🧬 Identidade e Canais

SOUL.md é o arquivo mais importante do workspace/. Define nome, pronomes, tom de voz (formal/casual), valores éticos, estilo de resposta, preferências técnicas e até senso de humor do assistente.

Um SOUL.md bem escrito transforma o Jarvis de um chatbot genérico em um parceiro com personalidade consistente. É a diferença entre "Como posso ajudar?" e "Direto ao ponto: o que está travado?"

Persona design, system prompt injection, tom consistente, valores como guardrails, estilo de comunicação.

AGENTS.md contém regras explícitas de comportamento: sempre pedir confirmação antes de deletar arquivos, nunca executar código sem revisão em modo autônomo, priorizar segurança sobre velocidade.

Regras explícitas são mais confiáveis do que esperar que o LLM "entenda" o que você quer. AGENTS.md é o seu contrato de uso com o assistente.

Regras positivas (SEMPRE), regras negativas (NUNCA), prioridades de tarefa, escalonamento para humano.

USER.md contém informações sobre o criador: nome, stack técnica favorita, empresa, fuso horário, projetos em andamento. O Jarvis usa isso para personalizar todas as respostas.

Sem USER.md, o assistente responde genericamente. Com USER.md bem preenchido, ele sugere Python quando você prefere Python, e sabe que você usa Vim, não VS Code.

Perfil do usuário, preferências técnicas, contexto profissional, personalização de respostas.

AIEOS é o formato de exportação de identidade do INTELECTO. Permite serializar a personalidade completa (SOUL + AGENTS + USER) em um único arquivo portável.

Você pode ter múltiplos Jarvis com personalidades diferentes — um para trabalho, um para projetos pessoais — e alternar entre eles instantaneamente.

Serialização de identidade, perfis intercambiáveis, import/export de personalidade, multi-persona.

O INTELECTO suporta múltiplos perfis de SOUL.md. Você pode ter "Atlas-Dev" para codificação (direto, técnico), "Atlas-Meeting" para contexto corporativo (formal, diplomático) e alternar com um comando.

Contextos diferentes exigem tons diferentes. Um assistente que só fala de uma forma é limitado. Perfis intercambiáveis dão flexibilidade real.

Profile switching, context-aware personality, workspace profiles, hot-swap de identidade.

Escrever SOUL.md é um processo iterativo. Você escreve, testa com perguntas reais, observa respostas inesperadas e refina as instruções até o comportamento ser consistente com o que quer.

Nenhum SOUL.md fica perfeito na primeira versão. O processo de refinamento é a habilidade de prompt engineering mais importante para assistentes pessoais.

Prompt engineering iterativo, edge cases de personalidade, consistency testing, calibração de tom.

Telegram oferece API robusta, polling ou webhooks, envio de arquivos, botões inline e grupos. É o canal mais fácil de configurar e o mais confiável para uso pessoal intenso.

A maioria das demos e casos reais de assistentes pessoais usam Telegram. Dominar esse canal primeiro acelera todos os outros — o padrão BaseChannel é o mesmo.

BotFather, polling vs webhook, inline keyboards, chat_id, allowed users, message types.

BaseChannel define 3 métodos abstratos: start() que inicializa a conexão, send(user_id, message) que entrega a resposta, e stop() que fecha graciosamente. Qualquer plataforma que implemente esses 3 é um canal válido.

O Agent nunca sabe qual canal está usando — ele só chama send(). Essa abstração permite trocar Telegram por Discord em minutos sem alterar o Agent.

Interface abstrata, adapter pattern, channel-agnostic agent, graceful shutdown.

WhatsApp via Meta Business API requer aprovação, mas é o canal mais usado no Brasil. O INTELECTO implementa WhatsAppChannel que usa webhooks do Meta para receber mensagens e a API para enviar.

Para uso profissional no Brasil, WhatsApp é insubstituível. Ter um Jarvis que responde no WhatsApp é uma vantagem competitiva para freelancers e empresas.

Meta Business API, webhook verification, phone number ID, template messages, rate limits.

Discord e Slack são canais ideais para equipes. O DiscordChannel usa discord.py e suporte a slash commands. O SlackChannel usa a Events API com OAuth para workspace empresarial.

Um assistente que vive no Discord/Slack da equipe responde perguntas do time inteiro, automatiza fluxos de trabalho e elimina reuniões desnecessárias.

Bot permissions, slash commands, event subscriptions, workspace scopes, mention handling.

O EmailChannel usa IMAP para monitorar uma caixa de entrada e SMTP para enviar respostas. O Jarvis pode responder e-mails automaticamente ou gerar rascunhos para revisão humana.

Triagem automática de e-mails é um dos casos de uso de maior ROI. Um Jarvis que categoriza, prioriza e responde e-mails rotineiros economiza horas por semana.

IMAP polling, MIME parsing, thread tracking, auto-reply vs draft, spam filtering.

O VoiceChannel usa Whisper para transcrição em tempo real. Quando detecta a palavra de ativação configurada (ex: "Atlas"), envia o texto transcrito ao Agent e sintetiza a resposta com TTS.

Voz é o canal mais natural para interação enquanto você trabalha. Um Jarvis que ouve e responde por voz transforma o fluxo de trabalho hands-free.

Wake word detection, Whisper STT, TTS synthesis, VAD (voice activity detection), latência de resposta.

FTS5 é o módulo de full-text search do SQLite. Sem dependências externas, sem servidor, sem custo — apenas SQLite com índices de busca em texto altamente otimizados.

A memória do Jarvis precisa ser buscável rapidamente. FTS5 indexa automaticamente todo o conteúdo e permite buscas em milissegundos em milhares de registros.

Virtual table FTS5, tokenização, índice invertido, prefix search, phrase matching.

BM25 é o algoritmo de ranking de relevância usado pelo FTS5. Quando o Jarvis busca memórias relacionadas à sua mensagem, BM25 garante que as mais relevantes apareçam primeiro — não apenas as mais recentes.

Sem ranking de relevância, a memória retorna resultados aleatórios. BM25 é o que torna a memória do Jarvis inteligente, não apenas uma lista de fatos.

Term frequency, inverse document frequency, field weights, bm25() function no SQLite.

Camada 1: MEMORY.md em workspace/ — fatos estáticos de bootstrap que sempre estão no system prompt. Camada 2: memory.db — fatos dinâmicos extraídos de conversas, buscados por relevância quando necessário.

Não dá para colocar toda a memória no system prompt (caro e lento). A arquitetura de 2 camadas resolve: o essencial sempre presente, o histórico buscado sob demanda.

Context window management, RAG (retrieval augmented generation), bootstrap facts, dynamic retrieval.

Cada entrada no memory.db tem uma categoria: fact (fato sobre o usuário ou mundo), conversation (trecho importante de conversa passada), solution (como um problema foi resolvido — muito útil para evitar retrabalho).

As categorias permitem buscas mais específicas. Quando você reporta um bug, o Jarvis busca apenas category='solution' para ver se já resolveu algo parecido.

Categorical filtering, solution memory, conversation threading, fact extraction automática.

Antes de salvar um novo fato, store.py busca fatos similares com BM25. Se a similaridade for alta, atualiza o fato existente em vez de criar um duplicado. Evita que a memória cresça com informações redundantes.

Sem deduplicação, a memória enche de variações do mesmo fato. "Usuário usa Python" e "Usuário prefere Python" seriam entradas separadas — deduplicação une-as.

Similarity threshold, upsert pattern, cosine similarity alternativa, merge de fatos.

Quando o banco de memória ultrapassa um limite configurado, um job de compactação sumariza entradas antigas em fatos mais densos. Mantém a memória relevante sem crescer indefinidamente.

Memória sem limites é um problema. Compactação automática resolve a tensão entre "lembrar de tudo" e "manter a busca eficiente".

Memory compaction, summarization, TTL de memórias, pruning estratégico, relevance decay.