Julgamento, Execução, Revisão e Ciclo: Construir o Teu Runtime Pessoal de IA

Usa objetivos, âncoras, estrutura e fronteiras para manter a colaboração humano-IA no caminho certo.

Uma das ideias centrais de System and Freedom é o infinito limitado.

A liberdade real emerge dentro de fronteiras claras. Uma fronteira real não é apenas algo que afirmas ter definido. É um facto estrutural que outros conseguem ler, reconhecer e escolher não atravessar.

A colaboração humano-IA funciona da mesma maneira.

Os grandes modelos de linguagem são poderosos, mas derivam naturalmente. Podem alucinar, inventar falsidades internamente consistentes e perder contexto importante em sessões longas de trabalho. São como um colega extremamente inteligente, de mãos rápidas, memória imperfeita e talento perigoso para otimizar em excesso o problema errado.

O problema mais profundo está incorporado. Ainda não compreendemos plenamente, a nível matemático, os princípios de funcionamento dos grandes modelos. Grande parte do campo continua a ajustar parâmetros, observar outputs e acumular experiência conquistada com dificuldade. A escala atinge um limiar, a inteligência começa a emergir, e ainda não conseguimos explicar totalmente porquê.

Por isso, um grande modelo deve ser entendido mais como um sistema empírico de engenharia em rápida evolução do que como uma máquina em que se pode confiar completamente lendo um manual.

Se te interessa esta linha de pensamento, vê o ensaio relacionado no OathAI: Written When AI Has Become Inevitable.

Se não lhe deres um objetivo, ele não sabe o que deve fazer. Se não calibrares as suas âncoras, ele vai afastar-se através de uma série de melhorias aparentemente razoáveis. Se não definires fronteiras, ele vai expandir a complexidade do teu projeto até que tudo se torne difícil de manter. Se não definires um ciclo, ele vai parar depois de cada passo e perguntar o que fazer a seguir.

A chave da colaboração humano-IA é construir um runtime pessoal de IA: um estado operativo limitado em que a IA consegue continuar a executar, verificar, reparar e avançar, mantendo-se dentro de uma trajetória fixada por objetivos, âncoras, estrutura e fronteiras.

Chamo a esta estrutura um runtime pessoal de IA.

Aqui, "runtime" não significa uma ferramenta isolada. Significa uma estrutura de trabalho em que a IA continua a executar, várias threads de IA podem rever-se entre si, e o sistema espera pelo julgamento humano na fronteira.

Segue uma versão mínima de como o construir.

1. Prepara o Teu Ponto de Entrada de Trabalho

A minha configuração atual de trabalho, em junho de 2026, é esta:

PC
Windows
Codex Windows App
GPT mobile app
GPT subscription account

Esta é apenas uma configuração disponível. Podes usar Claude, Gemini, Copilot, Grok ou produtos semelhantes de outros fornecedores de modelos. A marca não é o ponto central. A combinação de capacidades é que importa.

Precisas de um ponto de entrada de trabalho com IA que consiga ler um diretório local, executar tarefas continuamente, preservar contexto de projeto e colaborar contigo ao longo do tempo. A aplicação móvel serve para capturar, iniciar, verificar e acrescentar tarefas. O PC continua a ser o ambiente principal para ler ficheiros locais e executar trabalho contínuo.

2. Cria um Diretório de Trabalho no Teu PC

Cria um diretório principal do projeto. Dentro dele, cria pelo menos três pastas:

01_raw_materials_and_documents
02_AI_work_documents
03_outputs

01_raw_materials_and_documents contém o material que preparas tu próprio: notas, rascunhos, capturas de ecrã, registos de conversa, referências, versões antigas e documentos de contexto. O ponto importante é simples: o humano coloca primeiro a matéria-prima num espaço legível. A IA precisa de acesso à base factual.

02_AI_work_documents contém os documentos que a IA vai manter: regras de colaboração, memória do projeto, protocolos de tarefa, terminologia, regras de ciclo e listas de revisão. Podes e deves rever estes documentos pessoalmente.

03_outputs contém artefactos finais: ensaios, planos, traduções, texto para páginas, versões publicáveis e ficheiros de entrega. Separar outputs evita confusão semântica e preserva uma fronteira limpa.

3. Escreve um Guia Inicial de Colaboração

Em seguida, escreve um guia simples de colaboração humano-IA.

Mantém-no curto. Começa pelas partes importantes:

Como queres que a IA trabalhe.
O que a IA não deve fazer.
O que exige aprovação humana.
Que materiais não devem ser publicados.
Que afirmações factuais não devem ser alteradas.
Onde os outputs devem ser colocados.
Como o trabalho deve ser verificado.
Quando a IA deve parar.

Este guia não precisa de estar completo no primeiro dia. Ele vai crescer durante o uso e tornar-se gradualmente o teu sistema operativo.

Por exemplo:

Não alterar o objetivo do projeto sem aprovação.
Não reescrever a posição do autor.
Não sacrificar o julgamento original apenas para tornar
uma passagem mais fluida.
Não tratar material não confirmado como facto público.
Quando surgir um novo objetivo, uma nova fronteira
ou um novo significado público,
parar e esperar pelo julgamento humano.

Este passo importa porque a coisa mais perigosa na IA muitas vezes não é ela não conseguir fazer o trabalho. É conseguir fazer o trabalho errado parecer razoável. O guia é a primeira fronteira que escreves.

4. Cria Três Conversas de Projeto

Na aplicação Codex no teu PC, cria conversas de projeto e aponta-as para o diretório de trabalho que acabaste de configurar.

Recomendo pelo menos três:

Thread de discussão
Thread de execução
Thread de revisão

A thread de discussão compreende materiais, decompõe objetivos e desenha planos. É aí que alinhas o objetivo, a âncora, a estrutura e a fronteira.

A thread de execução avança tarefas de acordo com o plano. Não reinventa a direção. Trabalha dentro da estrutura confirmada.

A thread de revisão encontra erros, lacunas e riscos. Não saltes a revisão.

O handoff mínimo viável é simples: as três threads partilham o mesmo diretório de trabalho; a thread de discussão cria um cartão de tarefa; o humano passa o cartão de tarefa à thread de execução; o resultado da execução vai para a thread de revisão. Quando estiveres confortável, podes automatizar mais o handoff.

As três conversas partilham o mesmo diretório de trabalho, mas desempenham papéis diferentes. Isto separa julgamento, execução e revisão. Também mantém as fronteiras claras e impede que uma conversa cresça até se tornar um bloco de contexto descontrolado.

5. Usa a Primeira Conversa para Inicializar o Ambiente

Não peças à IA para começar imediatamente a produzir trabalho.

Primeiro, pede à thread de discussão que leia as tuas regras de colaboração e depois leia 01_raw_materials_and_documents.

Podes dizer:

Please read the collaboration rules and raw materials in the working directory.
Build project background context first.

Ou:

First understand what this project is, what materials exist, what the goal is, what positions are already confirmed, and which parts must not be changed without approval.

O objetivo é mover a IA do modo de conversa temporária para o modo de compreensão de projeto.

Muitas pessoas têm problemas com IA porque cada tarefa começa com um prompt isolado. A IA não conhece a tua história, as tuas linhas vermelhas, o teu objetivo de longo prazo nem que expressões já foram aprovadas. Só pode adivinhar dentro da janela atual.

6. Deixa a Thread de Discussão Gerar os Quatro Documentos Operativos

Agora pede à IA para gerar os quatro documentos operativos do ambiente de colaboração:

AGENTS: AI behavior guide
MEMORY: long-term project memory
Protocol: task execution protocol
LOOP: loop mechanism

Estes quatro ficheiros podem começar a partir dos meus open-source Personal AI Runtime Templates.

Dá os templates à IA, depois fornece a matéria-prima, o objetivo e a fronteira. Deixa a thread de discussão gerar a primeira versão adequada ao teu projeto. O teu papel é rever os julgamentos-chave.

AGENTS é o guia de comportamento da IA para o workspace. Diz à IA quem ela é neste projeto, como deve trabalhar, que estilo deve seguir e quando deve parar.

MEMORY é a memória de longo prazo do projeto. Regista factos do projeto, preferências do autor, termos-chave, estado atual, julgamentos confirmados e contexto que não deve ser perguntado vezes sem conta.

Protocol define a execução de tarefas. Diz como as tarefas são recebidas, como os materiais são lidos, onde os outputs vão, como o trabalho é verificado, quando a IA pode continuar e quando deve voltar ao julgamento humano.

LOOP define o ciclo de handoff entre discussão, execução, revisão, reparação e continuação. Sem ciclo, a IA muitas vezes termina um passo e para.

Se usares Codex ou um ambiente semelhante que consiga ler ficheiros locais, os nomes dos ficheiros podem ser:

AGENTS.md
MEMORY.md
TASK_PROTOCOL.md
LOOP.md

Cada ficheiro só precisa de um esqueleto mínimo no início:

AGENTS.md: role, default behavior, forbidden actions, stop rules.
MEMORY.md: project background, key terms, confirmed judgments, current state.
TASK_PROTOCOL.md: how to define target, input, output, and acceptance checks.
LOOP.md: discussion -> execution -> review -> repair -> update memory -> continue.

Também especifica quem mantém o quê:

Discussion thread: mainly updates MEMORY, TASK_PROTOCOL, and LOOP.
Execution thread: follows TASK_PROTOCOL and updates task records and outputs when needed.
Review thread: provides findings and does not change goals or anchors.
Human: confirms AGENTS, boundaries, public positions, and major direction changes.

Quando estes quatro documentos existem, construíste a versão mínima utilizável do teu ambiente de colaboração humano-IA.

Mas um esqueleto ainda precisa de uma execução de teste.

7. Executa um Ciclo Mínimo

Não comeces por uma tarefa grande. Começa por algo pequeno, verificável e que produza um ficheiro.

Por exemplo:

Using the materials in 01_raw_materials_and_documents,
create a project introduction under 800 words,
and place it in 03_outputs.

Primeiro, pede à thread de discussão que crie um cartão de tarefa. O cartão de tarefa deve indicar:

What the goal is.
Where the input material is.
Where the output file should go.
What the acceptance checks are.
Which parts AI must not decide on its own.

Depois entrega o cartão de tarefa à thread de execução. Após a execução, entrega o output à thread de revisão. A thread de revisão tem uma única função: determinar se o output derivou do objetivo, da âncora, da estrutura ou da fronteira.

Se a revisão encontrar um problema, envia-o de volta à thread de execução para reparação. Depois da reparação, pede à thread de discussão que atualize MEMORY.md ou LOOP.md com qualquer regra ou lição recém-confirmada.

Neste ponto, não criaste apenas alguns ficheiros. Completaste um ciclo real:

discussão -> execução -> revisão -> reparação -> atualização de memória

Quando este ciclo corre, o teu ambiente de trabalho humano-IA começa a viver.

8. Olhar de Novo para a Estrutura

Este método pode ser reduzido a quatro pontos de bloqueio:

objetivo
âncora
estrutura
fronteira

Também pode ser desdobrado em quatro ações:

julgamento
execução
revisão
ciclo

O objetivo responde: o que estamos exatamente a tentar terminar?

A âncora responde: que julgamentos, factos, decisões de estilo e posições não podem derivar?

A estrutura responde: como se divide a tarefa, onde vive o material, como se separam papéis, como se entrega o output e como as partes se relacionam?

A fronteira responde: o que não deve ser feito, o que não deve ser publicado, que afirmação factual não deve mudar e que decisões exigem confirmação humana?

Os humanos são responsáveis por estas coisas.

Do que é responsável a IA?

A IA lê materiais, organiza informação, redige planos, executa tarefas, verifica outputs, envia trabalho para revisão, repara findings, atualiza documentos de trabalho e continua a avançar dentro da trajetória confirmada.

Esta é a forma futura da colaboração humano-IA.

Os humanos já não precisam de vigiar cada passo. Os humanos não devem tornar-se botões de confirmação. Os humanos bloqueiam o objetivo, a âncora, a estrutura e a fronteira. A IA trabalha continuamente dentro dessa trajetória.

9. Porque Precisas de uma Thread de Revisão

Muitas pessoas perguntam: se a IA principal já consegue fazer auto-verificação, por que preciso de outra thread de revisão?

A razão é simples: execução e revisão devem ser separadas.

A colaboração humano-IA sem uma camada de revisão é apenas um sistema de output derivante ligado ao teu fluxo de trabalho.

Uma thread empurra o trabalho para a frente. Outra thread encontra erros. Uma faz o trabalho. A outra verifica se o trabalho derivou do objetivo, introduziu uma mudança de conceito, acrescentou complexidade desnecessária ou deixou riscos por detectar.

Isto é divisão de trabalho para a IA.

As equipas humanas já funcionam assim. Escritores e editores ocupam papéis diferentes. Engenheiros e reviewers ocupam papéis diferentes. Quando a colaboração humano-IA se torna um ambiente de trabalho, precisa da mesma separação estrutural.

A thread de revisão deve verificar especialmente:

O objetivo foi alterado discretamente?
A âncora derivou?
A estrutura foi expandida em excesso?
Alguma fronteira foi atravessada?
Alguma afirmação factual mudou?
O significado público mudou?
O output satisfaz realmente a tarefa?

Este passo determina se o ciclo de trabalho da IA consegue manter-se estável ao longo do tempo.

10. Quando a IA Deve Parar e Perguntar ao Humano

A IA pode continuar a avançar, mas não pode correr sem limite.

Coloco estes casos nas regras de paragem:

Surge um novo objetivo.
Surge uma nova estrutura.
Surge uma nova fronteira.
Surge uma nova âncora.
Uma afirmação factual precisa de mudar.
A posição do autor precisa de mudar.
Matéria-prima pode ter de ser publicada.
O output cria novo significado público.
O trabalho toca consequências legais, de copyright, reputacionais, comerciais, financeiras ou outras consequências irreversíveis.

Nestes casos, a IA deve parar e voltar ao julgamento humano.

Estes são problemas de julgamento. Julgamento não pode ser delegado a um modelo. Um modelo pode ajudar a analisar opções, mas o julgamento final tem de ser humano.

11. A Mudança Real

A mudança real é maior do que fazer a IA executar mais tarefas.

A mudança real é começares a construir o teu próprio runtime pessoal de IA.

Este runtime aponta para uma estrutura de trabalho: humanos tratam do julgamento, objetivos, âncoras e fronteiras; a IA avança continuamente dentro da trajetória; a camada de revisão previne deriva, substituição de conceitos e inflação de complexidade.

No modo antigo, tratávamos a IA como assistente:

Humano pergunta.
IA responde.
Humano continua.
IA responde de novo.

Esse modo é útil, mas transforma facilmente o humano num operador que continua a acrescentar contexto, a carregar no botão de confirmação e a resgatar o trabalho da deriva.

O modo futuro deve ser diferente:

Humanos confirmam o objetivo, a âncora, a estrutura e a fronteira.
IA executa, verifica, faz handoff, repara e continua.
A thread de revisão continua a encontrar problemas.
A IA principal não sai do ciclo até surgir um novo ponto de julgamento.

Isto constrói uma trajetória operativa controlável para a IA e impede que ela funcione em automático total sem fronteiras.

A automação de IA sem fronteiras vai trazer deriva de modelo, alucinação, otimização local e inflação de complexidade diretamente para o teu trabalho.

Quando bloqueada por objetivos, âncoras, estrutura e fronteiras, a IA pode deixar de ser uma janela de chat inteligente e tornar-se um ciclo de trabalho que continua a avançar.

O futuro ambiente pessoal de trabalho não será apenas uma caixa de diálogo mais inteligente.

Será um runtime pessoal de IA composto por ciclos que continuam a executar, se revêm entre si e esperam pelo julgamento humano na fronteira.

Só o limitado pode tornar-se infinito.

Sobre o Autor

Wang Xiao é arquiteto de protocolos de IA, autor de System and Freedom (Sistema e Liberdade), criador do Danbing AI Protocol / SLAPS Framework e iniciador do OathAI.

O seu trabalho concentra-se em co-criação humano-IA, governação de protocolos, ancoragem semântica e continuidade de conhecimento de longo prazo, explorando como o conhecimento humano e as estruturas colaborativas podem ser preservados, calibrados e herdados na era da IA.

Aviso

Este ensaio reflete observações e reflexões metodológicas atuais do autor com base em prática pessoal, investigação e experiência de colaboração humano-IA. Os métodos relacionados com Danbing / SLAPS / OathAI continuam a ser organizados e desenvolvidos. Os seus efeitos práticos podem variar conforme o contexto da tarefa, a capacidade do modelo, o ambiente de execução e o nível de compromisso.

Este ensaio não constitui aconselhamento jurídico, de investimento, médico, profissional ou garantia de implementação técnica. Leitores que apliquem estes métodos em projetos reais devem fazer julgamentos independentes de acordo com as suas próprias circunstâncias e assumir responsabilidade pelos resultados concretos.