Post
Como usar um harness como assistente de anotação
Como conectar um agente a notas Markdown para registrar, relacionar e pesquisar informações sem deixar o conhecimento preso à conversa.
Durante muito tempo, anotar significava escolher onde guardar alguma coisa.
Abrimos um aplicativo, criamos uma nota, pensamos num título, escolhemos uma pasta, talvez acrescentamos algumas tags, fazemos links com outras notas e seguimos em frente.
Funciona.
Mas existe um custo escondido: além de ter a ideia, precisamos administrar o sistema que guarda a ideia.
É justamente nessa parte que um harness começa a ficar interessante.
O modelo sozinho não é o assistente
Neste texto, uso harness como nome para o ambiente que coloca o modelo para trabalhar: instruções, ferramentas, permissões e o fluxo que transforma uma resposta em ação.
O termo não identifica uma arquitetura única. Dependendo do produto, esse ambiente pode ter capacidades e limites bastante diferentes.
Quando conversamos com um modelo de linguagem numa janela de chat, ele consegue escrever, resumir, classificar e sugerir. Isso não significa, por si só, que consiga cuidar das nossas notas.
Para isso, o sistema precisa oferecer acesso ao lugar onde elas existem e às operações necessárias para trabalhar ali. Pode incluir ferramentas para:
- ler e escrever arquivos;
- navegar em diretórios;
- executar comandos;
- pesquisar na web;
- consultar serviços externos.
O modelo interpreta o pedido e propõe o que fazer. O harness disponibiliza as ferramentas, aplica permissões e executa as operações autorizadas.
Essa distinção importa. A capacidade não está apenas no modelo. Depende também do que o ambiente permite que ele leia, altere e consulte.
Em vez de abrir o sistema, podemos dizer: anote
Imagine que nossas notas sejam arquivos Markdown dentro de um diretório. Essa mesma pasta pode ser aberta pelo Obsidian para navegação e edição, mas também pode ser entregue a um agente por meio de um harness.
A partir daí, em vez de fazer todo o trabalho manual, podemos dizer:
Anote esta indicação de filme.
Num ambiente configurado para isso, o agente pode criar a nota, registrar a data e a fonte da indicação e procurar relações com pessoas, diretores ou assuntos já presentes no arquivo.
Depois podemos perguntar:
Qual era mesmo aquele filme que registrei algum tempo atrás?
O agente tem onde procurar.
Isso é diferente de usar um chatbot como bloco de notas. O conhecimento não fica apenas na conversa. Ele é persistido num sistema que continua disponível para outras sessões, ferramentas e modelos.
Arquivos que continuam sendo nossos
Não é necessário começar com um banco de dados criado especialmente para a IA. Podemos trabalhar com elementos simples:
1
2
3
4
5
6
meu-caderno/
├── AGENTS.md
├── inbox/
├── notes/
├── attachments/
└── templates/
As notas podem continuar em Markdown. Imagens, PDFs e outros anexos podem ficar ao lado delas.
Estar no diretório, porém, não torna todo anexo automaticamente pesquisável. O harness ainda precisa de ferramentas capazes de extrair texto, ler metadados ou aplicar OCR quando o conteúdo estiver apenas numa imagem.
Se amanhã trocarmos o agente, o modelo ou o harness, os arquivos continuam ali. O Obsidian continua abrindo o diretório. Um editor de texto continua abrindo as notas. O Git continua capaz de versionar as alterações.
Essa portabilidade, porém, não acontece automaticamente. Ela depende de manter os dados em formatos legíveis, documentar as convenções e evitar que uma parte essencial do sistema exista apenas dentro de um serviço proprietário.
Arquivos simples também não resolvem todos os cenários. Se o volume crescer muito, várias pessoas precisarem editar ao mesmo tempo ou as consultas exigirem estrutura rígida, um índice ou banco de dados pode se tornar necessário. O ponto é que não precisamos começar por ele para experimentar o fluxo.
A inteligência pode mudar. A base de conhecimento não precisa mudar com ela.
O AGENTS.md funciona como manual de trabalho
Se o agente vai alterar nossas notas, precisa saber como queremos que isso seja feito.
É aí que um arquivo como AGENTS.md se torna útil. Ele pode explicar:
- que aquele diretório é um cofre de notas;
- como nomear os arquivos;
- quando criar uma nota e quando atualizar uma existente;
- como representar pessoas, empresas, obras e decisões;
- como guardar fontes e datas de consulta;
- como relacionar assuntos;
- quais informações não podem ser alteradas;
- quais mudanças exigem revisão humana.
Essa convenção não pertence a todos os harnesses. No Codex, especificamente, a
documentação oficial sobre AGENTS.md
explica que os arquivos são lidos no início da execução e combinados do escopo
global até o diretório de trabalho. Instruções mais próximas do arquivo em que
o agente trabalha podem especializar as regras mais gerais.
Isso reduz a necessidade de repetir o mesmo contexto em toda sessão. Uma regra como esta pode ficar no próprio ambiente:
1
2
3
4
5
6
Quando uma nova nota mencionar uma pessoa, livro ou empresa já existente,
adicione o link correspondente.
Não invente relações apenas porque duas notas usam palavras parecidas.
Registre a origem e a data de consulta de toda informação trazida da web.
O agente não precisa lembrar da conversa anterior. Precisa conseguir reler as instruções e reencontrar os arquivos.
A estrutura pode crescer com o uso
Também não é necessário desenhar toda a taxonomia antes de começar.
Há um risco em criar uma grande árvore de diretórios quando ainda não existe material suficiente para mostrar quais divisões serão úteis. Podemos começar com uma caixa de entrada e algumas notas:
1
2
3
4
5
6
um livro
uma reunião
um produto em avaliação
uma ideia
uma decisão
uma empresa
Conforme o material aparece, padrões começam a surgir. Talvez faça sentido separar empresas. Talvez apareçam projetos, equipamentos, livros, decisões ou pesquisas.
O sistema pode ganhar estrutura em resposta ao uso real. O harness diminui o trabalho mecânico de renomear, mover e atualizar links, mas não deveria reorganizar tudo silenciosamente. Mudanças amplas precisam ser revisáveis e, quando possível, versionadas.
Um exemplo: estou pensando em comprar alguma coisa
Estamos navegando pela web e encontramos um equipamento interessante. Copiamos o endereço e dizemos:
Estou considerando comprar isto. Anote.
O agente pode registrar o produto, a URL, o preço encontrado e o motivo do interesse. Como preços mudam, vale preservar também a moeda, a loja e a data da consulta:
1
2
3
4
5
6
7
# Interface de áudio — modelo X
- Estado: considerando
- Fonte: https://exemplo.com/produto
- Preço observado: R$ 999
- Consultado em: 2026-10-02
- Motivo: usar nas gravações em casa
Alguns dias depois encontramos um concorrente:
Compare com aquele que eu estava considerando e registre.
Agora pode existir uma relação entre os dois. Depois compramos um deles:
Comprei este.
O agente pode atualizar o estado ou criar o registro da compra e ligá-lo à pesquisa anterior.
Meses depois, aquela pequena sequência conta uma história:
1
pesquisa → comparação → decisão → compra
Não foi necessário projetar um banco de dados completo antes de começar. A estrutura apareceu durante o uso.
Outro exemplo: uma leitura
Durante a leitura de um livro surge uma ideia:
Anote esta ideia e relacione com o livro.
Mais tarde aparece outra reflexão sobre o mesmo assunto. O agente pode sugerir uma ligação com a primeira nota. Depois encontramos outro livro que trata do tema e o sistema começa a formar uma pequena rede de conhecimento.
Meses depois, ao pesquisar o assunto, podemos reencontrar ideias que já haviam saído da memória.
É a mesma possibilidade que me interessa na história do Zettelkasten: o valor não está apenas nas notas individuais, mas nos caminhos que conseguimos percorrer entre elas.
O agente pode ajudar a encontrar candidatos a conexão. A decisão de que duas ideias realmente têm uma relação continua merecendo julgamento. Coincidência de palavras não é o mesmo que relação de significado.
O agente também pode pesquisar
Um harness pode oferecer ferramentas além do sistema de arquivos. Se houver acesso à web, podemos pedir ao agente que consulte o site de uma empresa, recupere a ficha técnica de um equipamento ou busque dados bibliográficos de um livro.
Nesse ponto, ele deixa de ser apenas um arquivista e passa a ajudar na pesquisa do próprio arquivo.
Mas informações externas precisam entrar com procedência. Eu manteria pelo menos três distinções visíveis:
1
2
3
o que eu escrevi
o que veio de uma fonte
o que o agente inferiu
Sem essa separação, uma síntese produzida pelo modelo pode parecer uma anotação pessoal antiga, e uma inferência pode reaparecer meses depois como se fosse um fato confirmado.
Também evitaria permitir que uma pesquisa na web sobrescrevesse silenciosamente o conteúdo original. É mais seguro acrescentar a fonte, a data e o resultado em uma seção identificada ou propor uma alteração para revisão.
Local não significa automaticamente privado
Não precisamos transformar esse sistema imediatamente em servidor, aplicativo ou serviço acessível pelo celular.
Se o agente tem acesso a notas pessoais, arquivos e outras ferramentas do computador, expô-lo na internet aumenta a superfície de risco. Em muitos cenários, faz sentido manter o harness restrito à máquina e conceder apenas as permissões necessárias para o trabalho.
Ainda assim, “local” não garante que todos os dados permaneçam no computador. Isso depende do modelo utilizado, dos serviços conectados, das ferramentas e da configuração de rede. Um agente executado localmente pode enviar conteúdo a uma API remota.
Antes de apontá-lo para um cofre pessoal, eu verificaria:
- quais diretórios ele consegue ler e escrever;
- para quais serviços o conteúdo pode ser enviado;
- quais operações exigem aprovação;
- como revisar e reverter alterações;
- onde ficam logs, backups e histórico;
- quais notas contêm dados que não deveriam ser expostos.
Durante o dia, uma alternativa simples é anotar no papel ou numa caixa de entrada limitada. Depois transferimos aquilo que vale a pena para o sistema. Essa etapa parece menos conveniente, mas funciona também como triagem: nem tudo precisa entrar no arquivo permanente.
Anotar deixa de ser administrar arquivos
Com um assistente trabalhando sobre o sistema, a preocupação muda.
Antes perguntávamos:
Onde devo guardar isso?
Agora podemos perguntar:
Vale a pena guardar isso?
A primeira pergunta é sobre administração de arquivos. A segunda é sobre conhecimento.
Se decidirmos registrar algo, podemos delegar parte do trabalho mecânico: criar, nomear, estruturar, relacionar e, quando autorizado, enriquecer a nota.
Isso não significa registrar automaticamente tudo o que acontece. Um sistema que captura tudo pode produzir apenas um grande depósito de ruído.
A escolha humana continua essencial:
1
2
3
4
5
isto foi interessante
isto foi uma decisão
quero lembrar desta conversa
esta ideia talvez volte a ser útil
esta informação merece sobreviver ao momento
O agente não precisa decidir sozinho tudo o que importa. Ele precisa tornar mais barato preservar, encontrar e revisar aquilo que decidimos guardar.
Continuamos fazendo o que fazemos há séculos: anotando para não depender exclusivamente da memória.
Só que agora o caderno pode ter um assistente.
Pergunte aos meus textos
Faça uma pergunta. O ChatGPT usará os textos publicados neste site como referência para responder.
Sua pergunta não é enviada para este site. O texto é preparado localmente no navegador e a conversa acontece no ChatGPT.