Aura: De uma Simples Lista de Compras para uma Plataforma de Inteligência Pessoal

A evolução da Aura

Como uma simples lista de compras se transformou em uma plataforma de memória, automação e inteligência pessoal.

Conheça a Plataforma

Por Romeu Cornelius Junior · Estudo de caso · 13 de novembro de 2026 · 11 min de leitura

A Aura em uso. O vídeo começa sem som; use os controles para ativar o áudio.

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

BenefícioO que muda na práticaEstado
Memória pessoal pesquisávelEncontro o que registrei sem lembrar a dataImplementado
Leitura assistida de notas fiscaisA foto vira compra depois da minha revisãoImplementado
Histórico de compras e preçosSei onde e por quanto compreiImplementado
Busca por significadoPergunto com minhas palavras, não com as da notaImplementado
Controle de estoque domésticoO que acaba volta para a listaEm validação
Automação pessoalAções confirmadas, com reciboParcial
Privacidade e execução localModelo, voz, OCR e dados rodam no meu computadorImplementado

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.

Etapas da evolução

  1. Etapas da evolução
  2. Lista de compras
  3. Catálogo de produtos
  4. Gestão de compras
  5. Automação por OCR
  6. Memória semântica
  7. Linha do tempo unificada
  8. Gestão de projetos
  9. Grafo de conhecimento
  10. Estoque inteligente
  11. Inteligência financeira
  12. Motor de automação
  13. Assistente de voz
  14. IA proativa

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.

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?

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?

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.

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.

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.

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.

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.

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.

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.

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.

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.

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

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”.

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.

Lições aprendidas

  1. O modelo conversa, o código age. O LLM nunca altera dados, e por isso a Aura não afirma ter feito o que não fez.
  2. 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.
  3. O OCR sugere, a pessoa confirma. Limiares de confiança, todo item resolvido e confirmação antes de gravar a compra.
  4. Histórico imutável, correção na origem. A Timeline é append-only: corrige-se a compra, não o evento.
  5. Migre com rede de segurança. O dump foi validado antes da refatoração do catálogo, e registro quais migrations rodaram em cada ambiente.
  6. 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.
  7. Dizer “não sei” é um recurso. Sem amostras suficientes não há classificação de preço, e sem histórico não há previsão de reposição.
  8. Código pronto não é recurso validado. Build passando não é teste de ponta a ponta, e por isso existem os selos.
  9. Hardware modesto força boas decisões. CPU, quantização e regras fixas rápidas, com a latência assumida em vez de escondida.

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.

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.

Quer um assistente como a Aura?

Conte o que você quer construir ou automatizar. Eu respondo com perguntas, não com um discurso de vendas.

me@rcjr.online

© 2026 Romeu Cornelius JuniorSoftware Engineer & AI Builder