AGENTE DESKTOP OPEN SOURCE · AUMI GROUP
A camada de presença entre você e a máquina.
Agente desktop open source que vê o que você vê, lê onde você está apontando o cursor, ouve o que você diz, age na web por você e aprende como você trabalha. Tudo rodando local por padrão. Rust + Tauri. Escada de modelos Gemma → Claude. Memória persistente. Sem mandar voz nem tela pra nuvem de Big Tech.
Construído pela AUMI Group como prova viva da filosofia AI Native.
Rust + Tauri · escada Gemma → Claude
Cloud só com opt-in explícito. Ação irreversível aguarda confirmação humana.
STATUS HONESTO
v0 Ouvido funciona. v0.1 plugando whisper.cpp.
Onda 3 (Voz+Visão+Memória) · Mãos T2 (browser).
Gemma 4B local → Claude Sonnet 4.6 → Opus 4.8.
STT/TTS/VAD rodam offline. Cloud só com opt-in explícito.
DIFERENCIAL
Quando você diz "resume isso aqui", o "isso aqui" é resolvido pelo que está sob o cursor + o que está na tela ativa + a memória de conversas anteriores sobre aquele aplicativo. Sem ping-pong de "o quê?", sem upload de print manual, sem copia-cola.
Assistentes comerciais veem uma coisa: ou texto que você digita (ChatGPT desktop), ou imagem que você cola (Copilot). MIND vê tudo ao mesmo tempo, com um contexto unificado vindo da árvore de acessibilidade do Windows e da janela ativa, não de pixels.
OS 5 PILARES
Estado público e honesto de cada pilar. O que funciona, o que está em construção, o que está em design.
Captura de microfone via cpal. VAD adaptativo de energia que auto-calibra ao ruído do ambiente. Emite eventos mic-level, mic-vad, mic-state em tempo real pro overlay React. Próximo passo: plugar whisper.cpp pra transcrição local.
Screenshot da janela ativa + entendimento via modelo com visão. Resolve "o que é isso?" sem você descrever. Estratégia: usar árvore de acessibilidade quando bastar (Gemma resolve) e cair pra visão multimodal (Claude com imagem) só quando a UI for não-padrão.
Cursor como contexto: elemento sob o cursor (tipo, propriedades, accessible name), janela ativa, árvore de UI Automation completa. Resolve o "isso aqui" virando referência exata (ref=e42). Esse é o pulo do gato que torna modelo pequeno viável, sem pixel grounding.
Duas frentes:
T1: Desktop: clica, digita, abre apps via OS automation, com gate humano em ação irreversível.
T2: Web (ativo agora): Playwright MCP com perfil persistente do usuário. Gemma 4B lê a árvore de acessibilidade, escolhe ação por ref, executa. Caso de uso piloto: candidatura a vagas a partir do CV do João. Ver PLANO-MAO-NAVEGADOR.md
Padrões de uso, hábitos, decisões anteriores, perfil profissional. Persistente entre sessões. Semente já presente: o VAD auto-calibra ao microfone do usuário e persiste em disco. Vai conectar ao Brain corporativo em ambientes AUMI.
Roda local por padrão. Spec antes de código. Gate humano em ação irreversível. AGPL, reciprocidade obrigatória. Allowlist de domínios. Captcha/2FA → pausa pro humano, nunca burla. Sem slop, sem vibe-coding.
ESCADA DE MODELOS · MODEL-AGNOSTIC
Cada passo do agente escolhe o modelo mais barato que resolve. Tarefas discretas (clicar campo X, transcrever áudio curto) ficam no Gemma 4B local. Decisões ambíguas (pergunta aberta, formulário não-padrão) escalam pro Claude Sonnet 4.6. Raciocínio multi-step crítico cai no Claude Opus 4.8. Tudo configurável.
Detalhe completo de quando aberto vence em IA open source em 2026.
CAPACIDADES · ESTADO ATUAL + ROADMAP
ref → executa → re-snapshotEXEMPLO DE FLUXO
Você está num formulário de vaga, aponta pro campo "experiência", e diz:
# Voz captada (push-to-talk): "resume aqui meu último cargo em 3 linhas" # MIND resolve: context = { cursor: { ref: "e42", name: "Experiência profissional", type: "textarea" }, window: "Vaga · Senior Eng @ TechCo · Greenhouse", memory: vault.lookup("último cargo") # do JSON do CV, voice: "resume aqui meu último cargo em 3 linhas" } # Decisão de modelo: gemma_4b(context) # tarefa estruturada, gemma resolve → action: browser_type(ref="e42", text="3 linhas otimizadas") # Gate de submit (irreversível): se action == submit: aguardar confirmação_humana() senão: executar action
STACK TÉCNICO
Decisões deliberadas e versionadas. Nada de "X porque é legal".
App nativo leve, instala sem Admin. WinLibs MinGW pro dlltool.
Overlay elegante, comunicação Rust↔UI por eventos tipados.
Auto-calibração ao ambiente, persistência da curva entre sessões.
Privado, offline, sem chave de API. Modelos pequenos (small.pt) cabem em 1GB RAM.
Síntese decente offline, latência baixa, sem custo.
A11y snapshot + ações por ref. MCP server roda local, dirigível por modelo pequeno.
Escada de fuga. Aberto primeiro, fechado quando vale a pena.
Cliente MCP que orquestra modelo+tools. Mesmo harness das nossas operações de consultoria.
POR QUE EXISTE
Copilot, Alexa, Siri, Gemini Desktop, todos mandam áudio e contexto pra nuvem da Big Tech, esquecem tudo a cada turn, e não enxergam sua tela porque "privacidade". E ainda assim, todos eles têm telemetria.
MIND inverte: roda local, persiste contexto, enxerga o que você está fazendo, e age só onde você manda, com gate humano em qualquer coisa irreversível. Cloud só quando você escolhe explicitamente, e mesmo aí com retenção zero via API corporativa.
É o tipo de assistente que agente em produção deveria ter sido desde o começo, com a disciplina que a AUMI usa em cliente real.
CONTRIBUA
Projeto vivo, em alpha pública. Se a visão faz sentido pra você, deixa uma estrela, manda issue do que falta, ou PR. Lê CONTRIBUTING.md antes, temos disciplina.
AGPL v3 · model-agnostic · local-first · Windows alpha, macOS/Linux na sequência