Introdução
A Aura é um assistente pessoal de IA que roda no meu próprio computador, em português, por voz ou texto. Ela resolve um problema comum: o que comprei, onde, por quanto, o que sobrou em casa e o que decidi ficam espalhados em fotos de cupons, anotações e na memória de cada um.
A Aura reúne isso num só lugar e responde a perguntas como “onde comprei café?” e “quanto tenho de leite?”. Ela difere de um chatbot comum em dois pontos: lembra do que aconteceu e só executa ações verificáveis. O modelo de linguagem apenas conversa; quem altera dados é código com regras fixas, e cada mudança devolve um recibo.
Este estudo de caso mostra como uma lista de compras virou essa plataforma, camada por camada. Os selos indicam o estado de cada etapa no meu ambiente local: Implementado é código pronto e usado; Em validação tem código e schema aplicado, mas falta teste de ponta a ponta ou uma migration; Parcial funciona só em parte.
Em 30 segundos
| Benefício | O que muda na prática | Estado |
|---|---|---|
| Memória pessoal pesquisável | Encontro o que registrei sem lembrar a data | Implementado |
| Leitura assistida de notas fiscais | A foto vira compra depois da minha revisão | Implementado |
| Histórico de compras e preços | Sei onde e por quanto comprei | Implementado |
| Busca por significado | Pergunto com minhas palavras, não com as da nota | Implementado |
| Controle de estoque doméstico | O que acaba volta para a lista | Em validação |
| Automação pessoal | Ações confirmadas, com recibo | Parcial |
| Privacidade e execução local | Modelo, voz, OCR e dados rodam no meu computador | Implementado |
Aura is a personal AI assistant that runs on my own computer, in Portuguese, by voice or text. It solves a common problem: what I bought, where, for how much, what is left at home and what I decided end up scattered across receipt photos, notes and everyone’s memory.
Aura gathers it all in one place and answers questions like “where did I buy coffee?” and “how much milk do I have?”. It differs from an ordinary chatbot in two ways: it remembers what happened and only carries out verifiable actions. The language model only talks; code with fixed rules changes data, and every change returns a receipt.
This case study shows how a shopping list became this platform, layer by layer. The badges show the state of each step in my local environment: Implemented is finished, working code; In validation has code and an applied schema, but still needs an end-to-end test or a migration; Partial works only in part.
In 30 seconds
| Benefit | What changes in practice | State |
|---|---|---|
| Searchable personal memory | I find what I recorded without remembering the date | Implemented |
| Assisted receipt reading | The photo becomes a purchase after my review | Implemented |
| Purchase and price history | I know where and for how much I bought | Implemented |
| Search by meaning | I ask in my own words, not the receipt’s | Implemented |
| Household inventory control | What runs out returns to the list | In validation |
| Personal automation | Confirmed actions, with a receipt | Partial |
| Privacy and local execution | Model, voice, OCR and data run on my computer | Implemented |
Mapa da jornada
Cada etapa nasceu de uma pergunta que a anterior deixou aberta. Elas se agrupam em três trilhas: dados (lista, catálogo, compras, OCR, estoque, finanças), contexto (memória, linha do tempo, projetos, grafo) e ação (automação, voz, proatividade). Toque numa etapa para ir direto a ela.
Each step was born from a question the previous one left open. They group into three tracks: data (list, catalog, purchases, OCR, inventory, finance), context (memory, timeline, projects, graph) and action (automation, voice, proactivity). Tap a step to jump straight to it.
Etapas da evolução
Um dia com a Aura
Mais tarde, pergunto por voz: “quanto tenho de leite?” ou “onde comprei café?”. A resposta vem de dados confirmados, não de estimativas, e nada disso saiu do meu computador.
Later, I ask by voice: “how much milk do I have?” or “where did I buy coffee?”. The answer comes from confirmed data, not estimates, and none of it left my computer.
O início: uma lista de compras com regras fixas
O modelo conversa, o código age.
O primeiro módulo foi o mais simples possível: adicionar, listar e remover itens, por voz ou texto, e exportar a lista em PDF. O valor não estava na lista, e sim na regra que nasceu com ela: o modelo de linguagem conversa, mas nunca altera dados. Pedidos como “adicione leite” são reconhecidos por regras fixas, validados no backend e respondidos com um recibo que diz se algo foi feito, se nada mudou ou se o item não foi encontrado.
Essa regra custou flexibilidade e comprou confiança: a Aura não afirma ter feito algo que não aconteceu. Quase tudo o que veio depois herdou isso.
Implementado
Mas “leite” pode ser vinte produtos. Qual deles?
The model talks, the code acts.
The first module was as simple as possible: add, list and remove items, by voice or text, and export the list as a PDF. The value was not in the list but in the rule born with it: the language model talks, but never changes data. Requests like “add milk” are recognized by fixed rules, validated in the backend and answered with a receipt saying whether something was done, nothing changed, or the item was not found.
That rule cost flexibility and bought trust: Aura never claims to have done something that did not happen. Almost everything that came later inherited it.
Implemented
But “milk” can be twenty products. Which one?
Catálogo: de “leite” a SKU com código de barras
Uma lista de nomes soltos logo mostrou seu limite: “leite” pode ser vinte coisas diferentes. O catálogo separou o produto mestre (leite) da SKU comercial (marca, embalagem, conteúdo), com aliases e vários códigos de barras por SKU. Em 11 de novembro, refatorei o banco para esse modelo depois de validar um dump completo, e os 15 produtos, as 15 SKUs e os itens da lista foram migrados sem perder vínculos.
Dois cuidados valeram a pena. Códigos de barras nunca são apagados, só aposentados. E um produto novo só entra depois de uma confirmação explícita. O scanner usa a câmera do celular, com digitação manual como alternativa, e só lê: um código desconhecido nunca é cadastrado sozinho. Falta testá-lo com um banco real e em mais aparelhos.
Implementado Scanner em validação
Com cada item identificado, dava para registrar o que foi comprado.
A list of loose names soon showed its limit: “milk” can be twenty different things. The catalog separated the master product (milk) from the commercial SKU (brand, package, content), with aliases and several barcodes per SKU. On November 11, I refactored the database to this model after validating a full dump, and the 15 products, 15 SKUs and the list items were migrated without losing links.
Two precautions paid off. Barcodes are never deleted, only retired. And a new product only enters after explicit confirmation. The scanner uses the phone camera, with manual entry as a fallback, and it only reads: an unknown code is never registered on its own. It still needs testing with a real database and on more devices.
Implemented Scanner in validation
With every item identified, it became possible to record what was bought.
Gestão de compras
Com SKUs, a lista podia virar compra. Uma sessão de compra registra loja, quantidade, preço, desconto, imposto por item e acréscimos da nota, e, ao ser concluída, gera um evento no histórico. Daí saem respostas que antes dependiam da minha memória: “onde comprei café?” e “quanto paguei?” são consultas determinísticas sobre compras concluídas. Quando falta um dado, a Aura diz o que falta em vez de estimar.
Cada produto ganhou histórico de compras, custo médio ponderado pela quantidade e uma referência de preço baseada na mediana das compras recentes. A classificação de “caro” ou “barato” só aparece com pelo menos duas amostras.
Implementado
Registrar à mão não escala. E se a nota fosse lida?
With SKUs, the list could become a purchase. A purchase session records store, quantity, price, discount, per-item tax and receipt surcharges, and when completed it generates a history event. From there come answers that used to depend on my memory: “where did I buy coffee?” and “how much did I pay?” are deterministic queries over completed purchases. When a piece of data is missing, Aura says what is missing instead of guessing.
Each product gained a purchase history, a quantity-weighted average cost and a price reference based on the median of recent purchases. A “expensive” or “cheap” label only appears with at least two samples.
Implemented
Recording by hand does not scale. What if the receipt could be read?
OCR local: da foto do cupom à compra confirmada
Digitar compra por compra não escala, então a Aura passou a ler cupons e notas fiscais. O OCR roda localmente, com Tesseract e OpenCV na CPU: a foto é avaliada (qualidade, desfoque, contraste, perspectiva), ganha variantes de pré-processamento e não é salva em disco nem enviada a serviço externo. PaddleOCR existe como opção, e um fallback com o Ollama recebe apenas a descrição de uma linha e até cinco SKUs candidatas, nunca a imagem.
O OCR erra, então ele nunca decide sozinho. O casamento por código, alias e similaridade só aceita acima de limites de confiança, e todo item precisa ser resolvido por mim antes de a compra ser confirmada. Quando corrijo uma descrição, posso guardá-la como alias, e o mesmo texto passa a casar sozinho na próxima vez.
Um limite honesto: o benchmark usou um único cupom, com erro em torno de 9% por caractere nos dois motores. Os números são indicativos, não uma comparação geral.
Implementado
Os dados estavam organizados, mas faltava contexto: lembrar o porquê, não só o quê.
Typing purchase by purchase does not scale, so Aura started reading receipts. OCR runs locally, with Tesseract and OpenCV on the CPU: the photo is assessed (quality, blur, contrast, perspective), gets preprocessing variants and is never saved to disk or sent to an external service. PaddleOCR is available as an option, and an Ollama fallback receives only one line’s description and up to five candidate SKUs, never the image.
OCR makes mistakes, so it never decides alone. Matching by code, alias and similarity only accepts results above confidence thresholds, and every item must be resolved by me before the purchase is confirmed. When I correct a description, I can save it as an alias, and the same text matches on its own next time.
An honest limit: the benchmark used a single receipt, with about 9% character error in both engines. The numbers are indicative, not a general comparison.
Implemented
The data was organized, but context was missing: remembering the why, not just the what.
Memória semântica: busca por significado
A memória semântica nasceu no makesluke: texto guardado com embeddings (nomic-embed-text, pgvector) para busca por significado. A Aura agora está conectada a ela. Cadastro, busca, edição e exclusão de memórias funcionam pela interface, compras confirmadas gravam uma memória e declarações como “prefiro” ou “não gostei” podem virar memória depois de uma resposta.
Busca por significado sozinha dá respostas vagas, então a memória virou complemento. No chat, a Aura consulta primeiro fatos históricos e só depois os embeddings.
Implementado
Memória é interpretação; o histórico precisava ser fato imutável.
Semantic memory was born in makesluke: text stored with embeddings (nomic-embed-text, pgvector) for search by meaning. Aura is now connected to it. Creating, searching, editing and deleting memories works through the interface, confirmed purchases write a memory, and statements like “I prefer” or “I did not like” can become a memory after a reply.
Search by meaning alone gives vague answers, so memory became a complement. In chat, Aura queries historical facts first and only then the embeddings.
Implemented
Memory is interpretation; the history needed to be immutable fact.
Timeline imutável: corrigir sem apagar o passado
Memórias, compras, tarefas, projetos e OCR passaram a gerar eventos numa linha do tempo única e append-only: um trigger no banco impede alterar ou apagar eventos. As correções acontecem na tabela de origem, e o evento continua como foi registrado. Corrigir o nome da loja de uma compra concluída, ou trocar a SKU de uma linha, atualiza a compra, e a Timeline passa a exibir o dado corrigido sem reescrever o passado.
A tela tem filtros por tipo e carregamento incremental, e a busca entende expressões como “mês passado” e “semana atual”. Falta o backfill: compras, recibos e tarefas anteriores à Timeline ainda não têm eventos.
Implementado
Com o histórico, as tarefas precisavam de um lugar.
Memories, purchases, tasks, projects and OCR now generate events in a single, append-only timeline: a database trigger blocks editing or deleting events. Corrections happen in the source table, and the event stays as it was recorded. Fixing the store name of a completed purchase, or swapping a line’s SKU, updates the purchase, and the Timeline shows the corrected data without rewriting the past.
The screen has filters by type and incremental loading, and the search understands expressions like “last month” and “this week”. The backfill is missing: purchases, receipts and tasks from before the Timeline still have no events.
Implemented
With the history in place, tasks needed a home.
Gestão de projetos
Tarefas soltas precisavam de um lugar. Projetos têm nome, descrição, status, prioridade de 1 a 10 e datas, são arquivados em vez de apagados e geram eventos na Timeline. A migration converteu o project_id das tarefas para UUID e preservou os identificadores antigos. Ela já está aplicada no banco local, mas as rotas ainda precisam de teste de ponta a ponta, e perguntar sobre projetos pelo chat continua desligado de propósito.
Em validação
Com tantos eventos, faltava ver o que se liga a quê.
Loose tasks needed a home. Projects have a name, description, status, priority from 1 to 10 and dates, are archived instead of deleted and generate Timeline events. The migration converted the tasks’ project_id to UUID and preserved the old identifiers. It is already applied to the local database, but the routes still need an end-to-end test, and asking about projects through chat remains deliberately switched off.
In validation
With so many events, I needed to see what connects to what.
Grafo de conhecimento pessoal
Com eventos suficientes, surgiu a pergunta “o que se relaciona com o quê?”. O grafo extrai produtos, lojas, projetos, pessoas e tarefas dos eventos, com regras determinísticas e sem LLM. Cada relação guarda confiança, origem e evidência, e as abaixo de 0,80 ficam pendentes de revisão, para que uma associação duvidosa não vire fato.
Está parcial: a tela lista nós e relações, mas não desenha o grafo nem permite aprovar ou mesclar relações. Os 20 eventos históricos enfileirados ainda aguardam o worker do backend.
Parcial
Com compras confiáveis e relações visíveis, estoque e gastos viraram consequência.
With enough events, the question “what relates to what?” came up. The graph extracts products, stores, projects, people and tasks from events, using deterministic rules and no LLM. Each relation keeps confidence, source and evidence, and those below 0.80 stay pending review, so a doubtful association does not become a fact.
It is partial: the screen lists nodes and relations, but does not draw the graph or let me approve or merge relations. The 20 queued historical events are still waiting for the backend worker.
Partial
With reliable purchases and visible relations, inventory and spending became a consequence.
Estoque inteligente
Com compras por SKU, o estoque deixou de ser adivinhação. Concluir uma compra soma ao saldo na mesma transação, e consumir desconta por voz: “usei 2 bananas”, “quanto tenho de leite?”. O saldo nunca fica negativo e, quando cai abaixo do mínimo configurado, a SKU volta para a lista de compras com a quantidade necessária para completar o mínimo.
O módulo está no banco local, mas ainda sem saldos: eles se formam com as próximas compras concluídas ou com ajustes manuais, e não fiz backfill do histórico.
Em validação
Sabendo o que há em casa, o passo seguinte é saber quanto se gasta.
With purchases by SKU, inventory stopped being guesswork. Completing a purchase adds to the balance in the same transaction, and consuming subtracts by voice: “I used 2 bananas”, “how much milk do I have?”. The balance never goes negative and, when it drops below the configured minimum, the SKU returns to the shopping list with the quantity needed to reach the minimum.
The module is in the local database, but without balances yet: they form with the next completed purchases or manual adjustments, and I have not backfilled the history.
In validation
Knowing what is at home, the next step is knowing how much is spent.
Inteligência financeira
Com preço, loja, categoria e data em cada linha confirmada, o dashboard financeiro foi consequência. Ele soma só compras concluídas, inclui desconto, imposto e acréscimo da nota, e distribui descontos gerais entre as categorias para que os gráficos fechem com o total. Mostra gasto mensal e anual, gasto por loja e por categoria, limites mensais e tendência de preço por SKU, e a voz responde “quanto gastei este mês?”.
É o módulo mais novo (Sprint 14). O código compila e o build passa, mas a migration que cria os orçamentos ainda não foi aplicada no banco local, então a tela e os endpoints dependem disso.
Em validação
Saber não basta. O próximo passo é agir.
With price, store, category and date on every confirmed line, the financial dashboard was a consequence. It sums only completed purchases, includes the receipt’s discount, tax and surcharge, and spreads general discounts across categories so the charts add up to the total. It shows monthly and yearly spending, spending by store and category, monthly limits and price trend per SKU, and the voice answers “how much did I spend this month?”.
It is the newest module (Sprint 14). The code compiles and the build passes, but the migration that creates the budgets has not been applied to the local database yet, so the screen and endpoints depend on it.
In validation
Knowing is not enough. The next step is acting.
Motor de automação
Já existe o motor de ações por regras fixas, com recibo, e um painel de agentes e tarefas com estado e progresso. O que falta é o executor: um worker autorizado, com agendamento, progresso real e novas tentativas. Preferi não oferecer planejamento nem automações antes disso, porque uma automação sem autorização e sem recibo contradiz a regra central do projeto.
Parcial
Mas a forma de pedir importa tanto quanto o que se pede.
The action engine with fixed rules and receipts already exists, along with a panel of agents and tasks with status and progress. What is missing is the executor: an authorized worker, with scheduling, real progress and retries. I chose not to offer planning or automations before that, because an automation without authorization and a receipt contradicts the project’s central rule.
Partial
But how you ask matters as much as what you ask.
Interação por voz
A voz entrou cedo e continua sendo a interface mais exigente. O Vosk transcreve em português e o faster-whisper entra quando a fala é livre ou precisa de confirmação. Em ações que alteram dados, as duas transcrições precisam concordar, senão a Aura não executa. A resposta é falada localmente (Phonon, com Piper de reserva), e um validador prepara números, datas e valores em reais ou dólares para a pronúncia, sem mudar o que aparece na tela.
Tudo roda na CPU de um notebook com GPU de 2 GB, e a pausa no estado “pensando” é o preço disso. A voz Phonon tem licença não comercial.
Implementado
Com a voz como porta de entrada, falta a Aura falar primeiro.
Voice came early and remains the most demanding interface. Vosk transcribes Portuguese and faster-whisper steps in when speech is free-form or needs confirmation. For actions that change data, both transcriptions must agree, otherwise Aura does not act. The answer is spoken locally (Phonon, with Piper as a fallback), and a validator prepares numbers, dates and amounts in reais or dollars for pronunciation, without changing what appears on screen.
Everything runs on the CPU of a laptop with a 2 GB GPU, and the pause in the “thinking” state is the price of that. The Phonon voice has a non-commercial license.
Implemented
With voice as the front door, what is left is for Aura to speak first.
Inteligência proativa
Ainda não existe uma Aura que me avise sozinha, mas as peças já aparecem. O estoque mínimo reabastece a lista automaticamente, o cartão do produto estima quando repor (por intervalos entre compras, sem prever quando o histórico é fraco) e a referência de preço indica se uma compra saiu cara.
O próximo passo é a Aura agir sobre esses sinais por conta própria, o que depende do executor de tarefas e de autorização por ação. Por enquanto, o Personal Context Engine só alimenta respostas: ele não dispara nada.
Parcial
There is no Aura yet that warns me on its own, but the pieces are showing up. The minimum stock refills the list automatically, the product card estimates when to restock (from intervals between purchases, with no forecast when the history is weak) and the price reference shows whether a purchase was expensive.
The next step is for Aura to act on these signals by itself, which depends on the task executor and per-action authorization. For now, the Personal Context Engine only feeds answers: it triggers nothing.
Partial
IA privada: o que fica na minha máquina
Privacidade aqui é arquitetura, não promessa. O modelo de conversa (Ollama), a transcrição (Vosk e faster-whisper), a voz (Phonon e Piper), o OCR (Tesseract e OpenCV) e o banco (PostgreSQL) rodam no meu computador. A foto do cupom é transitória e não é salva. A conta usa senha com Argon2, sessão de oito horas e proteção contra requisições forjadas.
Duas exceções: o clima consulta a Open-Meteo com as coordenadas do navegador, e o primeiro download do modelo de voz precisa acessar o Hugging Face.
E não exige máquina cara: tudo roda num notebook com Core i7 de 7ª geração, 16 GB de RAM e GPU de 2 GB. O custo é a latência no estado “pensando”.
Privacy here is architecture, not a promise. The conversation model (Ollama), transcription (Vosk and faster-whisper), voice (Phonon and Piper), OCR (Tesseract and OpenCV) and the database (PostgreSQL) run on my computer. The receipt photo is transient and never saved. The account uses an Argon2 password, an eight-hour session and protection against forged requests.
Two exceptions: the weather queries Open-Meteo with the browser’s coordinates, and the first download of the voice model needs access to Hugging Face.
And it does not need expensive hardware: everything runs on a laptop with a 7th-generation Core i7, 16 GB of RAM and a 2 GB GPU. The cost is latency in the “thinking” state.
A Aura hoje
Em 13 de novembro de 2026, a Aura tem 14 sprints de código. No meu banco local estão aplicadas as migrations de SKUs, recibos, projetos, grafo e inventário. Estão pendentes a migration financeira, a validação de ponta a ponta de várias telas e rotas, a suíte completa de testes (o pytest integral trava ao finalizar os testes assíncronos da Timeline), o processamento da fila do grafo e a revisão em dispositivos externos.
É também uma instalação para uma pessoa só: lista e tarefas ainda são globais, sem proprietário, e as passkeys estão desligadas até existir um domínio com HTTPS. O estado detalhado de cada recurso está na página da Aura.
On November 13, 2026, Aura has 14 sprints of code. The migrations for SKUs, receipts, projects, graph and inventory are applied to my local database. Still pending are the financial migration, end-to-end validation of several screens and routes, the full test suite (the full pytest run hangs while finishing the Timeline async tests), processing of the graph queue and review on external devices.
It is also a single-person setup: the list and tasks are still global, without an owner, and passkeys are off until there is a domain with HTTPS. The detailed status of each feature is on the Aura page.
Lições aprendidas
- O modelo conversa, o código age. O LLM nunca altera dados, e por isso a Aura não afirma ter feito o que não fez.
- A ordem das camadas importa. Dados confiáveis vêm antes de inteligência. Começar pela IA proativa daria um assistente que fala bem e erra os números.
- O OCR sugere, a pessoa confirma. Limiares de confiança, todo item resolvido e confirmação antes de gravar a compra.
- Histórico imutável, correção na origem. A Timeline é append-only: corrige-se a compra, não o evento.
- Migre com rede de segurança. O dump foi validado antes da refatoração do catálogo, e registro quais migrations rodaram em cada ambiente.
- Determinístico primeiro, LLM por último. O grafo não usa LLM, o fallback generativo recebe só uma descrição e cinco candidatas, e o contexto busca fatos antes de embeddings.
- Dizer “não sei” é um recurso. Sem amostras suficientes não há classificação de preço, e sem histórico não há previsão de reposição.
- Código pronto não é recurso validado. Build passando não é teste de ponta a ponta, e por isso existem os selos.
- Hardware modesto força boas decisões. CPU, quantização e regras fixas rápidas, com a latência assumida em vez de escondida.
- The model talks, the code acts. The LLM never changes data, so Aura never claims to have done what it did not do.
- Layer order matters. Reliable data comes before intelligence. Starting with proactive AI would give an assistant that speaks well and gets the numbers wrong.
- OCR suggests, the person confirms. Confidence thresholds, every item resolved and confirmation before the purchase is saved.
- Immutable history, correction at the source. The Timeline is append-only: you fix the purchase, not the event.
- Migrate with a safety net. The dump was validated before the catalog refactor, and I track which migrations ran in each environment.
- Deterministic first, LLM last. The graph uses no LLM, the generative fallback gets only one description and five candidates, and context looks up facts before embeddings.
- Saying “I don’t know” is a feature. Without enough samples there is no price label, and without history there is no restock forecast.
- Finished code is not a validated feature. A passing build is not an end-to-end test, which is why the badges exist.
- Modest hardware forces good decisions. CPU, quantization and fast fixed rules, with latency acknowledged instead of hidden.
Perguntas frequentes
A Aura envia minhas conversas para a nuvem?
Não. A conversa vai para um modelo local no Ollama e o histórico fica no PostgreSQL local. As exceções são o clima (Open-Meteo) e o download inicial do modelo de voz.
A IA altera meus dados sozinha?
Não. O modelo só conversa. Ações são reconhecidas por regras fixas e executadas pelo backend, que responde com um recibo.
Preciso de um computador potente?
Não necessariamente. A Aura roda num notebook com Core i7 de 7ª geração, 16 GB de RAM e GPU de 2 GB. O custo é a latência no estado “pensando”.
A Aura funciona para mais de uma pessoa?
Ainda não. A instalação é pessoal: lista e tarefas são globais, sem separação por usuário.
Posso usar a voz da Aura em um projeto comercial?
A voz padrão usa o Phonon, licenciado CC BY-NC 4.0, que não permite uso comercial. Um produto comercial exigiria outra voz ou licença.
Does Aura send my conversations to the cloud?
No. The conversation goes to a local model on Ollama and the history stays in the local PostgreSQL. The exceptions are the weather (Open-Meteo) and the initial voice model download.
Does the AI change my data on its own?
No. The model only talks. Actions are recognized by fixed rules and carried out by the backend, which answers with a receipt.
Do I need a powerful computer?
Not necessarily. Aura runs on a laptop with a 7th-generation Core i7, 16 GB of RAM and a 2 GB GPU. The cost is latency in the “thinking” state.
Does Aura work for more than one person?
Not yet. The setup is personal: the list and tasks are global, not separated by user.
Can I use Aura’s voice in a commercial project?
The default voice uses Phonon, licensed CC BY-NC 4.0, which does not allow commercial use. A commercial product would need another voice or license.
Conclusão
Olhando para trás, a ordem importou mais do que cada módulo: catálogo antes de compras, compras antes de OCR, eventos antes de grafo, grafo antes de estoque e finanças. Cada camada só foi possível porque a anterior guardava dados confiáveis e rastreáveis. Se eu tivesse começado pela IA proativa, hoje teria um assistente que fala bem e erra os números.
A regra do começo continua valendo: o modelo conversa, o código age e cada mudança tem um recibo. O que falta é, principalmente, validar com dados reais, e só depois deixar a Aura agir por conta própria.
Looking back, the order mattered more than any single module: catalog before purchases, purchases before OCR, events before the graph, the graph before inventory and finance. Each layer was only possible because the previous one stored reliable, traceable data. Had I started with proactive AI, I would now have an assistant that speaks well and gets the numbers wrong.
The rule from the start still holds: the model talks, the code acts and every change has a receipt. What is left is mostly validating with real data, and only then letting Aura act on its own.