estão te ensinando o segundo cérebro

errado e eu posso te provar. Não é bem

errado, mas vamos dizer assim, não é a

melhor maneira de você criar um segundo

cérebro. O conceito secondo

Thiago Forte, Building a Second Brain,

que é a ideia de você criar notas e

arquivos para que você tire a informação

que tá na sua cabeça e armazene em outro

lugar que fique mais fácil de ser

consultado. E é genial a ideia. O

problema é que quando a gente pensa num

conceito de segundo cérebro, eu

esperaria algo que eu conseguisse

consumir sem precisar de gastar muita

energia para duas coisas. Primeiro,

manutenção e segundo, leitura. Porque

basicamente se eu tenho uma estrutura de

vários arquivos estáticos fora do meu

cérebro, isso talvez não é tão otimizado

quanto é o meu cérebro para buscar

informação. E aí a gente começou a

pensar em outros caminhos e hoje eu

quero te mostrar ferramentas que podem

funcionar como um conceito de segundo

cérebro, mas bem mais interessantes do

que simplesmente empilhar arquivos

markdown estáticos. Bora nessa. Por que

que o segundo cérebro é importante?

Porque você consegue delegar pro seu

agente tarefas e ele vai ter sempre um

contexto, uma base de conhecimento

externa ao agente. Hoje o seu agente já

tem a memória dele, o cloud, o Codex, o

Hermes também pode ter essa memória, e o

OpenCla também. O problema é que quando

você olha para um agente, você tem que

entender ele como uma interface, não

como um produto. Se você tá vendo ele

como um produto, você vai entuxar tudo

ali dentro. Qual que é o problema? No

momento que você precisar de trocar de

agente, você tem que trazer tudo isso de

volta para um outro lugar. E aí você

acaba criando um loquin muito grande e

eventualmente você desanima até mesmo de

olhar para outras opções. Então primeiro

passo para você não ficar travado numa

única ferramenta é crie a camada de

memória e contexto externa a essa

ferramenta. Entendendo que o seu seconde

pode ir muito além do que simplesmente

salvar arquivos markdown, a gente já

elimina aqui a hipótese de usar o

obsidian ou git para fazer isso. Tem

coisa melhor. O mínimo que uma estrutura

de memória pro seu agente hoje precisa

ter para você ficar satisfeito é as

seguintes funcionalidades. A primeira

delas, eu acho que uma das mais

importantes, é a capacidade de sonhar.

Dreaming. O que que o Dreaming faz? Ele

vai pegar uma sequência de fatos e

acontecimentos que foram registrados em

memória e a partir desses fatos e

acontecimentos vai gerar novos fatos e

acontecimentos. Como assim, Vinícius?

Imagina que eu tenho uma empresa de 200

funcionários e tem dois times que não

ten uma interface direta, mas ambos os

times estão trabalhando nas mesmas

coisas. Se eu tenho uma camada de

memória compartilhada entre todos esses

times da empresa e que eventualmente vai

registrar as memórias das decisões de

ambos os times, eu consigo que ao final

do dia uma estrutura, um agente de a

leia todos os acontecimentos e me traga

alguns insightes. E um desses insightes

pode ser: Ó, tem dois times trabalhando

na mesma coisa. Fulano e fulano precisam

conversar que vocês vão conseguir

economizar bastante tempo e energia.

Então, a capacidade de dreaming, ela tem

justamente esse peso de ter um olhar

externo observando tudo que tá

acontecendo internamente dentro de um

fluxo, dentro de uma empresa, dentro de

um workflow de trabalho. E a partir

disso trazer para você insites

importantes, trazendo para um conceito

pessoal, pode ser na sua própria vida.

digamos que você tá aprendendo inglês

usando um agente de inteligência

artificial e em determinado momento você

começou a a viajar e não tá conseguindo

avançar tanto. Pode ser que essa camada

de dreaming ela perceba um padrão nas

suas falhas de aprendizado de inglês e

ela traga para você insites

interessantes de outros caminhos que

você poderia explorar. Então, a primeira

função que você tem que olhar dentro de

uma ferramenta é essa, a capacidade de

dreaming. A segunda função é a

capacidade de juntar memórias dentro de

um mesmo tema. Imagina que eu tenho o

tema aprender a andar de bicicleta. Eu

posso não saber andar de bicicleta hoje,

mas não significa que daqui 10 anos eu

não saiba. Então, em algum momento da

minha trajetória, eu vou aprender a

andar de bicicleta. Isso faz parte de

uma mesma linha do tempo, a linha do

tempo que eu não sabia e a linha do

tempo que eu sei. Ao invés de eu criar

simplesmente memórias novas, eu vou

versionar uma memória, um tema e esse

mesmo tema vai ter decisões diferentes

que aconteceram ali. Isso resolve o

problema que você talvez tá tendo hoje

no GitHub ou no Obsidian, que é

justamente fazer a gestão de memórias

novas, porque você não esquece, você não

sobrescreve o que já existiu antes, você

tem uma capacidade mais fácil, um

mecanismo, uma arquitetura mais fácil de

encontrar essas informações e você

depende menos de ficar olhando tudo que

o seu agente tá fazendo. Então, essas

são as duas principais funcionalidades.

Além disso, é importante observar se

essas ferramentas te oferecem, por

exemplo, um caminho de fazer uma busca

de dados vetorial com o hag e que esse

hag traga um metadado específico para um

arquivo. Então, ao invés de ler todos os

arquivos e gastar um monte de token para

trazer todos os arquivos, você faz uma

busca vetorial que traz um metadado

específico, aí sim apontando para aquele

arquivo completo dentro da sua base de

conhecimento. Tendo isso em mente, vamos

explorar aqui então essas ferramentas,

começando pelo Super Memory. O Super

Memory já traz a capacidade de dreaming.

Ele trabalha com a estrutura de grafos

por memória. Então você vai ter uma

conexão de pessoas, documentos,

projetos, fatos e acontecimentos. Ele

também trabalha com atualização com

histórico, que vem dessa mesma ideia de

identificar informações que substituem

ou complementam registros anteriores.

Vai facilitar para você gerenciar essas

memórias. Ele traz contexto temporal e

também esquecimento. Ele trata

informações inspiradas e permite excluir

memórias de recuperação. Ele também

trabalha com perfis persistentes, reúne

preferências e informações relevantes de

usuários ou projetos. Ele trabalha com

busca híbrida. Ele combina na busca dele

tanto a busca semântica com filtros,

relações do grafo e reordenação dos

resultados. E claro, ele vai trabalhar

também com conteúdo multimodal e

conectores, documentos, imagens, áudio,

vídeo e fontes, como por exemplo Google

Drive, Notion, GitHub. Ele tem a

disponibilidade hoje de você conectar

via API, via STK, MCP, entre outros

plugins no seu agente. Um outro player

interessante é o Mem Zero. Já falei dele

aqui em outros vídeos, inclusive. O Mem

Zero trabalha com extração automática de

fatos e preferências de cada interação.

Então ele vai trabalhar naquela

estrutura também de dreaming. Ele

trabalha com memória persistente entre

sessões. Então eu troco um agente para

uma outra sessão. Ele consegue manter

aquela memória persistente, semelhante

que o Super Memory também consegue

fazer. Ele trabalha com separação por

usuário, agente e sessão. Então, para

trazer isso dentro de uma empresa é

muito interessante porque você pode ter

memórias por pessoas que estão usando o

sistema, quanto também pelo agente. Ele

faz a busca semântica também híbrida,

como o Super Memory faz. Então, conforme

a versão e configuração que você tiver

utilizando, ele vai buscar várias

informações de várias fontes de dados.

Ele trabalha com identificação e conexão

de entidades para melhorar justamente na

recuperação de dados. Ele trabalha com a

recuperação temporal, considera datas

para distinguir acontecimentos passados,

estado atual e também planos futuros.

Trabalha com operações de de

gerenciamento, adicionar, consultar e

excluir memórias, API, SDC e ferramenta

de linha de comando, que é a maneira que

você consegue se conectar com ele. Isso

é a gente conectar com ele também via

MCP. Tem uma biblioteca aberta e um

servidor próprio e plataforma

gerenciada. Então, se você quiser pagar

para usar a plataforma deles ao invés de

hospedar por conta própria, tem essa

possibilidade. Outra opção interessante

é o Honcho. O Hon trabalha com

armazenamento de conversas, com eventos,

documentos e registros de ferramentas.

Ele trabalha com raciocínio em segundo

plano que vai extrair observações e

conclusões das interações, que é bem

parecido com aquela ideia de dreaming

que a gente falou, com um diferencial

interessante do Roncho, que ele vai

trabalhar por nível de esforço. Então

você vai ter um esforço mínimo de busca,

o esforço médio, o esforço maior e cada

um desses esforços vai consumir mais ou

menos tokens, mais ou menos custo de

API, porque junto com Honcho, ele também

usa uma estrutura de LLM para trabalhar

nessas buscas. Ele trabalha também com

representações persistentes de pessoas.

agentes, grupos e projetos, perspectivas

entre participantes, ou seja, ele modela

o que um participante sabe sobre o outro

quando configurado nesse caso. Consultas

em linguagem natural sobre participantes

ou todo o ambiente de trabalho. Aí a

gente tá falando da busca semântica

também. Busca híbrida com

palavras-chaves e vetores. Resumos e

contextos de sessão preparados para

enviar pro modelo. Organização por

ambientes, sessões, escopos de

recuperação. Aí também vem com API, STK,

MCP e integrações paraos seus agentes.

Uma outra opção, a gente tem aqui a

ferramenta da AI Coders Academy, que a

gente desenvolveu para de uma maneira

didática você conseguir aprender com a

inteligência artificial. maior

diferencial dela para todas do mercado

até agora é que não existe uma

ferramenta no mercado feita para te

ajudar a aprender usando inteligência

artificial. Vou te dar um exemplo.

Provavelmente você já tentou aprender um

idioma usando chat EPT. E aí você vai na

primeira aula com chat EPT, acha demais,

mas você não dá segmento naquilo. Você

não continua evoluindo seu aprendizado.

Isso por aquele aprendizado não tá

relacionado às coisas sobre você. Talvez

você tá aprendendo sobre agentes de A.

Seria sensacional ter uma aula de inglês

sobre a gente, mas seguindo uma ementa.

Então existe um caminho que a gente

desenvolveu justamente para você

conseguir desembolar e aprender mais

sobre inteligência artificial usando

essa estrutura de secondu. Ela também

trabalha com dreaming, ela trabalha com

busca semântica, com busca vetorial,

tudo de uma maneira otimizada para você

plugar em qualquer agente de ar que você

tiver, qualquer um via MCP, e você ter

essa estrutura trabalhando com projetos,

com tarefas, com lembretes, com pessoas

e por aí vai. Essa é a ferramenta,

inclusive que a gente usa em produção

aqui nos nossos agentes. Se você quiser

aprender um pouco mais sobre isso, como

é que a gente tá construindo o nosso

second, tem uma aula gratuita aqui na

descrição, é só clicar que você vai

curtir para caramba essa aula. E ó, a

gente falou nesse vídeo sobre várias

ferramentas. Eu sei que você deve estar

pensando agora qual ferramenta usar. A

minha dica para você é: use aquela que

encaixar melhor dentro do seu workflow

de agentes. Se hoje você tá usando o

workflow de agentes em nuvem, busque a

solução que vai te entregar uma uma

integração em nuvem mais fácil. Se você

tá trabalhando mais local, busque a

solução que vai entregar uma solução

local mais fácil. A percepção de uso que

você tem que ter é a seguinte: você tá

gastando mais energia hoje, gerenciando

o seu secondas

que ele precisa fazer. Se você tá

gastando mais tempo gerenciando do que

usando, provavelmente tá errado. Dá uma

revisada em como é que você construi

essa base. Esse é o nosso vídeo sobre

second. Espero que eu tenha contribuído

com o seu aprendizado. Se você curtiu

esse vídeo, deixa seu like, se inscreve

no canal, compartilha lá no grupo dos

seus amigos e da empresa. No mais, tamo

junto. Eu sou Vini. Esse aqui é o canal

da Eoders Academy.