Breve Resumo
Este vídeo explora um estudo de caso detalhado sobre como usar o OpenCall, um assistente virtual baseado em IA, para aumentar a produtividade e eficiência em negócios com equipes pequenas ou empreendedores individuais. O vídeo analisa um artigo de Banu, um "indie hacker", que implementou um sistema de "Mission Control" com 11 agentes de IA trabalhando simultaneamente.
- Criação de um sistema multiagente com personalidades e habilidades distintas.
- Implementação de um "Mission Control" para coordenar e monitorar as tarefas dos agentes.
- Utilização de memória persistente e "Heartbeat System" para otimizar o desempenho e reduzir custos.
Introdução ao OpenCall e Caso de Uso
O vídeo começa apresentando o OpenCall como uma ferramenta valiosa para empreendedores e equipes enxutas, destacando um caso de uso específico encontrado na internet. O autor, Bruno Okamoto, explica que analisará um artigo de Banu, um empreendedor que vendeu sua ferramenta Feather.io por $250.000 e agora trabalha no SiteGPT, um chatbot para websites. O artigo de Banu, que teve 2 milhões de visualizações, detalha como ele usa o OpenCall para otimizar seu negócio. Bruno compartilha sua experiência pessoal com o OpenCall, mencionando como ele o utiliza para diversas tarefas, incluindo pesquisa de conteúdo, gerenciamento de compromissos e automação de tarefas no WhatsApp.
Contexto do Artigo de Banu e o "Mission Control"
Bruno introduz Banu, um "indie hacker" que criou o SiteGPT, um chatbot de IA para websites. Banu compartilha publicamente a construção de suas ferramentas e recentemente publicou um artigo que ganhou grande atenção. O artigo descreve como Banu criou um "Mission Control" para gerenciar 11 agentes de IA simultaneamente. Este sistema consiste em um agente líder que controla 10 subagentes com diferentes especialidades, como desenvolvedor, atendimento ao cliente, redator de conteúdo, analista de SEO, entre outros. O "Mission Control" permite monitorar as tarefas em tempo real, facilitando a comunicação e o acompanhamento do progresso.
Problema Resolvido e a Arquitetura do Cloud Bot
Banu criou o "Mission Control" porque as ferramentas de IA que ele usava não tinham continuidade nas conversas, perdendo o contexto anterior. Ele queria agentes que se lembrassem do trabalho em andamento, com habilidades variadas e um espaço de trabalho compartilhado. O ponto de partida foi o Cloud Bot (OpenCall), que ele conectou a várias ferramentas e modelos de IA, como o Cloud Opus. Bruno explica que o Cloud Opus é excelente, mas consome muitos tokens, e sugere usar diferentes AIs para diferentes tarefas para otimizar o consumo de tokens.
Fundamentos do Cloud Bot e Sessões
Para construir um sistema multiagente, é crucial entender como o Cloud Bot funciona. Ele se conecta a modelos de IA, mantém a persistência das sessões com histórico de conversas, possui rotas de mensagens para Telegram, Slack, etc., e roda como um serviço de background. O Gateway controla as sessões ativas e executa Chrome Jobs (tarefas agendadas) e Heartbits (tarefas baseadas em condições). As sessões são o conceito chave, persistindo a conversa com contexto. Cada sessão tem uma chave única e armazena o histórico como um JSON. As sessões são independentes, cada uma com seu próprio histórico e memória.
Funcionamento das Sessões e Workspace
Quando um usuário envia uma mensagem, o Gateway a direciona para a sessão correta, que carrega o histórico e gera uma resposta com contexto completo. O histórico é atualizado e salvo. As sessões podem ser longas e interativas ou isoladas, como Chrome Jobs. O Gateway cria ou acorda essas sessões, enviando mensagens para a IA, que responde usando ferramentas e mensagens. Cada instância do Cloud Bot tem um workspace, um diretório no disco onde a configuração, a memória e os scripts são armazenados. A IA pode ler e escrever arquivos nesse workspace.
De um Cloud Bot para 10 Agentes
Cada sessão do Cloud Bot é independente e pode ter sua própria personalidade (Sou), memória e ferramentas de acesso. Cada agente é uma sessão com configuração especializada. Jarvis, o assistente principal, é uma sessão com a chave "agent main main" e controla os outros agentes. Shuri é outra sessão com a chave "agent analyst main", com seu próprio arquivo Sou e ferramentas. Cada agente tem sua sessão única e acorda em sua própria agenda, com seu próprio contexto.
Comunicação entre Agentes e o Cérebro Compartilhado
Os agentes podem se comunicar diretamente ou através de um banco de dados compartilhado, o "Mission Control". Banu usa a segunda opção para criar um histórico de todas as comunicações. O "Mission Control" é uma infraestrutura compartilhada que coordena os agentes, dividindo tarefas, permitindo comentários em threads, notificações e armazenamento de documentos. Ele usa o Convex como database devido ao seu tempo real, natureza serverless e compatibilidade com Typescript.
Estrutura do Convex e o Front-End
O Convex utiliza seis tabelas principais para o funcionamento do sistema: agents, tasks, messages, activities, documents e notifications. Os agentes interagem com o Convex CLI através de comandos específicos. O front-end exibe os dados, mostrando um feed de atividades em tempo real, um controle de tarefas no formato Kanban e cards dos agentes com seus status. A estética do painel é intencionalmente agradável para facilitar o uso prolongado.
A Alma dos Agentes (Sou) e o Arquivo agents.md
Cada agente tem um "Sou", que define sua personalidade e especialidades. Agentes especializados são mais eficazes do que agentes genéricos. O Lock é opinativo sobre palavras, o Fury oferece recibos para tudo, o Sherry traz assunções e o Quill pensa em gatilhos de engajamento. O arquivo agents.md define como os agentes operam, onde os arquivos estão guardados, como a memória funciona, quais ferramentas estão disponíveis e como usar o "Mission Control".
Memória e Persistência
As sessões começam vazias por padrão, mas isso pode levar os agentes a esquecerem o que estão fazendo. Para resolver isso, Banu criou um "memory stack", onde o Cloud Bot guarda as conversas em um JSON e os agentes podem pesquisar nas conversas passadas. Ele também usa um "working memory" para as tarefas em andamento, atualizado constantemente. Bruno compartilha como ele criou uma memória por dia em seu OpenCall, salvando as sessões anteriores para referência futura.
Heartbeat System e Notificações
Agentes sempre ligados consomem muitos créditos da API, enquanto agentes sempre desligados não respondem ao trabalho. A solução é o "Heartbeat System", onde cada agente acorda a cada 15 minutos via Chrome Jobs, checa menções e tarefas assignadas, escaneia atividades e volta a dormir. Durante o heartbeat, o agente carrega o contexto, checa itens urgentes, escaneia atividades e toma uma ação ou desliga. O arquivo Heartbeat define o que os agentes devem checar.
Sistema de Notificação e Daily Standup
Para notificações, o sistema usa menções (@Vision) e inscrições em threads. Quando um agente interage com uma tarefa, ele se inscreve e recebe notificações de todos os comentários. Todos os dias às 11:30, um Chrome Job roda e checa as sessões dos agentes, compilando um sumário e enviando para o Telegram de Banu, com tarefas completas, em progresso, bloqueadas e decisões chave.
O Squad e o Funcionamento das Tarefas
O squad de Banu inclui Jarvis (coordenador), Shuri (testador cético), Fury (customer researcher), SEO analyst, Lock (content writer), social media manager, Vanda (designer), Pepper (e-mail marketing), Friday (developer) e Wong (organizador de documentos). As tarefas passam por um fluxo de new, assigned, in progress, review, done e blocked. Um exemplo concreto é a criação de uma página de comparação de competidores, onde cada agente contribui com sua especialidade.
Entregas e Lições Aprendidas
O sistema permite fazer análise de competidores, criar sequências de e-mail, conteúdo para social media, posts de blog e estudos de caso. Os agentes fazem o trabalho chato de pesquisa e drafts. As lições aprendidas incluem começar com poucos agentes, usar modelos baratos para tarefas rotineiras, priorizar a memória e deixar os agentes surpreenderem. Para replicar o sistema, é preciso instalar o Cloudbot, criar os agentes, definir os Heartbeats e criar um sistema compartilhado de tarefas.
Considerações Finais e Reflexões
O segredo real não é a tecnologia, mas tratar os agentes como membros do time, dando papéis, memórias e responsabilidades. Um time de agentes de IA com responsabilidades claras trabalhando em um contexto compartilhado é uma força que se multiplica. Bruno reflete sobre o custo de manter esse sistema, estimando entre $700 a $800 por mês, e questiona se vale a pena ter 10 agentes rodando um negócio enxuto. Ele conclui que sim, vale a pena.
