VectorGen
Docs

VGAI e entrega

Estado: conceito de venda. Nada disto está construído. Só desenvolvemos depois da primeira venda. O que está abaixo é direção, não decisão.

Nome

  • Agente VG = Vertical Generative: o produto que o cliente contrata (especialista por domínio).
  • VGAI = Vectorial Generation AI: a memória própria (Brain) de cada agente.

VGAI (Vectorial Generation AI)

É a memória própria de cada agente VG.

  1. O agente acessa o que o cliente conectou: repositório Git, servidores, documentos, CRM, ferramentas de anúncio e outras.
  2. Tira conclusões do que lê e do que faz.
  3. Guarda essas conclusões em memória curta: trechos pequenos de instruções e fatos, as notas.
  4. Com o tempo, as notas viram memória de longo prazo, que ele consulta antes de agir.

No site, a memória aparece como o Brain: notas em arquivos .md que pertencem à empresa do cliente. Os tipos mostrados são semântica, procedural e episódica. O configurador vende três tamanhos: 100, 1.000 e 10.000 notas.

Entrega com n8n

  • Todo agente VG é construído no n8n.
  • Cada um tem um workflow orquestrador, que chama outros workflows dele. Exemplo: uma rotina de aprendizado quando sai um documento novo no Confluence.
  • Em volta do n8n ficam as outras peças: a base de memória, o acesso às ferramentas do cliente (MCP e APIs) e o agendamento de tarefas.
  • Dentro dos workflows, a IA decide o caminho e chama as ferramentas.

Exemplo

O cliente diz ao engenheiro: "o ChatGPT não cita o nosso site, por quê?". O orquestrador dispara um workflow. A IA investiga com acesso ao repositório e ao servidor, entende como a infraestrutura funciona, propõe a solução ao cliente e guarda o aprendizado na memória.

Primeiras vendas

O fundador recebe a configuração pelo WhatsApp e monta o primeiro agente VG à mão. Só depois da primeira venda construímos o app do cliente (banco de horas, aprovar ações e ver a memória).

MVP do engenheiro — Cursor Ultra como engine

Caminho enxuto para as primeiras contas (custo fixo ~US$ 200/mês + VM):

  1. VM Linux com Cursor CLI autenticado no plano Ultra.
  2. Uma pasta por cliente (contexto isolado).
  3. Fila de tarefas (não disparar tudo em paralelo abusivo).
  4. Ponte MCP / wrapper que recebe a demanda do nosso fluxo e chama o agente headless (ACP).

Riscos: ToS de revenda de cota; rate limit se parecer bot. Mitigação: fila + comportamento de “um especialista”. Quando o volume crescer, migrar para n8n + APIs oficiais (Anthropic/OpenAI) com cache e RAG de código — o cliente continua vendo só horas.

Em aberto

  • Banco vetorial e formato final das notas.
  • Como isolar a memória de cada cliente e como exportá-la.
  • O que cada limite de notas (100, 1.000 e 10.000) significa na prática.
  • Como o n8n / Cursor e o app do cliente se comunicam.
  • Hospedagem do n8n e do equipamento de cada agente (Linux ou Mac).
  • Tabela de multiplicador de complexidade (tarefa pesada = N horas do pacote).