CARDBOARD PROTOCOL / DOSSIER DO PROJETO
RECALL
Vídeo da internet convertido em conhecimento estruturado e pesquisável.
Capítulo 01
O Gatilho
A internet já continha os cursos, mas não um sistema de aprendizagem fiável à sua volta.
O conteúdo já existia. Faltava um sistema capaz de o transformar em conhecimento.
Separadores abertos
playlists YouTube Coursera
notas favoritos
histórico vídeos incompletosOBSERVAÇÃO
A internet já continha os cursos.
O que não continha era uma forma fiável de transformar esses cursos num sistema de aprendizagem.
Um vídeo guardado ainda não é conhecimento.
Capítulo 02
A Suposição Oculta
O player era tratado como ambiente de aprendizagem em vez de fonte.
SUPOSIÇÃO
Player como destino
Um player oferece reprodução, timeline, comentários e recomendações.
Não oferece naturalmente currículo, transcript pesquisável, pré-requisitos, contexto persistente, perguntas de revisão ou pesquisa semântica.
A primeira fronteira a mudar era simples: o vídeo devia tornar-se fonte, não interface final.
Capítulo 03
O Primeiro Modelo
Converter um URL externo num objeto interno de aprendizagem.
Primeiro fluxo útil
- 01URL
- 02Metadados
- 03Learning Space
- 04Transcript
- 05Notas
- 06Progresso
- 07Pesquisa
Learning Spaces
Os espaços representam um tema ou objetivo: Machine Learning, React Avançado ou System Design.
O primeiro modelo focou uma ação: colar um URL e converter o vídeo externo num objeto interno de aprendizagem.
Capítulo 04
A Fricção
Um URL parecia uma entrada única, mas expandia-se num pipeline demorado e sujeito a falhas.
- Vídeos, playlists e cursos
- Duplicados ou metadados em falta
- Legendas indisponíveis e áudio longo
- Custo e duração da transcrição
- Falhas parciais e vários idiomas
- Workers inativos e atrasos de indexação
- Limites de contexto e ordem curricular
A interface fazia a ingestão parecer uma única ação.
O sistema revelou que era um pipeline.
Capítulo 05
A Viragem
Modelar a conversão como jobs assíncronos separados, com fronteiras de falha independentes.
Pipeline de ingestão
- 01Validar fonte
- 02Detetar plataforma
- 03Criar job
- 04Extrair metadados
- 05Enfileirar transcript
- 06Indexar
- 07Resumir
- 08Reconstruir currículo
PROTOCOLO
Legendas primeiro
Legendas existentes são mais rápidas, baratas e evitam trabalho desnecessário de GPU.
Whisper continua necessário porque nem toda fonte tem legendas utilizáveis.
Filas independentes
- Ingestão
- Transcrição
- Resumo por IA
- Reconstrução curricular
- Retry e escala independentes
- Isolamento de falhas e estado observável
Capítulo 06
O Sistema
Captura web, estado da API, dados duráveis, filas e workers formam um pipeline inspecionável.
Fronteira do sistema
- 01Browser / extensão
- 02Next.js
- 03FastAPI
- 04PostgreSQL
- 05Filas Redis
- 06Workers
Topologia dos workers
ingestion yt-dlp
transcript FFmpeg + faster-whisper
summary heuristic / OpenRouter / Ollama
curriculum grafo + topological sort
search MeilisearchIA não pode ser ponto único de falha
O provider heurístico preserva funcionalidade básica quando modelos remotos ou locais não estão disponíveis.
A reordenação manual do currículo persiste imediatamente sem reconstruir tudo.
Capítulo 07
Trade-offs
O pipeline ganha especialização e aceita complexidade operacional explícita.
Next.js + FastAPI
A interface permanece em Next.js; ingestão e transcrição Python ficam em FastAPI.
Custo: dois runtimes e deploy mais complexo.
PostgreSQL + Meilisearch
PostgreSQL é a fonte de verdade; Meilisearch serve pesquisa.
Custo: a consistência do índice precisa de gestão.
RQ + Redis + extensão
Jobs explícitos e captura em contexto reduzem fricção.
Custo: supervisão, retries, autenticação e configuração tornam-se preocupações operacionais.
Capítulo 08
Limites Atuais
Qualidade e disponibilidade dependem da fonte, dos workers, índices e providers configurados.
LIMITE ATUAL
- Transcrição depende do áudio e do modelo
- Modelos Whisper maiores exigem hardware mais forte
- Currículo depende dos metadados e provider
- IA heurística é fiável mas inferior
- Workers devem estar ativos
- Pesquisa depende da indexação
- Plataformas externas podem mudar
- Estado dos jobs usa polling
- Alguns providers exigem API keys
Capítulo 09
O Que Mudaria
A próxima iteração deve tornar os workflows mais duráveis, atribuíveis e conscientes de recursos.
PRÓXIMA EXTRAÇÃO
- Estado orientado a eventos em vez de polling
- Workflows duráveis e retomáveis
- Confiança do transcript e proveniência
- Citações ligadas a timestamps
- Pesquisa semântica e híbrida
- Spaced repetition e knowledge graph
- Observabilidade mais forte
- Agendamento consciente de recursos
- Modelos controlados pelo utilizador e exportação offline
Capítulo 10
Ficheiro Técnico
As ferramentas e fronteiras do pipeline de conversão de aprendizagem.
VERIFICADO
web: Next.js + Zustand + browser extension
api: FastAPI + Pydantic + JWT
dados: PostgreSQL + SQLAlchemy
filas: Redis + RQ
media: yt-dlp + FFmpeg + faster-whisper
pesquisa: Meilisearch
providers: heuristic / OpenRouter / OllamaRecall começou por guardar vídeos. O sistema só ficou coerente quando o vídeo deixou de ser o destino e passou a ser matéria-prima para uma estrutura de aprendizagem.
Contracapa
O vídeo tornou-se matéria-prima para uma estrutura de aprendizagem.