Vibe coding para não jogar o PDF inteiro no modelo

Jogar o PDF inteiro do processo no modelo come a janela. ia.de.gabinete descreve essa janela como uma gaveta: cada adição é um livro, e o PDF de um processo deixa a gaveta cheia de livro. Se o modelo usa 500k só para ler aquele arquivo, mais da metade some antes da análise. A 80% ele já começa a alucinar.

Ele chega nisso no vibe coding do intake, a primeira das 5 etapas do fluxo do MP. Das 5 etapas, o intake é a que decide o que entra no modelo. Manda o link do NotebookLM com o processo, ou o PDF. A skill monta um contexto estruturado de fatos, evidências e movimentos. A skill não analisa o mérito. O produto desta etapa é o arquivo de contexto. Foi o mesmo caminho de busca semantica.

Se o PDF entra inteiro, a janela some

Ele descreve o intake e, no mesmo fôlego, o atalho que recusa: mandar o processo cru para o Claude. Quando o arquivo vai para o Claude, ou para qualquer outra inteligência artificial, a leitura começa na primeira página e segue até o fim. O mesmo problema apareceu em inventario de estoque.

se eu jogo o PDF inteiro aqui, ah, ele vai ter que ler página por página

A leitura página por página gasta token e aperta o espaço que ainda restaria para a pergunta. Ele descreve o mesmo gesto com o processo inteiro:

Se você joga o PDF inteiro do processo, do procedimento no cloud, no em qualquer outro, né, inteligência artificial, ele vai consumir o a janela de contexto

Cloud, na fala dele, é o Claude.

a janela de de token é uma gaveta

Cada adição é um livro. 500k só na leitura deixam essa gaveta praticamente cheia.

se ele usar 500k de de de contexto só para ler aquele PDF, ele vai ele vai ficar praticamente cheio

O PDF ainda traz poluição. Cabeçalhos, movimentos e conclusões que não acrescentam à análise entram no mesmo arquivo e vão com ele para a janela. Hoje a janela é da ordem de 1 milhão de tokens, o tamanho que ele nomeia nesta live. Lá a conversa longa enche a sessão; aqui o PDF inteiro é o que enche o modelo.

A 80% o modelo já alucina

A leitura de 500k já come mais da metade do contexto. Sobrar espaço para a pergunta seguinte fica difícil.

quando chega no 80% já começa a ficar muito cheio, já começa a dar uma alucinada

Mais da metade do contexto vai só no PDF. Os 500k da leitura deixam pouco para o que vem depois, e o 80% é o ponto em que ele vê o modelo alucinar. Ele resume o que resta: "Você não vai sobrar muito o espaço." A alucinada, nesta fala, começa quando a janela chega nesse ponto, com o PDF ainda carregando cabeçalhos e movimentos que não acrescentam. O mesmo problema apareceu em vibe coding para o revisor apontar o erro e nao reescrever.

Vibe coding com rodadas no NotebookLM

O jeito dele hoje é vibe coding para não jogar o PDF inteiro no modelo. NotebookLM vira interrogador dos autos. O sistema faz perguntas ao caderno e monta um arquivo de contexto só com o que importa, para você não precisar mandar o processo inteiro no Claude. O mesmo problema apareceu em rag ia.

Funciona por rodadas, e ele também chama de rounds. Cada processo tem particularidade, então as rodadas mudam. Não existe um script único. A rodada zero é um reconhecimento enxuto. Se não resolve, entram mais rodadas, até 3. Ele sobe essas rodadas processo a processo, sem um roteiro único para todos os autos. Vale ver como isso terminou em vibe coding para mostrar o efeito lado a lado sem nomear.

essas rodadas não me custa token

A skill do NotebookLM faz o intake por Python, fora do modelo que depois escreve. O trabalho de perguntar ao caderno acontece ali, e a janela do Claude só vê o arquivo que sai. O modelo que escreve depois lê o arquivo que as rodadas já montaram. Isso aparece também em vibe coding para o modelo barato executar e o caro auditar.

Faz isso por Python, então não gasta token, não tá fazendo por IA

A janela do Claude recebe o arquivo de contexto que saiu dessas rodadas. O PDF inteiro permanece no caderno. Isso aparece também em humanizar texto ia.

Na mesma live ele já mostrou o ChatGPT na conta matemática. Aqui o risco é o PDF inteiro comer o contexto antes da análise.

O PDF fica no caderno, o modelo recebe o arquivo

Amanhã, no vibe coding do seu fluxo, o PDF do processo entra no NotebookLM antes de qualquer pedido de análise. A rodada zero faz o reconhecimento enxuto. Se a rodada zero não resolve, sobem até 3 rodadas. O Python monta o arquivo de contexto e o Claude recebe esse arquivo, com o PDF inteiro ainda no caderno do NotebookLM.

Dá para assistir à live e ouvir os 500k, o 80% e as rodadas que não custam token da janela.