Tenho buscado maneiras de aproximar meus agentes de inteligência artificial das ferramentas que já fazem parte da minha rotina. O WhatsApp é um canal importante para isso, então comecei a usar o OpenWA para conectar minhas conversas a um fluxo de trabalho com agentes.

Instalei o OpenWA em um container Podman rootless. Ele roda no contexto do meu usuário, sem executar o container como root, e está integrado ao systemd --user por meio do Quadlet. Assim, o serviço fica organizado junto aos outros processos que mantenho no Linux.

Criar um aplicativo de software sempre exigiu muito tempo e uma equipe com conhecimentos variados. Hoje, com o avanço das ferramentas de inteligência artificial, ficou bem mais fácil transformar uma ideia em uma primeira versão funcional. Isso não elimina o trabalho de engenharia, mas reduz o custo para começar, experimentar e iterar.

Os apps da ArtCraft são um exemplo ambicioso dessa mudança. A equipe está desenvolvendo uma coleção de sete aplicativos criativos, com código aberto, escritos em Rust e pensados para edição de imagens, ilustração vetorial, vídeo, fotografia, documentos PDF, efeitos visuais e diagramação.

A OpenAI apresentou o GPT-6 Astra, descrito como seu novo modelo de fronteira. Como costumo acompanhar a evolução dos modelos e testar até onde eles conseguem levar tarefas práticas, resolvi experimentar o Astra em uma atividade simples: pedi que ele criasse uma apresentação.

O objetivo não era montar um benchmark formal. Queria observar o resultado de uma tarefa que aparece com frequência no trabalho com ferramentas de inteligência artificial e comparar a qualidade percebida com o custo de uso na minha conta.

Uso o F-Droid há tempos para encontrar aplicativos Android que respeitam mais a liberdade do usuário e não dependem necessariamente das lojas tradicionais. Hoje, enquanto procurava uma solução para digitalizar documentos, encontrei o FairScan e resolvi testar.

Eu estava procurando justamente algo simples e rápido para usar pelo smartphone. Durante bastante tempo usei o Microsoft Lens para essa tarefa, mas o aplicativo foi descontinuado. Desde então, eu ainda não tinha encontrado uma alternativa que entregasse o básico sem excesso de recursos, propagandas ou distrações.

Sempre gostei de utilizar Linux. No meu dia a dia, abrir um terminal e administrar servidores por SSH é algo natural. Conheço o fluxo, sei como investigar processos, consultar logs, acompanhar serviços e executar uma correção sem precisar abrir uma interface gráfica.

Com Windows Server, a experiência era diferente. Quando precisava administrar um servidor Windows, eu quase sempre sentia que estava começando de trás. O PowerShell nunca foi a minha ferramenta preferida e, principalmente, eu não tinha um caminho tão direto para acessar o servidor a partir do meu terminal Linux.

Depois de olhar alguns posts do Akita, encontrei um texto sobre um projeto novo dele chamado ai-memory. A premissa me pareceu interessante logo de início: guardar o conhecimento produzido durante as sessões de um agente para que ele possa ser utilizado mais tarde.

Quem usa agentes de programação ou de automação provavelmente já percebeu o problema. A sessão começa, o agente passa um tempo entendendo o projeto, nós explicamos as decisões já tomadas e, depois de algum trabalho, ele finalmente consegue executar a tarefa. Quando a sessão termina, porém, boa parte desse contexto fica para trás. Na próxima conversa, é necessário começar quase tudo novamente.

Durante muito tempo, utilizei o tmux para organizar meus terminais. Ele resolvia muito bem o problema de manter sessões abertas, dividir a tela e voltar ao trabalho sem perder o que estava executando. Ainda é uma ferramenta importante e continuo usando-a quando estou conectado a servidores ou preciso de um multiplexador tradicional.

Mas meu fluxo mudou depois que comecei a utilizar inteligência artificial por meio de agentes. Com o OpenCode, passei a abrir vários terminais, cada um com um agente realizando uma atividade diferente. Um agente podia analisar um projeto, outro investigar um problema de infraestrutura e um terceiro preparar uma alteração em outra base de código.

Depois que comecei a utilizar inteligência artificial com agentes, passei a pesquisar maneiras de dar mais contexto às ferramentas e obter resultados melhores. Foi nesse processo que encontrei o OpenCode. A partir daí, comecei a conseguir resultados realmente surpreendentes em tarefas que antes exigiam muito tempo apenas para entender por onde começar.

O que me chamou a atenção foi que o OpenCode não funciona apenas como uma conversa com um modelo. Ele atua como um agente dentro do terminal, capaz de ler o projeto, consultar arquivos, executar comandos, analisar o ambiente e fazer alterações. O modelo continua sendo importante, mas o agente também sabe usar as ferramentas disponíveis para transformar a conversa em trabalho realizado.

Durante muito tempo, eu acompanhei o avanço da inteligência artificial, mas ainda não tinha conseguido encontrar uma vantagem clara de usar IA no meu trabalho. Eu testava algumas possibilidades, lia sobre as novidades, mas não sentia que a ferramenta faria uma diferença real na minha rotina.

Essa situação mudou quando ganhei acesso ao plano Go do ChatGPT por ser cliente do Nubank Ultravioleta. Foi a primeira vez que tive acesso a um plano pago com os modelos mais atualizados do GPT. O benefício acabou sendo também uma oportunidade para experimentar o ChatGPT com mais frequência e entender onde ele poderia realmente me ajudar.

Mesmo usando o VS Code e outras soluções modernas, continuo gostando de ter ferramentas que funcionam diretamente no terminal. Elas são úteis na minha máquina, mas também fazem diferença quando estou conectado remotamente a um servidor, onde nem sempre existe um ambiente gráfico disponível.

Foi nesse contexto que conheci o Fresh, um editor de texto e IDE para o terminal. A proposta me chamou atenção porque ele tenta reunir a agilidade esperada de uma ferramenta de terminal com recursos que normalmente associamos a editores gráficos.