Criei um Segundo Cérebro Com Claude Code + Obsidian (De Graça)

É, meu amigo, muito tem se falado sobre Obsidian com Cloud Code, como utilizar a base de conhecimento textual e direcionada a arquivos e a entidades para fazer a IA do Cloud Code e as outras IAs que a gente utiliza hoje diretamente no PC, integrada com os nossos arquivos, com as nossas pastas, com os nossos documentos, ter mais contexto e ser mais inteligentes. Porém, algo que tá circulando na internet é isso aqui que vocês estão vendo na minha tela, né? O pessoal abre o obsidian, mostra ali como se fosse algo super hiper tecnológico, só que na prática, meu amigo, isso daqui na verdade é uma máquina, é um motor V8 de bebê token, porém existe uma library, uma ferramenta chamada light rag, que foi criada para justamente resolver esse problema. Porque quando a gente vai trabalhar numa base de conhecimento, desse jeito que vocês estão vendo aqui, ela utiliza a associação de documentos. Então, se eu clicar em documento aqui, vocês estão vendo, né? Aqui, no caso é um aplicativo nosso que eu embedei aqui dentro, né? Que eu pedi para ele fazer o processamento. E aí ele sempre, tá vendo, ó? Ele sempre tem os arquivos que redirecionam para cada coisa. Ou seja, o que que a IA faria? Ela ia fazer uma pesquisa geral, ia achar um arquivo que tivesse um texto ou algo relacionado ao que ela estava pesquisando e ia meio que percorrendo ali os caminhos. Só que isso, meu amigo, não fica viável de jeito nenhum, porque isso consome muito token. Então, cada página que ela lesse, ela ia ter que ler 10, 20, 30 páginas e colocar isso dentro do contexto dela para achar uma solução, para achar resposta pra pergunta dela. Porém, quando a gente utiliza o hug, que é o retrieval argumentation, a gente consegue manter uma estrutura deste tamanho aqui que vocês estão vendo. Olha o quanto de informação tem, porém otimizada, justamente porque a gente quebra esses textos em blocos e realiza uma busca semântica. Enquanto no modelo de graph ha tradicional, a gente utiliza, olha só, um monte de arquivos e a gente, na verdade, nem tem um ha, né? A gente não tem uma maneira de fazer uma busca semântica desses arquivos, e sim é uma busca pragmática. Ou seja, é como se a IA fosse lá e desse um contrl F várias vezes até achar algum termo, alguma expressão que fale, que comunique com aquilo que ela está precisando buscar na memória. Diferente do jeito que o Light Rag trabalha. Light Rag, ele é uma biblioteca, tá? Open source, olha só. E ele o que que ele faz? Na verdade, ele pega, vai pegar todos os arquivos ali do seu projeto, da sua pasta, enfim, processar eles utilizando LLM. Então você pode utilizar o Google Gemini, né? O que eu estou usando aqui, na verdade é o Gemini, porque ele é mais rápido e processar ele com um modelo debid que a gente fala, que é um modelo que ele vai fazer a semântica ali e gerar aquele banco vetorial dentro do seu próprio computador, tá? Enquanto o graph ha tradicional aqui, ele pega e faz um processamento lento, de alto custo, ele faz ali, né, múltiplas tentativas complexas. O light rag ele vai pegar, primeira coisa que ele vai fazer, né? Isso é um ponto positivo do Light Rag, ele é feito para trabalhar com funções, tá? Não que ele não funcione para documentos, na verdade utilizando o BID do Google, que eu vou mostrar para vocês nessa aula como é que você configura, você consegue processar documentos, imagens, tá? Então o novo ID do Google, ele funciona de maneira multimodal, então você consegue ali criar uma base de conhecimento com diversos tipos de arquivo, porém ele faz uma recuperação híbrida, tá vendo? Ele vai buscar por semântica sobre o assunto que você está pesquisando e vai ver quais são os arquivos associados a ele. Diferentemente do hag, né, do graph ha tradicional, que ele vai fazer um contrl F em uma palavra ou em uma expressão e vai caçando ali naquele caminho de rato até ele encontrar o que você precisa. Aqui não, aqui ele usa o reg, ele usa aia a contexto e buscar as associações. Enquanto um faz um caminho, vamos falar assim, de fora para dentro, esse aqui ele acha o núcleo e vai de dentro para fora, tendo um contexto muito, mas muito mais assertivo. Como que isso funciona na prática, Edu? Aqui eu tenho o projeto, né, que a gente até fez uma live montando ele aí, é o intensivão de cloud code, vale a pena você conferir, tá público aí no YouTube. Vou deixar o link aí no cardzinho que vai tá logo aí em cima do vídeo. E nesse projeto aqui eu tenho diversas pastas, diversas tools, diversas skills aqui, documentos do que que a gente montou, tá vendo? E o app propriamente dito. Então tem dashboard de admin, tela de onboarding, páginas, enfim. Aqui eu vou ensinar a vocês como é que você inicializa isso, tá vendo? a gente tem o nosso light rag aqui já inicializado, tá bom? E aqui se eu quiser, por exemplo, perguntar, né, eu consigo dar um ra search, ou melhor, um ha es, tá? Isso aqui eu pré-configurei, tá? Não, o light rag não vem assim, mas é lá acho que eu vou ensinar você a configurar, tá? Bem fácil, bem tranquilo. Aqui eu consigo fazer uma pergunta, então, né? Aqui eu vou perguntar para ele como está configurado o sistema de pagamentos do aplicativo. E aí ele vai já aqui, né? Ele tá rodando o servidor do Light Rag localmente no meu computador. Olha só, aqui eu deixei para ele debugar, né, para ele mostrar todos os arquivos, todas as chunks que ele carregou ali previamente, né, simulando como é que se fosse, né, como que o sistema busca isso dentro aqui dos nossos arquivos. E olha só, ele me trouxe aqui rapidinho, ó, o sistema de pagamento com aplicativo da barbearia é configurado principalmente através da integração com o AS, um getway brasileiro, tal, tal, tal. E olha só, ele traz aqui a busca, tá? Isso aqui foi próprio cloud Code que gerou para mim, não tá conectado a PI nenhuma, tá? E aqui ele me traz as referências. Então ele me traz o documento, né, que tá dentro ali do full spec, ele me traz as páginas aqui, olha só, tá vendo? Todas as referências, certinho? Porque ele embedou um hag ali dentro, ele fez a associação completa e já buscou antes, tá? E aqui eu vou fazer uma simulação como se eu tivesse indexando a minha base a primeira vez. Então, se eu digitar hag index, olha só, perdão, se eu digitar hag index full, olha só, [música] ele vai pegar, vai reprocessar todos os meus arquivos. Vocês viram aqui que foi em tempo real que ele indexou isso aqui. Ele acabou de indexar tudo. E olha só, aqui tá o custo que foi, né, pro Gemn flash, custo estimado de que vai ser para ele indexar tudo isso. E aqui é só apertar Y que ele já faz toda a sincronização. Olha só. Pronto. Olha, até me avisou, ó. Criado aqui 112 arquivos duplicados, né? Porque eu já tinha essa base, mas aqui ele já indexou tudo pra gente, tá vendo? Com um custo mínimo aqui, utilizando o modelo debid do Google, tá? Ah, du, como é que faz para eu ter acesso a isso aqui? Para eu ter acesso a esse comando de hag aqui que você tá utilizando, né? Porque isso aqui tudo, galera, ele tá, na verdade, rodando no meu MCP da Cloud Code. Então, se eu digitar cloud/MCP, olha só, ele já tem aqui um light rag que o próprio setup que eu fiz aqui criou para mim, ó. Tá vendo, ó? Light rag. Eu consigo ver as TS, ó. Então, Ky insert text, que é para quando ele adiciona um arquivo novo, ele inserir esse arquivo na base de conhecimento. Porque algo interessante aqui do Light Rag é que ele é incremental, então você não precisa toda vez que implementa algo novo, implementa uma fiture nova, apagar a base inteira e reindexar ela. Então ele é incremental, ele vai adicionando ou removendo conforme demanda, né, e tudo mais. Então ele já é conectado direto aqui no meu cloud code. Ele não é só uma pasta cheia de arquivo onde a cloud tem que se virar para achar as coisas ali dentro, não. Ele funciona já como um MCP. Edu, como que você fez para implementar isso aqui? Cara, é muito simples. Eu vou abrir até um novo projeto para você ver que não tem dificuldade. Aqui eu vou abrir um aplicativo que eu tenho de prontuários, tá? Aqui dentro do cloud Code. E vou utilizar aqui o meu arquivo de ha init. O que que é esse hag initedu? Só para você entender, isso aqui é um arquivo, é um prompt, tá? Que eu criei aqui. Tem o que aqui, ó, quase 500 linhas, onde nesse arquivo tem um setup completo para ir a entender o que que ela tem que fazer aqui, tá? É bem simples. Então você vai pegar, vai abrir seu cloud code aqui. Ah, Edu, mas onde acessa esse arquivo? Logo no primeiro link aí da descrição, você vai entrar na nossa página de inscrição pra comunidade de Aren. É 100% grátis, tá? Você não tem que pagar nada. O que que você vai fazer? Você vai clicar, vai entrar no nosso grupo do WhatsApp. Lá no grupo do WhatsApp, onde a gente manda novidades, inclusive a gente tava mandando até, né, essa novidade agora do Light Rag, nesse grupo, na descrição dele, você vai ter acesso a um link de convite para entrar aqui pra comunidade e já ter acesso liberado a esse e mais materiais. Inclusive, você vai ter acesso também à nossa trilha gratuita da Jornada Alien, tá? Então você tem aqui um cursinho completo de como criar e construir o seu primeiro app com ya utilizando o cloud Code, 100% gratuito. Então você vai vir aqui, vai vir em materiais grátis, já vai ter aqui, ó, configurar light rag no cloud code, vai ter todo esse prompt, vocês vão dar três cliques aqui, ou você seleciona tudo manualmente, copia e cola aqui dentro de um ponto MD. Ou se você quiser colar diretamente por aqui, pode também, não tem problema. Aqui eu só deixei para ficar mais fácil, que daí eu só menciono o arquivo, olha só. E daí eu consigo replicar ele em outros projetos. Vou apertar aqui para ele iniciar. E aí ele vai fazer como se fosse uma verificação. Vai ver o qual que é o ambiente que você tá, se você tá no Linux, se você tá no Windows, se você tá no Mac. Ele vai ver quais as dependências que você tem e não tem instalado no seu computador. Vai instalar para você dependências simples, Python, o próprio sistema, né, do Light Rag ali, a própria, o próprio repositório deles do GitHub, que ele vai perguntar para você aqui nesse setup, tá? Então assim, ó, qual o providero de ll mais edi usar pro light rag? Eu vou utilizar o Google MN Flash, né? O que quer indexar no grafo, né? Grafo é naquele painel geral com as informações. Então, ah, código, documentos e configurações, apenas os docs e os esquemas ou, né? Ah, quero implementar aqui só o a pasta do front end. Eu vou colocar código e docs e tudo mais, ó. Onde salvar no V obsidian? Docsk knowledge graph, que é o recomendado, ou uma pasta externa só pro obsidian. Aqui eu recomendo você deixar dentro da própria pasta do projeto, porque daí você sabe onde fica cada coisa, tá? Então vou colocar aqui. Aqui ele vai perguntar, né, como, quais os arquivos que a gente vai colocar dentro do hag, né, dentro daquela base de conhecimento vetorial que a e a faz aquela busca semântica. Eu recomendo você deixar aqui, ó, versionar markd com git ignore storage, porque ele vai ver tudo que tá aqui dentro do seu gitnor e não vai salvar dentro do hag, quem é importante, né? Para você não deixar suas API KS lá no hag, para você não deixar e o a pasta de node modulers, né, que é uma pasta de arquivos temporários aqui, ó, tá vendo? Para não deixar isso aqui dentro do seu hack, senão vai poluir muito, cara, porque daí ele vai fazer um hack de tudo. Aí você vai comer token, tá? Aqui ele tá perguntando, né, qual a chave API colocar, né? Eu vou mandar aqui para ele, eu vou cortar no vídeo, obviamente, mas daí aqui eu só vou colocar a minha chave API. Aí aqui, ó, nível de autonomia durante a indexação, consome token, né, que aqui ele fala que consome tokens ou dinheiro, que é aquele 1 centavo, 2 centavos ali dentro. Vou colocar para ele rodar tudo sem confirmar e agora esperar ele mexer o doce aqui. E sempre quando ele precisar perguntar alguma coisa, tirar alguma dúvida, ele vai abrir essa janelinha aqui para você, para que não saia nada ali fora do planejado e não dê bug. Agora, meu amigo, é você ter paciência, pegar um cafezinho, pegar um chá e esperar o bichinho trabalhar, tá bom? Lembrando que aqui eu tô utilizando o modelo do Cloud Code, né, o Cloud Opus 4.7 com 1 milhão de contexto, que é o mais novo que a gente tem aí, né, com o esforço no low. Por que que você tá usando esforço no low e do não usa no max? Seguinte, porque o esforço no low não quer dizer que ele vai usar um modelo mais burro nem nada do tipo. É que aqui ele não vai usar tanto o modo de pensamento, o modo de thinking do cloud code. Ou seja, ele vai manter a performance do Opus, porém ele vai demorar menos justamente porque eu já tenho toda uma speack, aquele promptit, né? Esse prompt aqui, ele já tem toda a especificação do que o cloud precisa fazer. Então é só ele pegar e executar. Ele não tem que ficar pensando em muita coisa, tá? Mas se você vai planejar, se você vai fazer bem storm, óbvio, coloca aqui no Max, né, que é o que eu recomendo, que eu vou deixar no low, justamente porque eu quero algo mais rápido, ele já tem ali o que que ele precisa fazer, é só ele pegar e executar. Eu tô editando o vídeo e eu percebi que eu não mostrei como é que você abre esse gráfico aqui no obsidian, tá? É bem simples. Lembra que ele vai gerar aqui pra gente? Olha só, dentro de docs que knowledge graph e já tem essa pasta do ponto obsidian, que é aqui onde ele meio que define a raiz do projeto. É bem aqui que você vai utilizar para abrir o obsidian. Aí que que você pode fazer? Você pode vir copiar, né, o path. Tá vendo, ó? Copiar caminho e pedir até pro cloudinho bochecha aqui, ó. Vou até pedir para ele aqui, ó. Cloud, abre o obsidian nessa pasta. E ele vai gerar um comando aqui pra gente para abrir o obsidian já na pasta correta, tá? Para você não ter problema. Ó, acabou de abrir aqui. No meu caso, ele abriu, né, o que já estava aberto ali, a pasta que já tava aberta. Mas caso você queira salvar ele como cofre, o que que você vai fazer? Tá vendo aqui, ó, que no de graf, o seu já vai ficar aqui. Se não aparecer para você, o que que você vai fazer? Você vai vir em gerenciar cofres, vai vir em abrir pasta como cofre, tá vendo? E aí você seleciona a sua kinola de graph aqui, ó. Tá? É isso, não tem segredo. Você vai vir aqui, no meu caso tá em apps, o caso era barbearia, docin abrir, pum, ele já vai abrir aqui pra gente. Fechou? É isso. Continua com o vídeo aí. Bom, meu nobre Alen. Agora, olha só, ele já tá na fase ali de fazer o mid. O primeiro bid, tá? Para você entender, ele é um pouquinho mais demorado, tá? Até pedi para ele explicar aqui pra gente, ó. Porque o que que acontece? Se o light rag, o que que ele faz? Ele pega o arquivo, embeda, cria as associações. Porém, tudo isso, lembra que a gente configurou a nossa P lá do Google? Então, é exatamente isso. O Ll vai extrair cada entidade de cada arquivo a primeira vez. Então, é por isso que, como eu dei o exemplo do meu obsidian, olha só, ele fica cheio de entidades, porém cada entidade dessa é um arquivo pequenininho justamente para poupar token lá da nossa quando ela vier fazer aqui, ó, a pesquisa interna. Tá até um pouco travado porque tem bastante entidade. Então, se a gente clica aqui, olha só, ele já faz todas as associações, tá vendo? E isso aqui, o próprio light rag que gerou pra gente, tá vendo? Então aqui, ó, por exemplo, cliente. O nome do cliente se refere ao nome completo. Aqui ele falou algo meio, né, algo meio básico de saber ali do nosso sistema. E por que que ele fica assim, né, subdividido nesses clusters? Como que funciona o light rag? Ele, como eu disse no começo do vídeo, é feito para código. Então ele vai buscar funções, vai buscar semânticas ali do código, vai buscar objetos e vai associar um ao outro. Então, por exemplo, aqui, ó, tem o calendar. O calendar ele é uma função lá dentro do meu projeto, tá vendo, ó? O calendário é uma user interface, né? Um componente ali desenhado para disponibilizar e selecionar datas relacionados, ó. Select date, boot component, CN function, financial screen, booking screen. Então é isso, tá vendo? Então por isso que ele aparece, né, numa quantidade grande, porém em cada quantidade ela é distribuída em pequenos trechos. Então ele não vai ter arquivos gigantescos aqui dentro, justamente porque isso, né, é o que molha ali o token do cloud Code e sim ter vários arquivos pequenos, né, integrando-se entre si. E esse é o diferencial do Light Ray, tá? Então é isso, depois que você implementar, ele já vai fazendo uns cheques aqui, ó. Olha só que legal. E o próprio Cloud Code faz isso automaticamente. Ele fica ali de tempos em tempos vendo os cheques e depois ele prossegue ali pra implementação, certo? Algo importante, tá, que vocês vão ter que fazer, eu vou até adiantar porque senão vai demorar muito, é o quê? É quando ele terminar de instalar o Light Rag, ele vai pedir para você, ó, rodar esse comandinho aqui, source light rag VB activated. Por quê? Porque daí sim ele vai funcionar o comando hag aqui dentro. Tá vendo? Olha só que ele deu um erro porque, né? Ó, ele vai mostrar ali para você. Por que isso, Edu? Porque se você não tiver dentro da Venv, né, que é o virtual empowerment, que é o ambiente virtual, se você digitar hag, ele vai dar este errinho aqui. Por isso que é muito importante você verificar aqui, ó, se tá aqui, ó, light ha traço kg, tá vendo? que é de Knowledge graph. Se ele tiver mostrando isso aqui antes do seu usuário, antes da sua pasta aqui, beleza? Tá? Se ele tiver mostrando só o seu usuário, a sua pasta, é porque vai dar errada. Ele vai dar esse erro aqui, ó, de command not found. Edu, por que que eu tenho que fazer isso? Porque para cada projeto, ele vai criar um virtual environment diferente, porque senão ficaria todos a sua base de conhecimento de todos os seus aplicativos, todos seus projetos, todas suas pastas em um único lugar, né? Isso aí ia meio que embaçar aqui a cloud quando você fosse, sei lá, trabalhar só nesse aplicativo aqui ou trabalhar em outro aplicativo, ele ia ficar mesclando com texto, não ia ficar muito legal, tá? E meu caro Alen, fica de novo o convite. Se você quer aprender como criar código, quer ter um guia do zero até o deploy do seu aplicativo, faz o seguinte, clica no primeiro link que tá na descrição ou no comentário fixado desse vídeo aqui, entra pra nossa comunidade do WhatsApp e lá vai ter o link de convite para você entrar pra nossa comunidade ali, totalmente gratuito. Você ganha acesso a esse material aqui, ganha acesso aos materiais das aulas futuras que a gente publicar aqui no YouTube, no Instagram, vocês vão ter tudo centralizado ali dentro. fora, vocês vão poder visualizar ali a nossa comunidade e também se manter ligado no nosso grupo do WhatsApp. Fechou? Espero que você tenha gostado desse vídeo. Se você gostou, deixa aí o seu like. Se não for inscrito, se inscreve no canal, que isso ajuda demais ao YouTube entregar esse conteúdo de qualidade para outras pessoas. Lembre-se que se você faz algo mais de uma vez, automatiza aí. Um forte abraço, meu querido e minha querida, e fique com Deus.