A Thaís é treinadora de tênis e tem anos de conhecimento espalhados em vídeos, cursos e posts. O problema de quem vive de conteúdo não é saber o que dizer. É transformar o que já sabe em algo novo toda semana, sem perder a própria voz.
Ferramentas genéricas de IA escrevem rápido, mas escrevem como qualquer um. Peça um roteiro sobre backhand e você recebe um texto correto, genérico e sem alma, que poderia ter saído de qualquer blog. Eu queria o contrário: uma IA que soubesse só o que ela sabe, e que falasse com o público dela como ela fala.
Por que “Alambique”
No alambique, a matéria-prima entra bruta e sai transformada em essência. Não se inventa nada no caminho: o que sai é o que já estava lá dentro, só que concentrado.
Foi essa a ideia do projeto. A matéria-prima são os vídeos, os cursos e os posts que a Thaís já produziu. O alambique é o conjunto de pipeline, base de conhecimento e agentes que processa esse material. E o que sai são conteúdos novos, com o conhecimento dela, na voz dela, pensados para quem vai ler ou assistir.
A regra que guiou tudo: a IA não é a especialista, é o destilador. Se a informação não está no material da Thaís, ela não deveria aparecer no conteúdo.
A matéria-prima: duas fontes, dois perfis
O Alambique trabalha com dois tipos de matéria-prima, e cada um alimenta um perfil diferente.
O perfil da Thaís é formado pelo que ela já produziu: vídeos e posts. É dali que vêm o conhecimento técnico e, tão importante quanto, o jeito dela de explicar, com suas expressões, seus exemplos e seu ritmo.
O perfil do aluno vem de duas fontes em que quem fala é o público: entrevistas com alunos e as transcrições das sessões do Prumo, o sistema de diagnóstico que a Thaís usa com quem quer entrar na mentoria. Ali está o que nenhum material de especialista mostra: as dores, os desejos e as objeções de quem está do outro lado da rede.
É aqui que dois projetos do paiol se encontram. O Prumo nasceu para diagnosticar um tenista; o Alambique aproveita essas conversas para entender o público como um todo.
Os vídeos passam pelo mesmo pipeline. Primeiro, a transcrição, feita com o Whisper rodando localmente [A CONFIRMAR: whisper.cpp, faster-whisper ou outro]. Depois, a limpeza: saem as marcações de tempo e os vícios de linguagem, os “né”, “tipo” e “então” que são naturais na fala e poluem o texto. O que sobra é o conhecimento em estado bruto, pronto para ser guardado.
Privacidade antes de tudo
Entrevistas e sessões de diagnóstico são conversas em que as pessoas falam das próprias dificuldades. Esse material não pode virar conteúdo com o nome de ninguém.
Por isso, tudo o que vem do público passa por uma etapa de anonimização antes de chegar à base de conhecimento. [A CONFIRMAR: o que é removido (nomes, cidades, clubes, idades?), em que ponto do pipeline acontece e se é automático, com modelo local, ou revisado.] O agente do aluno nunca sabe quem disse o quê. Ele só enxerga padrões: que muita gente trava no backhand sob pressão, que a falta de tempo é a objeção mais comum.
E o processamento dessas conversas acontece localmente: as transcrições e a anonimização rodam na máquina, sem enviar o material bruto para serviços externos. [A CONFIRMAR]
O reservatório: PostgreSQL com pgvector
Todo esse material vira embeddings, gerados localmente com o Ollama [A CONFIRMAR: modelo de embeddings], e fica guardado no PostgreSQL com a extensão pgvector.
A escolha foi pragmática: eu já trabalho com PostgreSQL, e o pgvector permite fazer busca semântica no mesmo banco onde ficam os outros dados, sem adicionar mais uma peça na infraestrutura. Quando um agente precisa falar sobre, por exemplo, a preparação do saque, ele não recebe tudo o que a Thaís já disse, só os trechos mais relevantes para aquele tema.
A destilação: três agentes, três papéis
O Alambique tem três agentes, e o segredo está em cada um fazer uma coisa só.
1. O agente do aluno lê o material do público e extrai o que importa: do que as pessoas reclamam, o que querem alcançar e o que as impede de dar o próximo passo.
2. O agente estrategista é o marqueteiro da equipe. Ele pega essas dores, desejos e objeções e transforma em temas de conteúdo. É ele quem decide sobre o que vale falar esta semana.
3. O agente da Thaís recebe o tema e escreve com o conhecimento e o tom dela. Ele produz quatro formatos: dicas rápidas, posts de blog, roteiros de reels e roteiros de lives.
Vídeos e posts da Thaís ──► transcrição ─► limpeza ─► pgvector ──────────────┐
├─► Agente da Thaís ─► roteiros
Entrevistas e Prumo ──► transcrição ─► anonimização ─► Agente do aluno ─► Estrategista ─► temas ─┘Por que a Thaís não é marqueteira
A decisão de arquitetura mais importante do projeto foi esta: o agente da Thaís não tem objetivo de marketing. Ele só quer ensinar, como ela.
A estratégia fica no agente anterior, que escolhe os temas a partir das dores do público. Quando o tema chega à Thaís, já é algo que o público precisa ouvir, e ela só precisa fazer o que sabe: explicar bem.
Isso não significa que o conteúdo não venda. O agente da Thaís usa o que costuma se chamar de “vender sem vender”, por dois caminhos:
- Semeadura: ao explicar um problema, mostra naturalmente como ele é tratado nos cursos dela, sem transformar a dica em anúncio.
- Prova: sempre que um aluno ou mentorado alcança um objetivo, isso vira conteúdo. Nenhum argumento de venda é mais forte que um resultado real.
Se o mesmo agente tivesse que ensinar e vender ao mesmo tempo, o texto acabaria soando como propaganda. Separando os papéis, cada um faz bem o seu.
A stack
O sistema é orquestrado em .NET e roda em containers Docker numa máquina virtual. A transcrição e os embeddings rodam localmente, e os modelos de linguagem dos agentes são acessados pelo OpenRouter. Esse modelo híbrido mantém local o processamento pesado, repetitivo e sensível, e usa modelos maiores só onde a qualidade do texto faz diferença.