso foi construído com isso. Então vale a pena entender se o que você tá fazendo você precisa de fato do Hermes ou se você tem uma solução bem mais simples e robusta para desenvolver para você. Beleza. Maravilha. Perguntas maravilhosas aqui, hein? Ó, isso é um problema caro de modelos de PT. Eles são perfeccionistas e muito obstinados. Muitas vezes eles demoram e consomem mais do que deveria na Tesca. Exatamente. Olha aí, ó. O João, o já mandou a dúvida. Deixa eu ver se eu já respondi, rapaz. Se puder. Ah, beleza. Achei aqui,

53:31 ó. Quando eu não vê, galera, manda de novo no chat que ajuda a encontrar a as perguntas, que às vezes tem muita coisa acontecendo e eu me perco aqui, ó. Penso que o JEV não poderia sugerir qual o parâmetro da Tu, pois isso é dinâmico, não? Eh, nesse caso, o exemplo da ACM poderia ser um número indefinido de opções. Essa é a minha dúvida. Então, o JV ele não vai sugerir o parâmetro. E o que vai acontecer é o seguinte, deixa eu abrir o type face aqui. Deixa eu ver se tá fácil de demonstrar. Dá um segundo aqui, ó. Lá no type face, ó. Console type face. Type safe. Esse

54:02 negócio buga demais minha mente. Type face é outra coisa. Type safe. Ó, aqui é o console lá do Jeff, tá? Quando você faz uma requisição, ela vai vir desse formato aqui, ó. Sai fora aqui. Beleza. Ó, eu vou Tem um jeito de mudar essa aqui, ó. Para você viu? Então aqui eu vou trazer o contexto. Nesse contexto que tá aparecendo aqui do lado, é onde eu vou trazer, no caso, né, no caso do agente, eu vou trazer, ó, existem essas tools e você está trabalhando nessa tarefa. Beleza? Na hora que eu for

54:32 trazer aqui o o exemplo, por exemplo, aqui eu vou trazer qual a tua eu devo usar. Eu vou trazer aqui, ó, para esse contexto que a gente tá trabalhando, a gente tem que chamar alguma dessas tools. Qual dessas tools é a mais provável para usar para chamar? Beleza? Aí eu vou rodar a requisição. Ele vai trazer, ó, mais provável é a opção A. Isso chega pra gente enquanto código. Então ele vai trazer aqui, ó, a resposta new choice probabilites e a opção com maior probabilidade é a choice opção A.

55:02 Então o que acontece? Ele respondendo sua pergunta, deixa eu ler ela de novo para responder da maneira correta, né? Qual o parâmetro da eh ele não poderia sugerir qual o parâmetro da TU? Pois isso não é isso é dinâmico, não. Ele poderia porque ele tem o contexto dinâmico no no momento que tá sendo chamado. Por isso que ele vai conseguir sugerir. O que vai depender é como é que você constrói isso para mandar pro JEV. Mas isso vindo do contexto, você consegue trazer de maneira dinâmica pro JV também. A grande diferença e talvez o que pode entrar de confusão é que se

55:33 você ol observar bem, vamos voltar lá no nosso fluxo do ciclo agêntico, que é isso aqui que eu mostrei para vocês mais cedo aqui, ó. Lembrem que toda vez que o ciclo agêntico tá acontecendo, quando existe uma chamada inicial, é pré-carregado o contexto, é pré-carregado o system prompt, são pré-carregadas as tools disponíveis e também o histórico de conversa. Toda a requisição histórico vai junto. Por isso que a gente tem a camada de cash que ajuda a baratear isso. Então o Llm ele

56:05 não não fica, ele não vai lembrando de tudo ao mesmo tempo. Você tem que mandar para ele o que tá acontecendo ali. Por isso que ele vai enchendo a janela de contexto, que a memória vai acabando. Basicamente essa é a ideia. Então, nesse sentido, o JV também você precisa de alguma maneira de gerenciar isso ah dentro do seu workflow para trazer esse essa resposta em tempo de execução para ele ter o contexto. Beleza? Se eu não tiver respondido o que você queria, me manda a pergunta de novo que eu tento responder de outro jeito. Outra pergunta aqui, ó. Essa interface do segundo cérebro galáxia não me ganha, me parece pouco prática. Pô, cara, deixa eu te

56:37 explicar porque que ela faz sentido, tá? A interface ela não existe para você usar ela. Você bota fé? Eu não criei essa interface para ninguém usar ela. Na verdade, isso aqui é o seguinte. O segundo cérebro, vamos trazer o conceito de segundo cérebro do obsidian, tá? Obsidian por muito tempo foi visto com segundo cérebro. Para quem não conhece o segundo cérebro, a ideia é do Thiago Forte. Ele escreveu um um livro em inglês escrito e que chama Building a Second Brain. Isso vem diante da inteligência artificial, tá? Não foi nenhum guru que inventou isso, não. A ideia é que você traga as informações que estão na sua cabeça para um outro lugar que você consiga consultar ou

57:09 outras pessoas possam fazer isso também. Com o Obsidian, basicamente você tem uma estrutura de arquivos markdown e que vão ser empilhados. Então, no final do dia, você não tem o segundo cérebro com obsidian, você tem no final do dia o que você tem é uma biblioteca, beleza? que você precisa de alguma maneira, de alguma forma conseguir encontrar a informação. Quanto maior vai ficar no seu obsidian, mais tokens você vai gastar para encontrar a informação que você precisa. Beleza? Aonde que entra essa estrutura de de secondiu na Ecoders Academy? Ela entra com um banco de dados

57:40 vetorial para você conseguir fazer perguntas e encontrar informações dentro do desse desse second. Diferentes tipos de memória. Então, a gente tem memórias, nós temos pastas, documentos, pessoas e projetos. Então, cada uma dessas memórias, elas eh cada um desse tipo de informação que a gente vai persistindo, ela tem velocidade de acesso diferente, ela tem eh níveis de comportamentos diferentes, vamos dizer assim. Para quê? Para que se comporte como um cérebro de fato, se eu preciso saber quem é a Mônica, a Mônica é uma pessoa, ela não deveria estar num hag, ela deveria estar

58:11 num lugar mais rápido de acessar. Poxa, quem é Mônica? Vamos pegar aqui pessoas, ó. Mônica vai est aqui, a Mônica vai est a nossa equipe aqui, a Giovana e tudo mais. A Mônica não tá ainda, hein, Mônica? Tem que te adicionar. Tem a Giovana, por exemplo, a Giovana tá no time da Coders, ela atua na parte de CS suporte. Eu não deveria ter que usar isso no arquivo Markdown, muito menos dentro de um hag. Então o segundo cérebro que a gente desenvolveu, ele trabalha com informações que têm pesos diferentes em lugares diferentes. A memória que a gente tem que, que é o que lembrar, por exemplo, a gente tem memórias versionadas. Então imagina que hoje eu tô dizendo para você assim, ó:

58:43 “Eu não sei usar o JV em lugar nenhum”. Beleza? Essa memória é relacionada ao uso de Jev. Mas depois dessa aula de hoje, você sabe onde usar o Jeev. Concorda comigo que faz parte da mesma memória, que não faz sentido adicionar um novo arquivo falando: “Ah, não, agora eu sei”. E que faz mais sentido eu adicionar uma nova versão para aquela memória sobre aprendizado do JEV? Então, é exatamente isso que acontece dentro desse second. Então, não é a interface aqui que é o que importa mais, é sim o uso. E aí, por isso que eu falei que a interface não importa. Por quê? Porque isso aqui foi feito para você plugar

59:13 dentro do seu agente, dentro do seu chat EPT, dentro do seu cloud, dentro do cloud code, do Codex, do RLIS, qualquer agente via MCP, e você conseguir gerenciar todo o seu cérebro sem nem mesmo precisar entrar dentro dessa interface. A interface ela vem mais de uma maneira lúdica, um formato lúdico ou um formato eh para as pessoas que precisam de alguma maneira visualizar o que tá acontecendo do que necessariamente você precisar de uma interface. Fechou? Tá disponível lá dentro da Codas Academy. Se você for membro, tá aqui dentro da parte de templates, você consegue baixar o código desse, desse segundo cérebro. E aí você

59:44 pode mexer do jeito que você tiver, do jeito que você quiser. E vai tá dentro também, tá aqui, ó, templates secondra e vai tá dentro também lá do nosso material de second. Daí tem um passo a passo para como que você usa e configura isso também. Se quiser aprender a usar, configurar, tá ali dentro também. Fechou? Obrigado pela pergunta, cara. É o que eu falei para vocês, ó. Perguntas desse tipo, elas sempre ajudam a gente a entender um caminho e falar: “Cara, deixa eu ver um um um meio termo, deixa eu te explicar um pouco mais sobre esse tema”. Porque às vezes você viu alguém falando disso e

1:00:14 falou: “Cara, tá aí mais um guru, beleza? Não, deixa eu me dá uma chance de explicar, então me pergunta, faça provocações.” Ó, pergunta boa aqui do Mark. Você já tentou classificar um vídeo com Jev? Tipo, pra gente ficar gôndolas de supermercado e ver se alguém pegou algo na gôndola? Ô Mark, ainda não, cara. Mas não sei se o JV seria o melhor caso para esse o melhor o melhor eh modelo para esse caso de uso, tá? Porque talvez aqui vale mais a pena você usar um classificador ou já usar algum modelo de machine learning que ele já

1:00:44 consegue interpretar ações em imagem. Você vai ter que casar duas coisas. O Jev ele não é multimodal, ele é só texto. Então você precisaria de ter alguma coisa convertendo texto para eh aliás, convertendo o vídeo para texto e o texto sendo avaliado em tempo real, né? frame por frame. Não acho que é interessante usar o jev para isso não, viu, Mark? Para quem não tá conseguindo criar conta nos type safe, lá no Open Houter já tá disponível também. Você vai vir aqui, ó, e vai digitar, tá até ali já, ó. Então você não precisa

1:01:15 ter a conta no type save do type face, type save, né? Type save [risadas] para usar o Jeev. você já consegue usar ele aqui dentro também, inclusive já tem até o playground aqui configuradinho bacaninho. Beleza. Ah, outra pergunta. Vou fazer a manutenção no graf até amanhã, Vini. Tava fazendo o racatom da Confluente essa semana. E aí, foi massa o Racatom? Codex, manda pra gente aí no chat. Beleza, boa noite para traseer. Mas que bom que você chegou, cara. Chegou a tempo, pô. Já tá rendendo. A, tem as perguntas lá de trás ainda. Deixa eu avançar aqui. Eh, vai ser gravado. Isto não é sobre

1:01:45 igreja, isso é sobre inteligência artificial. Eh, vai ficar essa live fica gravada assim aqui no YouTube, tá? Eh, em estruturinha de pass. Exatamente. Vai gravar sim. Está gravado aqui. Beleza. Ã, mas qual a diferença de achar a Mônica em um MD no Obsidian? Ótima pergunta. Imagina o seguinte, o o Spique, né? Imagina que a minha empresa não tem só a Mônica, a minha empresa vai ter a Mônica e mais 350 funcionários. e que cada vez que esses funcionários forem evoluindo dentro da empresa, a informação dele também evolui. E se

1:02:16 amanhã eu quiser encontrar uma pessoa antes de hoje, se eu tenho só a Mônica, na hora que eu for buscar a informação da Mônica, é um arquivo Markdown só, beleza? Encontrou monica.md. Se eu tenho 300 funcionários, o agente ele vai ter que carregar o contexto e no contexto dele carregar 300 pelo menos o metadado daquele arquivo inicialmente. Então você entende que isso já enche, já gasta mais tokens do que você deveria. Nessa estrutura do Second Brain que a gente construiu, existe uma tool que chama

1:02:47 Brain Search. Essa tool ela faz de maneira programática a busca desse dessas informações. Então quando você chama na na no secondrain, você fala assim, ó, quem é Mônica? O second brain ele vai rodar algumas requisições em paralelo. Uma vai buscar lá na base de dados nossa do banco de dados vetorial. A outra vai buscar em na base de pessoas, por exemplo, tá? O Jev, ele pode estar atuando como classificador aqui, inclusive para saber onde buscar isso da maneira da melhor maneira possível. Ainda não implementamos, mas tem uma PR isso, mas digamos que não tenho JV. Então ele vai

1:03:17 trazer essa busca. Essa busca, eu não enchi o contexto do meu agente com o nome de todo mundo. Eu só vou trazer a resposta classificada, que o o algoritmo que a gente desenvolveu do Second Brain, ele já classifica e fala assim: “Cara, a Mônica é essa pessoa. Toma aqui, ó”. E aí tem um LLM antes de devolver para o a o o agente que fez a pergunta, vai ter um LLM ali baratinho, um M Spark 1.3, por exemplo, contributor, que vai fazer a validação rápida. Poxa, pera aí, Mônica, essa pessoa. Então, toma aí. Só isso que você precisa saber. Então, quando eu tiver trabalhando com Cloud Code, buscando contexto de alguma parte

1:03:49 da empresa, por exemplo, ou até de uma documentação de sistema, o Cloud Code ele não precisa fazer todo o reasoning usando o Fable 5.1, tem em cima daquilo. Ele só vai usar o reasoning na informação que foi devolvida para ele. Aqui que tá a diferença entre chamar só um MD no Obsidian e usar o secondra. Beleza? Ah, maravilha. Ótimas perguntas, pô. Maravilha, cara. Bom demais. Hoje eu passei um pouquinho do tempo porque a nossa aula de sala, eh, que geralmente é quinta noite, vai ser no sábado agora de manhã. Tá maravilha. Boa, turma. O que que eu quero fazer um convite para vocês

1:04:20 agora? Presta atenção que isso aqui é muito importante, muito importante mesmo. Até agora a gente já trouxe aqui para vocês muita informação legal, uma aula que eu fiz questão de preparar com bastante carinho para mostrar para vocês casos de uso do JEV, tá? Eu vou trazer ainda no final aqui algumas regrinhas de bolso para você levar para casa hoje para você entender. Então fica aqui até o final e vou trazer mais um catálogo de outros casos de uso que você pode utilizar. Mas olha que importante, a gente falou de uma coisa que é essencial e que todo mundo que já entende disso instantaneamente entendeu para que que

1:04:52 serve o JEV, entendeu onde usar o JEV. E várias pessoas no YouTube me perguntavam: “Vini, não tô conseguindo entender isso, cara. Me explica melhor como é que eu uso o Jev.” Falei: “Explico, soltei um vídeo, cinco casos de uso do Jev, tá aqui no canal do YouTube, Vini, poxa, como é que eu uso isso dentro do cloud code?” Criei o Jav Gateway, tá lá, você consegue entender como é que você usa isso dentro do G Code. Só que eu quero te convidar para dar um passo a mais, cara. Eu quero que você comece a ser o cara, que quando sai uma parada dessa no mercado, que você não seja o cara que vai ter que esperar alguém fazer um vídeo para te ensinar a fazer isso ou

1:05:24 como é que isso funciona. Eu quero que você seja a pessoa que tenha plena condição de ver uma novidade no mercado e falar: “Isso é hype, com certeza. Isso aqui tem uso. Isso aqui eu não sei direito ainda o que que é, mas dentro que eu estudei, isso aqui não encaixa ainda para você ter discernimento. Tendo discernimento, você não vai cair em golpe de ninguém. Você não vai comprar produto que você não precisaria comprar. Tendo discernimento, você tem o conhecimento certo para fazer a decisão certa. Por isso que eu fiz essa aula. Por isso que as nossas entregas da Ecoders aqui no YouTube são entregas que a gente entrega conhecimento. Por quê?

1:05:54 Quando eu te dou conhecimento, eu te dou a capacidade de ter discernimento se eu tenho competência para te guiar no aprendizado de AI para desenvolvimento software ou não. E se tá fazendo sentido até agora, nesse sábado eu vou te dar discernimento de como que você olha para um fluxo de agentes como esse que a gente desenvolveu aqui Cores Academy, que é essa parada, essa estrutura gigante e que tá funcionando massa para caramba. Inclusive nessa aula eu vou mostrar para vocês como é que eu construí, como é que eu pensei isso e como é que você olha para isso, cara? e fala: “Tá, deixa eu entender. Então,

1:06:25 tiveram quatro requisições, uma foi boa, outras três foram ruins. Como é que eu trabalho para isso sempre melhorando dentro do meu workflow de agentes? Como é que eu trabalho com EVOLs e contracts? Quais são os casos de uso? Onde onde entra o JV? Onde que entra um outro LLM? Onde que eu consigo trabalhar com Lljud? Então, tudo isso a gente vai estar ensinando nessa aula que vai acontecer agora, nesse sábado, das 10 à meiodia, involves e contracts. Beleza? A gente tá numa sequência de aulas dentro da Eoders Academy, inclusive vou mandar aqui de

1:06:56 novo no chat para você que quiser participar com a gente dessa aula o link, tá? A gente já tem essa, ó, aqui, ó, rapidão. Ã, acho que esse aqui, aqui, ó, esse é o link do grupo do WhatsApp para quem tiver interesse de participar dessa aula, tá? Tô mandando no chat aqui agora, tá na descrição desse vídeo também. Então, o grupo do WhatsApp, se você quiser participar dessa aula, tá aí o link. E a gente tá numa sequência de aulas muito legais dentro da Colores Academy. Esse mês vai ter então essa aula volv e contracts. Depois a gente tem a a o nosso LAB prático. O que que é

1:07:27 um lab prático? Eu faço uma aula mostrando para você a parte teórica, explicando como é que funciona, mostrando o caminho e depois a gente vai construir uma parada na prática. A gente constrói um do zero. Então vai ter ser a masterclass já do final de semana do dia 3 de outubro. No outro final de semana, no dia 10 de outubro, a gente vai falar sobre arquitetura multiagentes, que é essa parada aqui. Então vou te mostrar como é que a gente pensa numa arquitetura multiagentes, igual essa que eu montei, aonde que entra a camada de memória do agente, quem tem que ter memória, quem não precisa ter memória, quem precisa consumir o segundo cérebro da empresa, quem não quem não precisa,

1:07:59 como que a gente monta um gateway que vai se comunicar a múltiplas funções de negócio? Como que eu defino quem pode ou não pode acessar isso? Então, a gente vai trazer isso nessa aula aqui também lá do, cadê? Ó, aqui, ó, do no no sábado do dia 10 de outubro. E aí lá na frente para fechar essa sequência de aulas, a gente vai trazer aqui na prática como é que a gente sai de um de um agente até um time de agentes funcional, tá? Se você já tá na ECOAS Academy, inclusive já inscreve lá para você ser notificado, não perder essa esse essa sequência de

1:08:30 aulas que a gente tá preparando para vocês. Por que que eu tô preparando isso? E vou mandar de novo o grupo do WhatsApp para você cair para dentro dessa aula se você não for nosso aluno ainda. Galera, o mercado ele é assim, ó. É barulho de um lado, barulho do outro. Barulho de gente chata para caramba, que entende para caramba de machine learning, mas que fica incomodado para caramba quando vê que isso tá ficando acessível no mercado. E barulho do outro lado de pessoas que não entendem nada do assunto e estão achando que entende para caramba e estão tentando te empurrar guela baixa um produto. E aqui a gente tem a EI Coders, pessoas sensatas, que

1:09:01 tm maturidade de mercado, que desenvolve software há anos e que tem a abertura para você que é deve, para você que é entusiasta, aprender, sem ficar te julgando o seu conhecimento e sem ficar hypando coisa que não é para ser hypado. Por isso a gente tem esse canal. Te convido demais a fazer parte com a gente. Se você já quiser entrar direto paraa Couras Academy, maravilha. Poxa, vai ser uma honra ter você participando lá dentro da plataforma com a gente. Se você quiser viver uma experiência e aprender com a gente nesse evento de EVS e Contracts, link tá aqui no nosso chat

1:09:33 e na descrição. Deixa eu responder algumas perguntas agora e aí eu vou passar lá pela aquela palinha que eu falei que a gente ia mostrar no final e também vou mostrar para vocês o spoiler de como que eu tô usando o 5.5 que eu falei no começo da live que ia mostrar. Beleza? Olha aí, ó. Eh, o Jev não está no mercado agora. O L já faz isso, cara. Não sei se o L veio antes, tá? Mas classificador não é novidade, né? Falei bem no começo da live também. Beleza. Caramba, teve muita pergunta aqui. Se eu esquecer alguma coisa,

1:10:03 galera, me manda de volta aqui para eu ajud para eu responder vocês aqui, ó. Eh, tudo pela possibilidade. [risadas] Maravilha, cara. Eh, se tem cupom, entra no grupo lá. Ô Peres Diego, Perzes Diego, entra no grupo, cara, que essa parada agora a gente tem uma pessoa que tá ajudando a gente nisso, tá? Então a gente informa para vocês lá. Vini, sei que a live não é do Invocta, mas posso criar exemplos de Jack Engine no repositório do Invocta pra galera usar? Com certeza. Wpunk. Cara, a live não é

1:10:35 do Invocta, mas tem tudo a ver, tá? Que que é o Invocta, galera? Eh, a gente tem uma prática aqui dentro da EI Coders, a nossa cultura de givers game, ou seja, eu sempre vou entregar alguma coisa de graça pra comunidade, pro público aberto, tá? Para quem não é nosso aluno ainda. Para quê? Para vocês entenderem o que que a gente tá fazendo e se faz sentido ou não andar com a gente. E uma dessas entregas que a gente fez recentemente, o WPAN, que é nosso aluno da EI Coders, foi essa daqui, ó. O Invocta. Invocta, ele é um framework para você desenvolver essa parada aqui que a gente tá desenvolvendo. Vou te dar

1:11:07 um exemplo, tá? Hotmart. Hotmart tem um MCP, beleza? Lançou o MCP dela. Qual que é o problema da MCP da Hotmart? Não é problema, tá? Eu explico já isso para vocês. Ele é somente leitura, ele não dá permissão para escrita. Beleza? Só que eu tenho noção disso e eu tenho noção de como travar e colocar os guard rails necessários nos meus agentes para que eles possam ter permissão de escrita também na Hotmart. Só que a Hotmart não me deu esse MCP. Aí entra o Invocta. Por que que a Hotmart não liberou escrita? Pô, e gerenciar isso para uma galera que

1:11:38 não é técnica, que vai simplesmente plugar isso no cloud code é doideira, daria muito problema. Entendo sim vocês, Hot, mas tá tudo certo. Só que eles dão a API. Tendo a API, eu pego o Invocta e o meu Invocta vai criar uma extra engine. Aí você vai rodar npx create invocta engine, vai passar o parâmetro da PI, ele vai gerar já um MCP para você conectar autenticado com better token, autenticado via Oalf ou para você rodar com MCP ST, o MCP local ou até mesmo via CLI. Então a ideia é que eu consiga

1:12:10 criar MCPs rapidamente para que eles funcionem, a galera da do back end quase como microsserviços. Mas a diferença de microsserviço é o seguinte: o MCP ele vai ser a interface pro seu agente consumir os seus serviços de backend. Então, ao invés de eu dar para o meu agente todo o acesso de API do meu back end inteiro, cara, eu não quero isso, eu quero restringir o acesso, eu quero ter controle do que tá acontecendo. Então, eu vou criar uma Action Engine junto com o Invocta. Beleza? Daí o Alpunk trouxe a pergunta, cara, fica à vontade de abrir

1:12:41 uma PR aqui no Invocta para você trazer eh exemplos de action engine funcionais. A gente já tem algumas, inclusive lá na pasta de exemplos, aonde a gente tem action engines de MCP autenticado com Alf Zero, com Alf JS, com Alf Engine, com clerk, com Cognito, com Firebase, com e JWT B to Token Padrão, eh com WorkOS, por exemplo, a gente tem algumas action engines de geração de imagem, de busca de até falando de obsidian, né, falamos de segundo cérebro, eu criei uma Action Engine que ela faz a busca de

1:13:11 contexto no secondrain, né, aliás, no é no secondrain seu de obsidian. sem ter que trazer eh todos os nomes de arquivos antecipados para você. Isso faz de uma maneira programática. É bem interessante dar uma olhada nessa actin aqui também. Então a gente tem um invocta que serve para isso, tá? E serve para você que tá desenvolvendo soluções pra gente ter um caminho prático para fazer isso. Beleza? Eh, a gente dá manutenção para caramba nisso. Por quê? Porque a gente tá usando isso em produção e tem outras empresas grandes também que já estão usando isso eh dentro de validações internas e estão curtindo o resultado que a gente tá desenvolvendo aqui no Brasil. Isso é

1:13:43 importante ser dito. Beleza. Ah, estrel. Maravilha, cara. Invoque a melhor coisa. Tamo junto. Ã, beleza. O Lia veio depois. Beleza. Ah, entendi. O, a pesquisa do criador do Live veio antes. Entendi, cara. Massa, hein? Então, o L é um cara que eu tô estudando, tá? Tô estudando bastante dele sobre como implementar e trazer dentro de servidores também. Eh, para visualizar quais custos tem na plataforma só sendo assinante. Eliane perguntou isso. Não, na verdade a gente fez uma parada esses dias agora que se

1:14:15 você olhar bem de olhos bem abertos, tem uma possibilidade aqui agora, ó. Entra na na na landing page, você vai entender. Eh, então não, você não precisa de pagar para ver, tá? Tem alguns caminhos para você entender o que que a gente tem lá dentro. Inclusive, tem esse caminho aqui também, ó. Aí você vai falar lá com o nosso suporte que é humano. A única parte que a gente não automatiza é o atendimento ao cliente. Eu eu acho que a parte mais legal de você trabalhar ensinando I é poder ensinar IA, mas ter o pessoas falando com você. Beleza?

1:14:45 Bom demais. Eh, Vini, como tem como pagar aí coraz carne para quem vive de fora do Brasil? Tem sim, meus amigos da Angola aí, cara. Inclusive, acho que o nosso quinto aluno foi angolano, tá? Eh, poxa, tem um tempão que eu não vejo ele também, cara. tem que ver por onde que ele anda. Mas tem sim pela Hotmart tem o a forma de pagamento internacional. Então a gente tem aluno Portugal, Angola, tem um embaixador nosso que é de Portugal, por exemplo. Então é super tranquilo de entrar e vai ser muito bem-vindo, tá? Tem vários angolanos lá com a gente. Eh, o Invocta dá para usar em um sistema

1:15:17 interno da empresa? Temos um sistema, cara, Rodrigo, o melhor caso de uso atual tá sendo exatamente esse, porque assim, pra produção, provavelmente, se você já tá usando um às vezes um um framework de back end, vamos trazer aqui NestJS, por exemplo, tá? Lá no Nest ele já tem dentro dele um mecanismo para você expor. Ó, ficou bonitão a nova página do Nest, hein? Caraca, velho. Parabéns aí, galera do Nests. Não era bonito isso não, velho. Que isso, velho?

1:15:50 Eu até perdi o o F room aqui. Eh, caraca, a documentação deles nó bonitão. Eles vão ter aqui dentro, eu nem lembro onde que fica mais. Mudou aqui a a interface, mas eles já têm dentro do próprio Nest uma maneira de você expor seu end point para MCP. Então, às vezes, dependendo do framework que a sua empresa tá usando em produção, pode ser que vai fazer mais sentido usar o próprio framework que já tá usando. Pode ser. Aí para sistemas internos, qual que é o caminho? Imagina o seguinte, seu time, isso acontece para caramba, você é técnico, seu time não é técnico e o seu time não técnico descobriu o vibe code

1:16:21 que tem lovable, que tem rapid, tem essas paradas tudo aí, tá? E aí do nada, de um dia pra noite, você tem mais 100 aplicações na sua empresa para você dar manutenção. Só que cada uma dessas aplicações vai ter que est cuidando de autenticação, você vai ter que est cuidando de botar isso no ar e vai ter que cuidar de manter isso online. Ferrou, cara. Por que que isso acontece? Porque as pessoas encontraram um jeito de resolver problemas que antes eram difícil de ser de serem resolvidos, certo? Então, ah, pô, fazer um sistema pro pra parte de RH, pô, vai demorar muito tempo pra empresa liberar budget para fazer um sistema interno, o uso que

1:16:52 tem no mercado. Porém, quando a gente traz uma estrutura de agentes como essa que a gente desenvolveu para dentro da Cursus Academy, é muito doido que os nossos workflows hoje de conversa de de cara, a maioria deles tá dentro do slack. Quero a gente dar um post para postar no no Instagram, por exemplo. Eu vou lá no Slack, falo com a gente orquestrador que é o Severino nosso. Severino, programa postagem pra gente para amanhã. Programa postagem para hoje. Qualquer pessoa lá do do nosso canal consegue programar uma postagem no meu Instagram, por exemplo. E eu não

1:17:23 precisei de dar acesso ao meu Instagram para ninguém. Não precisei de passar senha para ninguém. Não precisei de fazer nenhum sistema vibe codado para poder agendar os meus próprios posts. Então, para dentro de uma empresa, isso faz muito sentido, porque você traz capacidades de negócio acessíveis por agentes de inteligência artificial, sem você precisar de fazer todo o rolê, eh, vamos dizer assim, de ter que dar gerenciar todos esses sistemas web codados. É mais interessante você trazer a solução. E isso resolve dois problemas muito importantes, tá? Essa arquitetura que vocês estão vendo aqui agora, ela resolve dois problemas muito

1:17:53 importantes. Tem alguém no chat que consegue perceber quais problemas que são? Não, não, não vale. Se você já é o meu cliente, hein? Se você é cliente meu de Enterprise, aí não vale responder, que a galera do Enterprise já tá ligado. Quais são os dois problemas, galera? Primeiro, governança. Segundo problema, letramento. Tá? Governança em que sentido? Se hoje enquanto empresa liberar acesso para todos os meus funcionários ao cloud, eu não tenho como saber como cada um tá usando o cloud, tem dificuldade de

1:18:24 governança até no sentido de se tá usando o prompt da melhor maneira, se tá usando uma skill corretamente, tá conectando com o MCP certo ou não. Eu não tenho essa governança. Eu não tenho nem governança no sentido de saber quem tá usando qual MCP. É muito difícil gerenciar isso para quem é dev. Se eu tô gerenciando um time de dev, cara, beleza. Talvez eu não precise de ter esse nível de governança ali em cima, talvez. Mas se eu tô gerenciando um time de várias pessoas que não são devis, será mesmo que eu precisava de dar um crowd code para cada um deles? Ou será que eu consigo trazer isso para dentro?

1:18:55 Uma estrutura multiagentes que ele não precisa saber nada de MCP, que ele não precisa saber nada de skills nem nada, ele só precisa saber que existe um agente que ele sabe escrever contratos, mas ele nem precisa nem saber o nome desse agente, ele só sabe que tem um orquestrador. Ele manda mensagem pro orquestrador, ó, acabei de fazer uma venda, gera um contrato para mim. O orquestrador fala: “Beleza, venda feita, vou gerar um contrato e vou gerar um link de pagamento na Hotmart também. Vou gerar um contrato e vou já adicionar lá no chamar o nosso agente de vendas para mover esse cliente nosso dentro do CRM.

1:19:25 Então isso pode acontecer e aí se resolve o segundo problema que é letramento. Letramento, o que que é, galera? Letramento é conhecimento. As pessoas da empresa precisam passar por uma rodada de aprendizado para entender como é que funciona inteligência artificial. Por incrível que pareça, nós somos uma bolha. tem uma galera que ainda não entendeu e não tá usando agentes de como deveria estar utilizando. Então você trabalhando com uma arquitetura de agentes para dentro da sua empresa, você reduz absurdamente a curva de aprendizado da pessoa de como mexer com agentes. Ela não precisa saber nada de orquestração, ela não precisa

1:19:56 saber nada de MCP, nada de agente. Ela precisa saber que lá no slack dela ela vai dar @orchestrator e vai pedir o que ela quer pro orchestrator. O orchestrator vai vir, vai chamar um dos agentes dele aqui, vai fazer o handoff. Desse handoff, a gente vai bater aqui, ô, qual ferramenta eu posso usar? O Jeff vai falar assim: “Você pode usar essa ferramenta”. Usou, devolveu, tá tudo certo. Caramba, olha como é que as pergunta ajuda a gente a trazer conhecimento aqui pro canal. Maravilha. Obrigado pela pergunta, hein, Vini? Tem como? Beleza. Emprestações para quem vive de fora do Brasil. Troca uma ideia com o nosso suporte lá, ô Porol. Por Angola. Por Angola. Troca uma

1:20:28 ideia com o nosso suporte. Eh, e tem como a gente usar o usuário humano no sistema? usuário do humano do sistema. Ô Rodrigo, hoje na ideia do Invocta não, mas na ideia de agentes tem. Aí você vai pegar um agente, por exemplo, Mus AI, o o Hermes Bot ou o Grockbot, eles têm o computer use, que é o mesmo que o chat EPT também faz. Aí nesse sentido, você consegue trazer pra gente fazer o uso de computer uses para fazer uma ação. Beleza? Hã,

1:21:02 olha, na verdade não sou dev, mas vou conversar com eles para entender o sistema deles e se consigo os end points da API para acessar. Maravilha, cara. Bom demais. Eh, beleza. Eu fiz isso. Eu fiz isso, fiz uma jornada de vendas. Olha aí, ó. Tá vendo? Não tô não tô reinventando a roda. Tô trazendo conhecimento direcionado para vocês, pessoal. Olha só, vamos voltar pro nosso tópico aqui da aula. Então, espero que vocês já tenham colado para dentro do grupo aí para participar dessa aula de sábado. Senão, o link tá aqui agora. Eh, que que eu quero trazer agora pra gente na finaleira, tá? Primeiro ponto, então

1:21:35 vou trazer aqui eh outros encaixes que a gente que eh modelos de a do tipo system one podem resolver. Um deles é a própria classificação de erro de tools. Então, a gente mostrou ali tu qual sendo feita errada, né, de uma maneira errada. Se eu tenho dentro de um workflow agêntico e uma um erro de TU aconteceu, eu volto lá dentro do meu ciclo agêntico, esse camarada aqui, e antes de retornar isso pro meu LLM, eu faço uma verificação. O que que aconteceu aqui nesse resultado que deu errado, né? né? Deu qual? O

1:22:06 resultado da TU foi esse. Vou devolver pra gente o que que aconteceu que deu errado. Antes de voltar para lá e e saber que deu errado, eu já posso fazer o Jev, classificar aquilo e trazer a a o a resposta, esse reasoning antecipado pro meu agente. Qual que é o pulo do gato que você tem que ter atenção aqui? Quando você faz isso, tem que entender se essa interação, se ela tá entrando no lugar aonde você tá alterando o histórico do seu agente. Quando você altera o histórico do seu agente, o histórico que é reenviado pro LM e que

1:22:37 não tinha sido feito. É, aliás, quando você altera o que é enviado para LLM, se você muda qualquer coisa para trás no histórico do que o LM sabia, ou seja, ele tá respondendo, você tá adicionando uma informação antes de voltar para lá, toma cuidado no seu workflow para não matar o cash, senão vai ficar mais caro ao invés de ficar mais barato, tá bom? Eh, outro caso de uso pra gente aqui, checar os argumentos antes de executar. Então, aqui usando a chamada do tipo nu, os argumentos batem com o pedido do usuário? Se não, nem faz a chamada, volta e já corrige a requisição. Outro

1:23:09 caso de uso, seleção de tools, trabalhar com score de relevância, que é o que eu falei para vocês lá no nosso gateway de actiones. Outro caso de uso, guard de ação irreversível. Cara, isso aqui que tá para acontecer agora nessa chamada aqui, vai fazer a transferência de dinheiro ou dado pessoal ou vai deletar alguma coisa? Pera aí, cara. Travou. Então ao invés de ter um guard rail só de LLM, que ainda assim pode alucinar, que pode ter prompt injection, ao invés de ter somente um guard rail eh cravado em código, eu posso ter o JV também atuando como guard rail, beleza? Como

1:23:40 uma camada de guard rail. Outro caso, compactação de contexto. Se o prompt tá chegando, ele não é relevante mais dentro do contexto que tem, cara, compacta o contexto, começa um novo contexto dentro daquele agente. Outro caso de uso, detector de loop. Se o o agente estiver trabalhando em loop por várias vezes, ou seja, deu algum bizilio no meio do caminho, ele entrou em loop. Se você tiver um fluxo aonde você tem vários agentes trabalhando e não tiver uma boa observabilidade, não tiver

1:24:10 trabalhado os volvos da maneira certa, você vai ter um problema aqui. Qual que é o problema que você vai ter? Problema é que um deles pode entrar em loop e você só vai descobrir isso na hora que a sua conta de ll chegar. Então aqui tem um caso de uso interessante para você trazer trazer o JEV como um detector de loop, mas um caso de uso triagem de entrada para entender qual que é a urgência, qual que é a fila, se ele tem que atravessar alguma coisa, se tem que buscar uma requisição pelo braço e falar: “Ô, pera aí”. Então você consegue fazer triagem e triagem de entrada também do que tá chegando. Às vezes eu quero fazer uma classificação, eu quero

1:24:40 ver se o que tá chegando eu vou chamar o Ll mais parrudo, um LLM com esforço mais baixo, mais alto e por aí vai. Outro envolve de trajetória em produção, que é exatamente isso que a gente vai falar na nossa aula de sábado agora, né? Para como é que a gente constrói um envolve de triagem em produção para um agente. Beleza, galera? Algumas regrinhas de bolso. Usem o system one, o Jev, quando a resposta é uma escolha, uma nota verdadeira ou falso, quando a decisão se repete muitas vezes, quando a latência seu custo por decisão importam. E quando

1:25:11 você quer confiança para decidir se age. Mantenha o Ll quando? Quando você precisar gerar texto ou código, quando o planejamento é aberto, sem lista de opções, e se exige raciocínio longo, com muitos passos, mantenha o código quando é determinístico, você precisa somar, filtrar, validar formato, quando é um retry, quando tem um backof ou time out e se a regra é clara e precisa ser auditável. A regra é clara, carnaldo, né? Bateu um tic teco aqui. Beleza, galera? Esses são os casos de de uso. Um

1:25:41 bom agente não é o que chega no resultado, é o que chega pelo caminho mais curto, barato, verificável e sabe quando ele não sabe. Perfeito, meus amigos, a aula de hoje é essa, tá entregue. Fica o convite para vocês entrarem no nosso grupo pra aula de sábado, que se você curtiu o conteúdo de hoje, isso aqui é só um cheirinho do que que a gente ensina dentro da Ecodas Academy. Curtiu o entregável? Achou massa? aprendeu comigo hoje, vem aprender mais comigo, pô. Entra paraa Ecoders Academy. Isso eh assim, ó. Tenho

1:26:13 certeza que você não vai encontrar aqui no Brasil hoje. Hoje é muito fácil. Hoje às 8:31 da noite você não vai encontrar ninguém te ensinando que eu tô te ensinando aqui agora. Fechou? [risadas] Bom demais. Aula 10. Vamos fazer um um um senso nosso aqui. Eu vou trazer o spoiler que eu ia trazer nessa aula de hoje, que é um negócio pra gente dar um relax agora, dar aquela relaxada. De 0 a 10 hoje. Qual a nota que essa live merece? Manda nos comentários se você tá vendo essa essa live gravada e manda no chat agora de 0 a 10 um NPS nosso aqui pra gente ver se a entrega de

1:26:44 conteúdo foi condizente com o que eu prometi durante a semana nos vídeos que eu gravei que eu ia entregar para vocês. 0 a 10. Qual a nota que essa nossa live merece hoje? Por gentileza, ajuda aí. Te entreguei conteúdo, agora devolve a nota pra gente. Bom demais. Beleza. Ô Daniel, você não vai não vai ganhar aumento só de mandar aqui no chat, não. Mas obrigado, tá? Tô brincando. Eh, mas maravilha, maravilha. Poxa, obrigado, galera. Obrigado pelo feedback aí. Tá, ó,

1:27:15 mostrar aqui. Quem contribui merece aparecer no chat, mesmo que a nota às vezes não seja boa, mas tá todo mundo curtindo a aula de hoje. Beleza. Olha aí. Bom demais. Essa é suspeita demais falada, né, Dan? Trabalha com a gente. A nossa dev mais fera que tem aqui na equipe. Maravilha, galera. Pronto. Show. Tomar. Vou dar um spoiler agora que é o seguinte: vira a página, dá um relax, senta na cadeira aí mais tranquilo que já rodamos aqui a live. Vou compartilhar minha tela

1:27:47 de novo com vocês. Essa semana a gente tava vendo lá no exesuinho, né, com com LLM. Eu falei: “Cara, sei não, viu, cara. Isso aí tá parecendo fake news. Os caras estão forçando a barra da gente aí para parecer que isso é tão fácil de fazer. Eu falei: “Cara, vamos tentar, né? Não queria gastar os tokens meio do op 5.5 com uma paradinha dessa, mas meu compromisso aqui é testar

1:28:17 as paradas e falar se é hype ou se não é.” E aí eu pedi para gerar um jogo do Minecraft ultra realista, tá? Aqui eu fiz até um um erro lá no meu no meu Twitter que eu falei que eu não usei o o 3DS, mas ele usou sim, tá? Ele usou só o 3DS, a única lip que ele tá utilizando. Olha, de Minecraft feito com o eh feito com o C. Vocês botam fé? Olha a qualidade

1:28:47 dessa água aqui, ó. Deixa eu mudar o horário do dia só para vocês entenderem aqui. Vamos lá. configurações. Ó, botar um um meio-dia aqui, ó. Ó, olha isso aqui, galera, ó. Caraca, velho. Eu juro para vocês, na hora que isso que ficou pronto, eu falei: “Não é possível, cara”. Procedural sendo gerado, um universo gigante, diferentes biomas e tem detalhes, tá? Vou abaixar aqui para

1:29:18 vocês verem aqui, ó. Ó, tem aqui a água. Ela se comporta como água de fato. Então, ó, cavei um buraco, não tem água. Vou abrir a água aqui agora. Vai descer. Essa é a água, pô. Ó, desceu, preencheu o espaço vazio. Os bichinhos tá aqui também. Água também, bichinho. Isso aqui, galera, foi gerado pelo OPO 5, tá? ou pro 5.5. Realmente, se você ver um joguinho na internet e a galera falar que foi gerado pelo 5.5, pode

1:29:48 botar fé, porque ele tá conseguindo fazer esse tipo de coisa. Sim. Aqui, ó, a textura tá das árvores. E se você olhar bem, a árvore ela solta folha também. [risadas] Tá caindo as folhas da árvore aqui. Agora, olha que da hora. Eu vou mudar o céu agora. Eu vou ativar o modo chuva no céu. Olha essa animação, galera. Bizarro, hein? Bizarro isso aqui, né? Olha a chuva, galera. Mas olha o chão também.

1:30:18 O chão tá molhado, velho. [risadas] Da hora para caramba isso aqui, cara. O chão tá molhado. Vou abrir o céu agora. Acabou a chuva. Limpou o céu, o chão secou. Cara, isso aqui tá sensacional, galera. Agora vamos anoitecer o dia para vocês verem o outro lado do rolê. Ó, ó, de noite, né? À noite. Olha os vagalumes.

1:30:49 Só que olha pro céu. Tem alguém que entende de astronomia aí? Porque assim, ó, tem algumas constelações que eu já verifiquei. Essa aqui, por exemplo, são as três Marias. Cara, as constelações são constelações de verdade. Vocês botam fé nisso? A gente vai ter ali pra frente, quer dizer, tem uma aqui que é o Cruzeiro do Sul. Ah, Cruzeiro do Sul tem a deum. Cara, as constelações são de verdade. Cruzeiro do Sul aqui, ó. Ou de Orumon. Essa eu sempre confundo as duas, cara. Sinistro. Vou acender uma luz aqui pra gente. Ó, a iluminação.

1:31:22 Olha que massa, cara. Agora, presta atenção numa coisa, tá? Eu vou recompartilhar a tela. Vai ficar um pouco alto aí para vocês, mas vai ser rapidinho. Só para vocês ouvirem os barulhos, tá? Ó. Compartilhar a tela com áudio aqui, ó. Olha aí, ó. Me digam se vocês estão ouvindo o barulho aí, tá? Vou mudar o dia, voltar para um horário do dia, colocar aqui 7 da manhã e vou dar um tibum aqui, ó.

1:32:01 Perceberam que quando a gente entra na água dá um silêncio, cara. Isso aqui tá animal, cara. Olha que da hora. Olhando para cima, olha o reflexo das coisas pela água que tá translúcida, cara. Cara, isso que foi sensacional, cara. De verdade, eu não botava fé que a gente ia chegar nesse nível de LLM tão cedo, cara, de conseguir gerar um jogo desse nível com essa atenção aos detalhes. Agora vamos voar aqui um pouco. Vou mostrar para vocês a bagunça que eu fiz ali mais cedo, que o mapa ficou salvo aqui. Acho que ali mesmo, porque essa

1:32:32 cachoeira foi eu que fiz. Tem certeza? Foi, foi eu que fiz essa cachoeira aqui, ó. Eh, aqui eu tinha plantado alguns objetos no mapa já. Esses objetos aqui, ó, são objetos do jogo, tá? Que gerou a fogueirinha, gerou a biblioteca, gerou os minérios aqui, gerou esse gelo. E aqui eu consigo colocar uma água aqui, né? Vamos pôr a água aqui, só para vocês verem, ó. Abrir o o nosso inventário, fechar o inventário, plantar uma água aqui, ó. E daí a água se comporta como água, tá vendo? Ela vai se distribuindo pelo

1:33:03 espaço que ela tá ocupando. Vou botar mais uma água aqui, ó. E aí ela vai escorrendo, cara, pelo mapa. Cara, isso aqui ficou de verdade. Eu sou suspeito para falar porque o que deu prompt, né? Mas não foi foui eu que fiz do zero, né, cara? Sensacional. E aí você vai observar que as formações rochosas também aqui, né? a montanha, os os próprios biomas, cara. Tudo isso aqui tá gerado de uma maneira sensacional, cara, e que de fato é um mundo bonito de olhar pro horizonte que foi gerado aqui,

1:33:33 ó. Olha o horizonte desse mapa, cara. Isso foi gerado de uma maneira bonita, cara. Ficou massa. Como é que o chat tá reagindo? Eu empolguei aqui, ó. Bravamente em Brasília. Exatamente, cara. Água mais bonita do que o do Volverin. Pô, isso é, Mas é verdade, cara. Opus. Tá absurdo. Caraca. Procedural. Exatamente. Tá sem áudio, né? Depois, eh, eu já subi esse repositório, vou mandar no chat aqui o link do repositório para vocês. Aqui, ó, browser game engine. E aí, tem alguém

1:34:05 aqui do chat que já jogou Age of Empires? Manda no chat se você já jogou Age of Empires, porque tem uma parada muito legal também que a gente fez, ó. Deixa eu só baixar aqui para mostrar as vaquinha. As vaquinhas ali, ó. Uma vaquinha. Opa, planta mágua aqui também, ó. Fazer uma piscina pr as vaquinhas aqui. Jogatina. Ó as vaquinhas que bonitinha que tá. Olha. Bonitinha, né, cara? Olha aí, velho.

1:34:36 Tudo isso, galera, todas as texturas foram geradas pelo OPPO 5. Beleza? Agora vamos só acelerar o tempo aqui do dia pra gente ver o o dia mudando, tá? Vamos subir mais alto e aí eu já vou mostrar para vocês a outra parada. Ó, o por do sol, vocês viram ali, né? Agora a lua, aí o sol vai nascer. Tem um bugzinho. Sorte que ele nasce no mesmo lugar que esse ponho aqui nesse jogo. É lá. Tá ali. O sol nasceu, ó.

1:35:07 Vai, vai, vai. Antes dele se pô, eu vou parar a velocidade aqui pra gente ver o porro do sol. Cara, olha que bonito isso, cara. Olha que bonita essa cena, cara. Você tá doido, cara. Eu pirei demais quando esse aqui ficou pronto. Vamos fechar o o tempo, ó. Fechei o tempo. Olha isso, meu. Bonito demais. Bonito demais. Beleza, galera. Esse joguinho mandei no chat aí para vocês. Qual que foi a ideia? Não tô compartilhando, né? Obrigado,

1:35:38 Dani. Emocionei. Eh, [risadas] tava só vendo se vocês estavam esperto, cara. Obrigado. É, é bom. Sabe o que que é bom disso aí? [risadas] É bom que o chat bomba, entendeu? O chat tava parado, tava meio morto e tal. Aí a galera vem, pô. Obrigado. Obrigado, Dani, por ter ligado. Então, vamos lá de novo, ó. Vou rodar aqui, ó. Ó, pô do sol tá acelerando. Tá de noite. Agora vai ficar de dia.

1:36:08 Ó, ficou de dia. Sol nasceu. Vamos fazer o sol agora, ó. Só se pô. Vai lá. Meio-dia. A sombra vai mudando também. Vocês vão vendo ali, ó. Pronto. do sol. Agora sim, hein? Agora vocês estão vendo junto comigo. Bonito demais isso aqui, velho. Ol aqui, cara. Olha essa cena, cara. De verdade, cara. De verdade mesmo, tem muito jogo que não tem uma cena tão bonita assim de pôr do sol, tá? Mas muito jogo mesmo. Ó, vamos fechar o tempo de novo.

1:36:39 Fechou o tempo. Abre o tempo. Olha isso, cara. Rodando no browser. E ali já vem a lua do lado de lá também. A lua tá quase um sol. Maravilha, né? Curtiram o joguinho? Manda aí no chat quem curtiu. Aí eu fiz uma pergunta, né? Quem aqui já jogou ofen pares? Quem já jogou pares, manda no chat um se você já jogou of pares, manda dois. Se você nunca jogou ofires na sua vida, manda pra gente aí. Porque é o seguinte,

1:37:13 eu sempre ficava indignado com a parada no Age of Empires, que era o fato de você ter uma floresta na sua frente e a sua tropa não conseguia enfiar no meio do mato, tinha que dar volta. A floresta era uma barreira geográfica, sendo que tava, cara, dava para ver ali, dá para passar no rolê. E eu falei: “Pô, por que que não arruma isso e tal? Seria legal a gente montar umas estratégias?” Eu falei: “Cara, será que o OPPO 5. E não gerar uma floresta não, gerar um Age of Empires?” Então, o que que rolou nesse repositório que eu mandei para vocês aqui no chat? Ele é um repositório

1:37:45 que você vai ter dentro dele eh a que eu usei para criar o jogo ultra realista do Minecraft e essa mesma engine eu usei para gerar esse jogo aqui, tá? Que é o jogo do Age of Empires. Então vai carregar no browser, beleza? No navegador o nosso Age of Empires tá aqui. Age of Empires, meus queridos. Olha o meu audião. Vou botar ele para construir a casinha. Beleza, vem ajudar ela aqui, moço. Vocês aqui também cola para cá. Tem mais um cara ali que eu sei que tá ali, ó.

1:38:16 Construindo a casinha. Dá uma olhada no look. Dá um look na construção, galera. Casinha pronta. Vamos construir agora um moinho, tá? Um moinho pra gente ver aqui, ó. E você vai colher aqui vocês dois, vai trabalhar, vai pegar a comida lá na ovelhinha. Olha o detalhe, galera. Opos. 5.5 com a engine de games para browser que a gente gerou usando o mesmo OPO 5. Junto com o 3JS rodando no

1:38:48 browser. Tá bom? Ó, moinho ficou pronto e tá girando. Agora eu vou pegar o meu cavalinho e vou explorar o mapa, tá? Olha, o mapa tá aqui, né? Vamos fazer a navegação aqui do bichinho, fazer ele explorar e ir lá no inimigo. Aí, provavelmente, o cavalinho vai morrer lá, o explorador vai morrer lá. Enquanto isso, eu vou gerar mais audiões, tá? Perceba que até o atalho funciona também. Tem quatro audiões sendo produzidos aqui. Eh, aqui se eu tiver

1:39:18 500 de comida, eu consigo fazer a evolução. E vocês vão perceber uma coisa, que tem um cara aqui, uma um bonequinho tá aqui, ó. Se eu der uma tarefa para ele, ele tem aquela mesma inteligência artificial que o F paris tinha de continuar fazendo o que ele tava fazendo e de quando acabar um ele ir pro do lado. Então ele sempre vai continuar trabalhando, apesar que isso tá bugado, né? Ele vai continuar tá trabalhando assim, continuar trabalhando na tarefa que foi endereçada para ele. Beleza? Posso também fazer o spaw diferente aqui pro joguinho. Vamos lá.

1:39:49 Ó, o nosso cavalinho tá quase chegando lá no nosso inimigo, ó. Aqui que tá a parada que eu falei para vocês da floresta, ó. Eu vou atravessar o meio do mato aqui, ó. Cavalinho atravessa, filho. Olha aqui, cara. E dá uma olhada nesse gráfico, na moral, cara. Olha aqui o cervo aqui, né? O cervo. Esse gráfico, cara, tá um nível de Age of Empires animal, cara, de verdade, sim. Tá muito massa. Aqui tá o nosso inimigo que já tem ali o cavalinho também. Vai vir atacar a gente. Tem os bonequinos dele trabalhando. Tem uma fazendinha sendo construída aqui, ó. Dá uma olhada na

1:40:20 fazendinha. Tem um moinho dele. Tem outra fazendinha aqui também. Cara, olha isso, cara. Tem aqui também, ó, a fazendinha dele. Cadê meu bonequinho? Ih, já morreu. Morreu. Acabou. Vamos voltar paraa nossa aqui. Eu tô perdendo para caramba. Ele já tá bem mais avançado do que eu, inclusive. Vou criar uma fazendinha aqui. Será que eu tenho? Ó, fazendinha. Beleza. Ã, e vocês devolve a comida ali para pra casa principal e continua trabalhando. Que que vocês acharam, galera?

1:40:52 Bravo demais, né? Quantas horas para gerar? O Minecraft foi mais ou menos uma hora em one shot. Esse aqui foi cinco prompt mais ou menos que eu gastei. Foi o dia inteiro, cara. Agora, quantos tokens que gastou? Você pode me perguntar. Mais ou menos para cada jogo, 10% do meu limite semanal. Para cada jogo, tá? 10% do meu limite semanal. De verdade, galera, o Astra talvez faria um resultado assim, mas ia gastar muito mais lá no no GPT. O Fable talvez o Fable não faria não,

1:41:23 que eu já testei. O Fable não faria isso, tá? O OPO 5. Fez e fez num ritmo rápido e que ficou relativamente barato, tá? Relativamente barato para acontecer. Eh, será que eu consigo fazer um dungeon rampage da Massa? Provavelmente sim, viu, cara? Provavelmente sim. Beleza. Ó, quem chegou agora, cara, volta na live no começo. O conteúdo hoje foi pesado, tá? Recomendo voltar no começo. Como fazer agora que não tem mais o próprio JV? volta lá no começo da live. A gente ensinou coisa para caramba hoje.

1:41:54 Bizarro, né, galera? Animal, né? Top, econômico para caramba. Galera, o objetivo dessa live não é mostrar aí of Empires, né? Mas eu tinha prometido que a gente ia ter um momento de descontração aqui no final. Tá aí entregue. Vamos botar os bonequinhos para apanhar madeira aqui. Vamos lá trabalhar apanhando madeira. Ó a frutinha aqui também, ó. Vai apanhar madeira lá na árvore só para mostrar essa última animaçãozinha. E cara, na verdade, eu acho que eu vou esperar o nosso oponente atacar a gente para vocês verem o ataque dele também. A

1:42:24 gente vai fazendo a resenha aqui. Manda no chat aí você que tá comigo. Olha aí, cara. Olha a animação do negócio. Animal, cara. Vamos caçar um cero ali, ó. Ah, tinha mais perto aqui, né? Vamos caçar o cervo ali, ó. Olha que massa, cara. Olha isso aqui, ó. E eu eu falo para vocês, galera, o nível que gerou esse 3D do servo. Cara, eu

1:42:57 acho que é bem provável que se eu gastar uma semana trabalhando que fique um negócio tipo muito melhor do que isso daqui, tá? Isso aqui foi um dia de trabalho, gerou um jogo desse nível aqui. Um dia de trabalho. Acho bem provável você gastar um tempinho bom trabalhando que a gente evolua para caramba. Tá open source de novo. Tá aqui, ó. Se você curtiu, esse aqui é o joguinho que eu gerei com OPPO 5. Tá, ô, ô, Luk, que é o Angis, só que gerado para rodar no browser, tá? Eh, tá aqui, ó. Quem quiser ajudar e contribuir, vai lá, abre

1:43:28 a PR lá, melhora. Eu não, ó, já vou adiantar, não é um repositório que eu vou manter, tá bom? Pega lá, se quiser contribuir, quiser fazer o seu fork, mas eu fiz ele para teste mesmo e curti para caramba. É o teste aqui do OPPO 5. Mas, cara, a qualidade que isso aqui ficou, vou te falar, viu? Surpreendeu demais, mas demais mesmo. Joguinho gerado rodando no browser, velho. Olha isso aqui, cara. Doideira, hein? E é Games Academy. [risadas] Exatamente, exatamente. Tá, vamos ver se

1:43:59 a gente consegue que o nosso inimigo consegue. Vamos ver. Eita, cara. Vamos ver se o nosso inimigo consegue nos atacar. Enquanto isso, eu vou melhorar aqui nossa performance aqui. Deixa eu fazer aqui, ó. Vamos pegar a comida ali. Vamos rodar aqui para construir uma fazendinha. Vamos ver se tem. Não dá para melhorar ainda aqui. A gente precisa de comida. Beleza, vamos aguardar. Cara, tá igualzinho o Age, cara. A a jogabilidade, os atalhos é igualzinho, cara. Igualzinho mesmo. Eu só não botei

1:44:29 ainda para rodar os cheats, né? A velocidade do jogo, ó, a hora do dia. Deixa eu acelerar aqui o jogo, deixar mais rápido aqui, ó, pra gente, pros inimigos chegarem mais rápido aqui, ó. Ó, construir a fazenda. Falta pouquinho pra gente fazer o avançar de era aqui, ó. Acho que na próxima vez que eles trouxerem a comida, a gente avança de era. Cara, de verdade, é a primeira vez que eu faço um joguinho que eu ficaria jogando um tempão aqui. Um joguinho

1:44:59 feito por Iá. Primeira vez eu ficaria jogando um tempão. Ó, vem cá. Todo mundo devolveu a comida ali já. Beleza. Ó. Ah, falta um de comida só. V. Que é isso? V. É você que vai ter esse um de comida. Pronto. Vamos avançar de era. Avançando pra era da idade feudal. A gente tá saindo da idade das trevas, indo pra idade feudal agora.

1:45:31 Muito maneiro, né, pô? Massa para caramba, cara. curtir mesmo. Vin, entusiasta de ar recentemente, tô rodando um projetinho, aprendendo muito com isso e aprendi essa semana a usar os multiagentes no maestre. O que recomendaria buscar aprender para melhorar? Cara, o maestre eu não usei ele, tá? Mas para aprender a usar multiagentes, vale a pena você entender mais sobre qual caso de uso para cada LLM, tá? Tipo assim, quando usar um um Luna, quando usar um Fable, porque isso vai te ajudar

1:46:01 a economizar um pouco mais, é que você tá trabalhando com multiagentes. Eh, olha só como o Minecraft também tá nesse rep, tá assim, Fabrício, tá no mesmo repositório. Beleza? Olha aqui, ó. Evoluímos de era. As construções também foram modificadas, tá? Tá aqui. E vamos ver agora se a gente consegue criar um negocinho novo aqui, ó. Caramba, os bichinho parou de trabalhar na hora errada. Vamos apanhar mais madeira. Esperando aqui nossos inimigos atacarem, né?

1:46:33 P a madeira do lado da casa ali é melhor, né? Construir um centro de cidade. Tem, hein? Não, não tem. Não tem que construir um quartel. Maravilha. Universidade, mercado, ferraria. Cadê o quartel aqui para construir? Tinha um quartel aqui. Acho que tirou fora. Tá faltando, talvez. Construções

1:47:05 militares. Tá aqui, ó. Ah, pô. Vamos ver. Vamos construir uma um forte aqui, ó. Uma muralha de pedra. Caraca, tá funcionando bonitinho. Não tinha testado aqui ainda, não. Olha isso, galera. Velho, a animação de construção disso tá melhor do que a animação de construção do Age of Empares, cara. Olha que da hora, velho.

1:47:35 Vou botar ele para construir mais. A gente tem crédito. Nem era para construir isso, não era para construir centro de cidade, né? Mas tá bom. Olha aí, ó. Cai por conta do Jeff. Tô vendo muita gente falando sobre. Então, ô Gabriel, puxa a live do começo, cara. Ah, falando do maestre, né? Sim, sim. Tem muita gente falando do maestre, sim. Eh, beleza,

1:48:07 cara. Pois é, cara. Tem coisa para caramba sendo feita. E olha que da hora. Ficou de noite aqui agora, né? O age ele não fica de noite, né? Olha que massa isso aqui, galera. Os foguinhos da cidade aceso. Uma luzinha acesa em cada cantinho, cara. Massa para caramba, velho. De verdade, só surpreendeu isso aqui, ó. Vou construir aqui lá na nas construções civis uma serraria pra gente pegar a madeira mais rápido aqui, ó. Con ser mais escondido para não ser atacado.

1:48:37 Beleza. Cadê o bichinho que tava construindo? Selecionei é. Ah, já construiu a Tá aqui, ó. Tá escondido aqui, ó. Vamos. Acabou as pedras também. Deixa construir tudo ali. Já construiu a serraria. Pode caçar madeira. Machado duplo. Vamos avançar aqui. Tecnologia pesquisando. E eu vou falar para vocês, tá? Foi mais barato eu criar o meu Age of Empires do que eu comprar. Já tem todos, tá? Sou fãzão. Alô Microsoft. Eu grado para

1:49:08 caramba de A of Empires, mas dessa vez foi mais barato eu criar um Age of Empires que tá bonito para caramba do que comprar um Age of Empires. Loucura, né? Quando é que vai ser assim com GTA? Será que no próximo OPO 6 a gente já consegue gerar um GTA e fica mais barato do que comprar um GTA 6? Aí é doideira, hein? Tudo em 3DS. Tá lá no código, cara. Usamos 3DS aqui para fazer, tá escrito aqui, ó. Ah, como camada fina sobre o webG2 com buffers, texturas e programas implementa por cima de um pipeline def de HDR próprio, tá? Aí tem

1:49:41 a descrição de como é que você roda cada um desses jogos aqui, ó. Estamos sendo atacado, ó. Começou. É um pau nesse cara, filho. Ih, não dá. Então vamos embora, né? Tá vazado aqui. Vixe. Aí ferrou. Aí, ó. Toma, toma. Matamos fil da égua. Ó lá. Nem sei se pode falar esses negócios na live, né, velho? Tentar da lei fel agora aí. Deixa quieto. [risadas] Eh, enfim, Tumar. Ó, agora sim veio a

1:50:13 leva de ataque. Era só isso que a gente tá esperando. Olha os bichinhos, galera, atacando a gente, dando um na gente aqui, ó. Olha isso, velho. Doideira, né? OPPO 5.5, meus queridos, senhoras e senhores, OPPO 5. Gerou esse joguinho dessa qualidade. Curtiram o joguinho? Deu para dar uma descontraída? Manda pra gente aqui no chat. Valeu

1:50:45 demais, viu? Acho que a live de hoje foi Acho que deu para entregar conteúdo para caramba. A galera curtiu, então tô realizado que vocês estiveram aqui com a gente até agora. Descontração feita. Fica o convite de novo. Reforço o convite para vocês que curtiram o conteúdo do JEV, que entenderam o que a gente ensinou de agentes agora. Se você chegou agora agora na live, volta no começo que foi uma baita live hoje, inclusive vai ter uma uma aula agora no sábado. Vou reforçar o convite para você entrar no nosso grupo, tá? tá na descrição aqui desse vídeo para você

1:51:16 entrar no nosso grupo do WhatsApp se você quiser participar da nossa aula agora no sábado sobre EVOLs e aprender como é que você controla o workflow do seu agente e como é que você melhora. Isso é o jeito certo de você criar agentes. Se você não entende o que o seu agente tá fazendo no meio do caminho, você não está desenvolvendo a gente. Você tá desenvolvendo uma bucha. [risadas] Beleza, galera? Valeu demais, viu? Eh, quem chegou atrasado vai ficar gravado. Já pode começar até a rever agora, inclusive. E estamos junto demais. Obrigadão pela presença de todos vocês aqui até agora em quase 2 horas de

1:51:46 live. Maravilha. Nos vemos no sábado em 10 horas da manhã. Valeu demais. Ciao. Ciao.