Análise do sistema de memória do Tencent WorkBuddy: sincronização entre dispositivos, arquivos ocultos de regras e por que Ask/Craft/Plan começam a parecer o treino de um parceiro de longo prazo

Se os outros artigos sobre WorkBuddy olham mais para perguntas como:

• ele consegue entrar na fábrica?
• consegue entrar na cadeia de suprimentos?
• consegue conectar fluxo de arquivos e fluxo de sistemas?

então este texto tenta responder outra pergunta, cada vez mais importante:

por que pessoas usando o mesmo WorkBuddy acabam tendo experiências tão diferentes? Algumas sentem que estão formando um parceiro de trabalho de longo prazo que aprende seus padrões; outras continuam vendo apenas uma ferramenta que ajuda de vez em quando.

Reorganizei algumas publicações públicas recentes da Tencent Cloud Developer Community com foco em três linhas:

1. configuração inicial
2. sistema de memória
3. sincronização entre dispositivos

Depois de juntar essas peças, meu veredito é direto:

o lado mais próximo de produção no WorkBuddy não é só a capacidade de executar tarefas, mas o fato de ele já combinar diretório de trabalho, arquivos de memória, regras de comportamento e sincronização em múltiplos dispositivos numa estrutura de uso contínuo.

Conclusão primeiro

• Até 29 de junho de 2026, a trilha pública mais interessante do WorkBuddy nesse fluxo avançado se concentra em cinco pontos:

  1. diretório de trabalho padrão e configuração básica
  2. memória de IA atualizada continuamente
  3. três modos de tarefa: Ask / Craft / Plan
  4. arquivos ocultos de regras IDENTITY.md / SOUL.md / USER.md
  5. sincronização de memória entre dispositivos com drive em nuvem e scripts de automação

• A principal diferença para um uso comum de IA no escritório não é “escrever melhor”, e sim isto:

  • ela começa a lembrar quem você é
  • começa a entender como você trabalha
  • começa a levar o mesmo contexto para outra máquina

• Se hoje você opera com:

  • workflow desktop de alta frequência
  • Agents para tarefas longas
  • colaboração entre múltiplos dispositivos
  • cenários híbridos entre arquivos locais e automação

  então esse tipo de caso prático costuma ser mais útil do que olhar apenas ranking de modelos.

Por que “lembrar de você” importa mais do que “responder você”

Um erro comum na primeira experiência com WorkBuddy é este:

• instalar e sair pedindo tarefa
• abrir direto o modo Craft
• assumir que a IA vai entender tudo sozinha

Só que a experiência de longo prazo raramente depende do sucesso da primeira solicitação. Ela depende de coisas bem mais estruturais:

• ele sabe qual é o seu diretório de trabalho padrão?
• ele guarda suas preferências?
• ele entende seu estilo recorrente?
• ele “esquece” tudo quando você muda de computador?

Ou seja, o que separa uma boa experiência de uma experiência esquecível não é uma conversa isolada, mas isto:

você tratou a ferramenta como algo temporário ou construiu um parceiro com continuidade?

Caso 1: a primeira tarefa não é “mandar trabalhar”, e sim configurar diretório, memória e modo

O artigo público mais direto sobre isso é:

WorkBuddy - 设置篇，第一件事不是让它干活（手把手教你基本设置 新手必看）

Ele vale atenção porque não fica na teoria. Ele aponta exatamente os detalhes que iniciantes costumam ignorar.

1.1 Diretório de trabalho padrão: não jogue tudo no disco C desde o primeiro dia

Um dos alertas mais práticos do texto é:

• defina cedo o local padrão do workspace
• de preferência, não coloque tudo no C

Isso parece detalhe, mas é o tipo de detalhe que aparece em ambiente real. Quando as tarefas aumentam, começam a se acumular:

• artefatos locais
• cache
• arquivos de projeto

Se o diretório de trabalho não foi pensado desde o começo, a operação desktop vai ficando caótica.

Isso não é uma “dica avançada”. É simplesmente:

o primeiro gesto de operação contínua para qualquer Agent que vai rodar de verdade no desktop.

1.2 O sistema de memória não é enfeite: ele foi feito para evoluir com o uso

No mesmo artigo, a memória é tratada como algo que precisa ser ativado e acompanhado.

O texto público descreve a lógica de forma clara:

• a memória vai sendo atualizada conforme conversas e tarefas avançam
• o Agent passa a entender melhor você com o tempo
• você pode revisar, editar, excluir ou acrescentar memórias manualmente

Isso mostra que a memória do WorkBuddy não foi pensada como um interruptor cosmético, mas como:

uma camada persistente, acumulativa e corrigível de memória de longo prazo.

1.3 Ask / Craft / Plan não são detalhes de interface; são fronteiras de risco

O mesmo material também explica por que os três modos precisam ser levados a sério:

• Ask: leitura sem escrita
• Craft: operação direta sobre arquivos
• Plan: planeja primeiro e executa depois da confirmação

Isso importa porque muita gente vai direto para Craft, enquanto a orientação pública é mais cuidadosa:

• iniciantes devem começar por Ask
• tarefas complexas costumam ser melhores em Plan
• Craft faz mais sentido quando você já entende bem o limite da ação

Na prática, isso transforma o risco de uso da IA em algo muito mais administrável no desktop.

Caso 2: o ponto que mais parece “treinar um parceiro” é escrever identidade, alma e perfil de usuário

No mesmo artigo de configuração, a parte que mais merece ser isolada é o diretório oculto .workbuddy.

Os caminhos públicos citados são:

• ~/.workbuddy/ (Mac / Linux)
• C:\\Users\\seu-usuario\\.workbuddy\\ (Windows)

E os três arquivos centrais ali dentro são:

• IDENTITY.md
• SOUL.md
• USER.md

2.1 IDENTITY.md: quem ele é

O artigo explica esse arquivo de forma bem objetiva:

• nome
• papel
• área de foco
• escopo de capacidades

Isso significa que a “personalidade operacional” do WorkBuddy não fica só num prompt temporário. Ela pode ser definida de forma persistente.

2.2 SOUL.md: como ele fala e como ele age

Essa camada funciona mais como regra de comportamento. Os exemplos públicos incluem:

• priorizar concisão
• começar pela conclusão
• pedir confirmação antes de operações de risco
• apontar o problema diretamente quando algo estiver errado, sem rodeios

Aqui já não estamos falando de “tom de conversa”, mas de:

qual tipo de colega de trabalho você está configurando.

2.3 USER.md: quem é você

Esse arquivo, na prática, explica para a IA:

• seu contexto
• seu modo de trabalhar
• suas preferências

É por isso que, nessa trilha do WorkBuddy, a parte mais próxima de uma configuração de produção não é só escolher modelo, mas:

escrever a relação entre humano e Agent dentro de arquivos persistentes.

Isso é muito mais estável do que repetir na conversa algo como “a partir de agora faça sempre assim”.

Caso 3: depois de 40 dias, a IA vira parceira não porque o modelo melhorou, mas porque memória e regras passaram a valer

Outro texto público que entra muito bem nessa leitura é:

当 AI 开始记住你是谁——我与 WorkBuddy 共处 40 天的真实体感

O valor desse artigo está no fato de que ele não é tutorial, e sim relato de uso continuado.

Pelos resultados públicos e pela organização do texto, a espinha dorsal inclui:

• primeiro definir regras
• depois montar o sistema de memória
• configurar tarefas automáticas
• coordenar o trabalho entre dispositivos
• e registrar os tropeços do caminho

Eu concordo bastante com o juízo central desse relato:

até onde a IA vai não depende só da força do modelo, mas de quanto tempo você investe em ensiná-la.

Isso se encaixa especialmente bem no WorkBuddy, porque muita gente ainda usa um Agent como ferramenta descartável. O relato, ao contrário, destaca outra lógica:

• não começar do zero em toda tarefa
• e sim recalibrar continuamente

Isso faz o uso parecer menos uma chamada pontual e mais o treinamento de uma parceria de longo prazo.

Caso 4: sincronização de memória entre dispositivos é a etapa em que contexto vira ativo

Se os dois primeiros artigos respondem “como usar numa máquina”, o terceiro empurra o WorkBuddy para um workflow realmente multiplataforma:

把 WorkBuddy 的记忆带上每一台设备——跨设备记忆同步完整教程 #WorkBuddy

Os pontos mais importantes descritos publicamente são estes:

• o objetivo é resolver a falta de sincronização de memória entre dispositivos
• a abordagem combina drive em nuvem + scripts de automação
• o tutorial cita explicitamente OneDrive, além de outros serviços comuns de armazenamento em nuvem
• a promessa é concluir a configuração em cerca de 15 minutos
• os itens sincronizados incluem:
  • logs de trabalho
  • preferências do usuário
  • contexto do projeto

Isso muda a discussão de “como a IA entende você neste computador” para algo bem mais valioso:

quando você troca de máquina, ela continua trabalhando como se não tivesse perdido o fio da meada?

4.1 O que mais parece produção aqui não é o script, e sim o que está sendo sincronizado

Quando alguém ouve “script de sincronização”, a primeira reação costuma ser técnica. Mas do ponto de vista de negócio, a pergunta realmente importante é outra:

o que exatamente vale a pena levar junto?

Pelas palavras-chave públicas, o que entra nessa sincronização não são ajustes triviais, mas sim:

• logs de trabalho
• preferências do usuário
• contexto do projeto

Se essas três camadas acompanham você, então:

• a segunda máquina não precisa ser “reensinada” do zero
• o contexto não quebra a cada troca de dispositivo
• o custo de retomar um projeto cai bastante

É por isso que eu considero a sincronização entre dispositivos mais importante do que parece à primeira vista. No fundo, ela converte:

experiência vivida em conversa

em:

ativo de trabalho transferível.

4.2 O fluxo baseado em OneDrive é simples justamente porque ataca o problema certo

O ponto mais útil do tutorial não é uma arquitetura sofisticada. É o fato de usar uma peça que já existe no cotidiano de muita gente: uma pasta sincronizada em OneDrive, combinada com automação leve.

Esse desenho é interessante porque evita inventar um sistema novo. Em vez disso, ele aproveita:

• o diretório local onde o WorkBuddy guarda memória e regras
• a sincronização já pronta do serviço de nuvem
• scripts pequenos para copiar, atualizar ou alinhar arquivos quando necessário

É uma solução pragmática: pouca infraestrutura nova, mas impacto alto na continuidade entre notebook, desktop e outras estações de trabalho.

Caso 5: o risco mais perigoso não é a IA errar, e sim a falha silenciosa e o inchaço da memória

O relato de 40 dias traz alguns alertas que soam muito mais como operação real do que como demo:

• falhas silenciosas de push ou sincronização são as mais traiçoeiras
• arquivos de memória não podem crescer para sempre sem revisão
• tarefas automáticas precisam considerar horário e estado da máquina

Todos esses pontos têm cheiro de produção porque já não falam de “o modelo não foi inteligente o bastante”, e sim de problemas típicos de sistema com estado:

• a automação pode não rodar como esperado
• a memória pode acumular ruído
• o dispositivo e a agenda podem quebrar a confiabilidade do fluxo

Em outras palavras, quando o WorkBuddy começa a assumir tarefas de longo prazo, ele passa a herdar problemas muito parecidos com os de qualquer sistema operacional real:

• estado
• agendamento
• recuperação de falha
• poluição de contexto

É exatamente por isso que esses textos merecem leitura com cabeça de operação, não só de “novidade em IA”.

Juntando esses casos, como fica o “workflow avançado” do WorkBuddy?

Quando colocamos lado a lado o artigo de configuração, o relato de 40 dias e o tutorial de sincronização entre dispositivos, o WorkBuddy já mostra alguns traços bem nítidos de ambiente de produção:

• existe um diretório de trabalho padrão
• existe separação de risco entre leitura, edição direta e planejamento antes de agir
• existe um sistema de memória que cresce com o uso
• existem arquivos de regras para fixar identidade, estilo e preferência do usuário
• existe sincronização entre dispositivos para levar memória de uma máquina para outra
• existem tarefas automáticas e também modos previsíveis de falha

Isso é bastante diferente de uma ferramenta de IA comum.

Ela deixa de ser algo como:

• você pergunta uma vez, ela responde uma vez

e começa a parecer algo como:

• você mantém um sistema de trabalho
• e a IA vira uma peça configurável, transferível e administrável dentro desse sistema

Quem deveria testar isso agora

Vale testar já

• quem tem workflow desktop contínuo
• quem alterna com frequência entre vários dispositivos
• quem já usa Agents como ferramenta diária, não como curiosidade ocasional
• quem acumula diretórios, contexto de projeto e preferências pessoais ao longo do trabalho
• quem aceita manter arquivos de regras, diretório de trabalho e scripts de automação

Pode esperar um pouco

• quem só quer fazer perguntas pontuais sem memória de longo prazo
• quem quase nunca troca de dispositivo
• quem não quer manter nenhum arquivo de configuração nem automação
• quem ainda não tem clareza sobre diretórios locais e fronteiras de permissão do Agent

Se você quiser ligar um workflow como esse a modelos customizados, onde está o valor de compra?

Do ponto de vista de operação, a pergunta raramente é “ele responde bem?”, e sim:

• a memória de longo prazo precisa passar por modelos diferentes?
• o custo de contexto continua estável depois da sincronização entre dispositivos?
• tarefas automáticas e fluxo de arquivos conseguem passar por um gateway unificado?
• o estado, as regras e o custo de vários Agents podem ser administrados no mesmo lugar?

Se você está construindo Agents desktop de longo prazo, sistema de memória e workflow automatizado, um gateway unificado de modelos tende a ser mais útil do que apostar tudo em um único modelo.

Você pode continuar por estes links:

• Preços de modelos
• Comprar API Key
• Tutoriais

Meu veredito final

Se eu tivesse de resumir essa trilha do WorkBuddy em uma frase, seria esta:

o ponto mais importante não é “ele consegue executar tarefas”, mas que ele já começa a ter uma estrutura capaz de transformar IA de ferramenta temporária em parceira de trabalho de longo prazo.

Essa estrutura, no mínimo, já inclui:

1. diretório de trabalho
2. sistema de memória
3. arquivos de regras de comportamento
4. modos com fronteiras de risco
5. sincronização entre múltiplos dispositivos

Isso também significa que o lado realmente “de produção” do WorkBuddy não está numa tarefa isolada ser impressionante, mas no fato de ele se parecer cada vez mais com:

um sistema desktop de trabalho com IA que precisa ser configurado, mantido, migrado e reutilizado.

Referências

• Quando a IA começa a lembrar quem você é: minha experiência real convivendo 40 dias com o WorkBuddy
• Leve a memória do WorkBuddy para todos os seus dispositivos: tutorial completo de sincronização entre dispositivos #WorkBuddy
• WorkBuddy - guia de configuração: a primeira coisa não é mandar ele trabalhar