Tutorial e análise detalhada do projeto **Auto Research** de Andrej…
INEMA
git clone github.com ↗
Vou te mostrar como instalar e usar o Auto Research (IA que se auto-aperfeiçoa) de forma simples. 💻🤖
1️⃣ Pré-requisitos (instalar antes)⌗
Você precisa ter instalado:
1. Python⌗
Baixe:
Verifique se instalou:
python --version
2. Git⌗
Baixe: https://git-scm.com/downloads
Teste:
git --version
3. VS Code (opcional, mas recomendado)⌗
Baixe: https://code.visualstudio.com/
2️⃣ Baixar o projeto (clone do repositório)⌗
Abra o terminal e rode:
git clone https://github.com/karpathy/auto-research.git
Depois entre na pasta:
cd auto-research
3️⃣ Criar ambiente virtual⌗
No terminal:
python -m venv venv
Ativar:
Windows⌗
venv\Scripts\activate
Linux / Mac⌗
source venv/bin/activate
4️⃣ Instalar dependências⌗
Dentro da pasta do projeto:
pip install -r requirements.txt
5️⃣ Configurar API da IA⌗
Você precisa de uma chave de IA, por exemplo:
Claude⌗
https://console.anthropic.com/
ou
OpenAI⌗
Crie um arquivo .env:
ANTHROPIC_API_KEY=sua_chave_aqui
ou
OPENAI_API_KEY=sua_chave_aqui
6️⃣ Criar seu experimento⌗
No projeto existe um arquivo tipo:
test.md
Exemplo:
```Goal: melhorar taxa de resposta de emails
Metric: reply_rate
Method: - gerar novas versões do email - testar campanhas - comparar resultados```
7️⃣ Rodar o sistema⌗
Execute:
python orchestrator.py
Agora o agente vai:
1️⃣ criar experimento 2️⃣ testar 3️⃣ medir resultados 4️⃣ gerar nova versão 5️⃣ repetir
8️⃣ Automação (opcional)⌗
Para rodar sozinho:
usando cron (Linux/Mac)⌗
crontab -e
exemplo:
0 * * * * python orchestrator.py
(rodar a cada hora)
🔥 Exemplo de coisas que você pode otimizar⌗
- emails de vendas
- anúncios
- landing pages
- títulos de YouTube
- SEO
- preços
- copywriting
- prompts de IA
✅ Resultado: a IA fica testando melhorias sozinha 24h por dia.
laboratórios de IA já usam esse tipo de sistema. * Agora qualquer pessoa pode aplicar isso:
- em negócios
- marketing
- produtos
- IA.
✅ Resumo em uma frase:
O vídeo mostra como usar um sistema de IA que executa experimentos automaticamente para melhorar qualquer processo com métricas claras, criando pipelines de otimização contínua sem intervenção humana.
1. Ideia central: IA que se autoaperfeiçoa⌗
- Andrej Karpathy lançou um projeto open source chamado “Auto Research”.
- A ideia é permitir que um agente de IA experimente sozinho para melhorar um sistema.
- O processo:
- IA modifica código ou parâmetros
- Treina/testa por alguns minutos
- Mede resultado com uma métrica
- Mantém ou descarta a mudança
- Repete o ciclo automaticamente
👉 Resultado: o sistema melhora sozinho ao longo do tempo.
2. Como funciona o ciclo de auto-melhoria⌗
O processo segue um loop experimental parecido com método científico:
- Hipótese
- Fazer uma pequena mudança.
- Experimento
- Rodar teste automaticamente.
- Medição
- Avaliar resultado com uma métrica.
- Seleção
- Escolher o melhor resultado.
- Iteração
- Repetir o processo continuamente.
Quanto mais rápido o loop, mais rápido o sistema melhora.
3. Estrutura básica necessária⌗
Para usar esse sistema, você precisa de 3 coisas:
1️⃣ Uma métrica clara⌗
Exemplos:
- Taxa de resposta
- Conversão
- Cliques
- Vendas
- Loss do modelo
2️⃣ Algo que possa ser modificado⌗
Exemplos:
- Texto de email
- Landing page
- Parâmetros de modelo
- Criativos de anúncios
3️⃣ Acesso via API⌗
Para que o agente possa:
- coletar dados
- alterar o sistema
- rodar novos testes automaticamente
4. Exemplo real mostrado no vídeo (Cold Email)⌗
O autor usa o sistema para otimizar emails de vendas.
Métrica⌗
- Reply rate (taxa de resposta)
O que muda⌗
- Texto do email
Processo⌗
- Criar versão baseline
- Gerar challenger (variação)
- Enviar os dois
- Comparar resultados
- O vencedor vira o novo baseline
- Criar nova variação
Esse processo roda automaticamente a cada 4 horas.
5. Aprendizado acumulado⌗
A IA registra aprendizados em um arquivo:
resources.md
Isso cria uma base de conhecimento crescente, que ajuda a gerar versões melhores no futuro.
6. Arquitetura do sistema⌗
Componentes principais:
Orchestrator⌗
Agente principal que:
- coordena experimentos
- cria variações
- coleta métricas
- decide vencedor
APIs⌗
Para coletar dados (ex: Instantly API).
Scripts auxiliares⌗
- deploy
- coleta
- geração de testes
GitHub Actions⌗
Executa tudo automaticamente em intervalos.
7. Automação completa⌗
O sistema funciona sozinho:
- cria experimentos
- testa versões
- coleta resultados
- gera novas versões
- repete o ciclo
💡 O criador nem precisa participar do processo.
8. Exemplos de aplicações⌗
A técnica pode ser usada em várias áreas.
Marketing⌗
- Cold email
- Títulos de YouTube
- Subject lines de newsletter
- Landing pages
- Copy de anúncios
- SEO
Negócios⌗
- Pricing pages
- Descrição de produtos
- Scripts de atendimento
- Conversão de vendas
IA e engenharia⌗
- Treino de modelos
- Ajuste de hiperparâmetros
9. Vantagens do sistema⌗
- roda 24h por dia
- executa centenas de testes
- melhora continuamente
- elimina trabalho manual
- cria aprendizado acumulado
10. Limitações do método⌗
Nem tudo funciona bem com esse sistema.
É necessário:
1️⃣ Feedback rápido⌗
Exemplo ideal:
- testes em minutos ou horas
Não ideal:
- experimentos que demoram meses.
2️⃣ Métrica objetiva⌗
Boa métrica:
- cliques
- conversão
- replies
Métrica ruim:
- “qualidade”
- “felicidade”
- coisas subjetivas.
3️⃣ Capacidade de alterar o sistema⌗
Precisa ter:
- API
- automação
- acesso ao sistema
Sem isso o agente não consegue experimentar.
11. Configuração técnica resumida⌗
Passos para usar o sistema:
1️⃣ Clonar o repositório Auto Research
2️⃣ Definir um teste (test.md)
3️⃣ Configurar métricas
4️⃣ Conectar APIs
5️⃣ Criar automação (ex: GitHub Actions)
6️⃣ Deixar rodando em loop.
12. Conceito importante⌗
Isso é basicamente:
Automação do método científico.
Antes:
- humanos fazem experimentos
Agora:
- IA faz milhares automaticamente
13. Impacto⌗
Segundo o autor:
- Grandes
AutoResarch Loop - AutoPesquisa
1