AvilaOS · sistema operacional de tráfego

Sistema operacional de tráfego com método sênior codificado e time de quatro agentes especialistas.

O AvilaOS opera campanhas de mídia paga vinte e quatro horas por dia, com profundidade técnica que só faz sentido na cabeça de um gestor sênior — agora processualizada em sistema. Cada decisão consulta base de conhecimento curada, memória de cliente perene e frameworks de decisão estruturados. Sem fadiga, sem dia bom, sem dia ruim, sem rotatividade.

Base de Conhecimento de quatro camadas — proprietária, evoluindo a cada decisão, com promoção automática de hipóteses para regras universais.
Frameworks de decisão estruturados — modelo 7-3-1, Budget Guardian, Test Lifecycle aplicados em todo checkpoint.
Método proprietário processualizado — cinco anos de operação sênior em infoprodutos codificados em sistema vivo.
Machine learning aplicado em cada checkpoint, fine-tuning contínuo e memória de decisão por cliente.
4 agentes
especialistas em produção
4 camadas
de conhecimento codificado
método
proprietário processualizado
memória
perene por cliente
O problema

Ferramentas executam regras cegas. Gestores manuais oscilam.

O mercado tem dois lados ruins. SaaS de otimização disparam regras estáticas sem contexto, sem memória e sem aprendizado. Operadores humanos têm dia bom, dia ruim, fadiga, atenção limitada e levam embora a expertise quando saem. Falta o terceiro caminho — sistema com profundidade técnica de gestor sênior, perene, sem oscilação.

Ferramentas SaaS executam regras cegas. Gestores manuais reagem sob pressão e fadiga, com dias bons e dias ruins. Ninguém raciocina com contexto e memória de cada cliente simultaneamente — de forma perene, sem rotatividade, sem expertise que vai embora quando o profissional sai.

Cada decisão do AvilaOS é munida de dados frescos extraídos a cada seis horas, contexto histórico do cliente, frameworks de decisão estruturados, padrões de comportamento codificados, método proprietário de tráfego processualizado em cinco anos de operação, e machine learning aplicado para reconhecimento de tendências. Não é regra cega. É raciocínio com profundidade.
Atenção limitada

Um humano não escala qualidade

Um gestor sênior consegue acompanhar com profundidade duas ou três contas. Acima disso, ou contrata mais gente — e o custo cresce — ou perde qualidade — e o resultado cai. Não tem terceira via humana.

Memória perdida

Expertise vive em uma cabeça só

O método de tráfego sênior vive na memória do gestor. Quando ele sai, a metodologia sai junto. Cada novo profissional reaprende do zero — e a operação volta para a estaca um.

Reação tardia

12 horas é caro demais

Um problema descoberto doze horas depois custa o dobro do orçamento queimado. Vigilância manual em modo vinte e quatro horas por sete dias não escala — e cada hora a mais sem checkpoint é orçamento perdido.

Loop em quatro atos

Enxergar → Raciocinar → Agir → Aprender. A cada seis horas.

A cada seis horas, o AvilaOS executa o ciclo completo: enxerga os dados, raciocina com método e memória, age com validação prévia, aprende com cada decisão. Quatro checkpoints diários, sem pausa, sem fadiga. Como um copiloto que lê o painel, raciocina sobre a próxima curva, executa o ajuste e arquiva o que aprendeu para a próxima volta — operando vinte e quatro horas por dia.

1Enxergar

Lê o painel sem tocar na conta

Vê em tempo real como cada campanha está performando. Dados frescos a cada checkpoint, oito vetores de performance por entidade.

Meta Graph API v25.0 via AppNode — execução determinística, zero token de LLM consumido nesta etapa.

2Raciocinar

Pensa com método e memória

Consulta Base de Conhecimento curada, memória de decisões anteriores, e aplica modelo 7-3-1 (sete dias de visão, três de tendência, hoje a decisão).

Claude com tool calling sobre contexto de duzentos mil tokens. Frameworks de decisão estruturados aplicados.

3Agir

Decide com validação prévia

Toda mudança passa por dry-run antes de tocar dinheiro real. Proposta vai ao Telegram com botões inline (Aprovar / Reprovar / Ajustar).

Aprovação típica em trinta segundos. Validação validate_only obrigatória antes da ação real.

4Aprender

Cresce a cada decisão

Cada decisão entra na memória de decisões com motivo explícito. Hipóteses validadas em três ou mais contas são promovidas automaticamente para regra universal.

Fine-tuning contínuo do método. Iteração permanente. A Base de Conhecimento cresce com cada decisão.

O time

Operador humano comanda. Quatro agentes especialistas executam.

AvilaOS roda como um time. Operador humano no topo da hierarquia, Ávila como maestro central, e três especialistas — Senna, Dumont, Kepler — cada um com função distinta. Não é um agente fazendo tudo. É um time, com divisão de papéis e fluxo determinístico de decisão.

Operador
curador · arquiteto
Topo da hierarquia. Define método, alimenta Base de Conhecimento, aprova decisões críticas via Telegram. Curador do sistema. Cinco anos de gestão sênior em infoprodutos codificados em processo vivo.
Ávila
maestro · cérebro
Coordena o time. Recebe inputs do Senna, debate ML com Kepler, formula propostas estruturadas, encaminha decisão ao operador, delega execução ao Dumont. Aplica frameworks de decisão (7-3-1, Budget Guardian, Test Lifecycle).
Senna
analista de dados
Extrai métricas via AppNode, normaliza, compara com janelas históricas (sete dias, três dias, dia atual), identifica anomalias e tendências, entrega percepção estruturada ao Ávila. Não decide — vê e reporta com profundidade.
Dumont
executor determinístico
Recebe decisão aprovada e materializa via AppNode: HTTP determinístico direto na Meta Graph API. Cria, pausa, escala, duplica, faz upload de mídia, monta ad sets. Roda validate_only antes da ação real. Zero token nesta camada.
Kepler
engenheiro de aprendizado
Refina o raciocínio do time ao longo do tempo. Aplica fine-tuning de prompts, embeddings da Base de Conhecimento, RAG, padrões de machine learning aplicado. Garante que o sistema fique mais afiado a cada iteração.

Como o time decide juntos

Sequência típica de uma decisão real, do dado bruto à execução determinística — em seis etapas com responsáveis explícitos.

01
Senna
Extrai métricas frescas e compara com janelas históricas.
02
Senna → Ávila
Entrega percepção estruturada com anomalias e tendências.
03
Ávila ⇄ Kepler
Debate padrões de ML aplicados ao contexto da conta.
04
Ávila
Formula 1 ou 2 propostas estruturadas com motivação.
05
Operador
Aprova, ajusta ou reprova via Telegram em ~30s.
06
Dumont
Executa via AppNode com validate_only obrigatório.
Operador humano
curador · arquiteto do método

Toda decisão diária do AvilaOS passa pelo operador em quatro papéis simultâneos. Cinco anos de gestão de tráfego sênior em infoprodutos, com método codificado e em evolução contínua.

Método processualizado Frameworks de estruturação, análise e otimização codificados a partir de cinco anos de operação sênior.
Pensamento arquitetural Orientado a processos. Define como peças se conectam e como o sistema evolui ao longo do tempo.
Domínio de funil completo Copy, tracking, segmentação, criativos, scaling, kill — todos integrados ao raciocínio do sistema.
Curadoria da Base de Conhecimento Alimenta, refina, valida hipóteses, promove regras universais. Iteração contínua. Fine-tuning permanente.
Base de Conhecimento · método codificado

A base que torna o AvilaOS inimitável.

A Base de Conhecimento é o que separa o AvilaOS de qualquer ferramenta SaaS de otimização. Assim como um gestor humano sênior carrega cinco anos de método na cabeça, o AvilaOS carrega esse mesmo método codificado, estruturado em quatro camadas, e em evolução perpétua. Não é prompt fixo. É um sistema vivo de conhecimento que cresce a cada decisão.

L1 · Hard Rules
Princípios inegociáveis

Regras fundamentais de machine learning aplicado e gestão de tráfego. Não são opinião — são lei do produto.

Comportamento: nunca violar. Validação automática em toda decisão.

L2 · Soft Rules
Best practices universais

Padrões validados em múltiplas contas, default ON em todo cliente novo. Ajustáveis com justificativa.

Comportamento: default ON. Ajuste por cliente apenas em casos justificados.

L3 · Hipóteses
Padrões em validação

Hipóteses específicas por cliente ou nicho, em teste contínuo. Alvo de promoção automática.

Comportamento: quando confirmadas em três ou mais contas, promovidas automaticamente para L2.

L4 · Repertório
Conhecimento passivo

Frameworks de copy, estruturas de funil, cases, padrões de comportamento. Consultável sob demanda.

Comportamento: acionado quando o contexto da decisão exige.

Por que importa
Quanto mais opera, mais inteligente fica.

Cada decisão do AvilaOS consulta as quatro camadas. Se um padrão funciona em três contas distintas, ele deixa de ser hipótese e vira regra universal — automaticamente. Isso significa que o conhecimento acumulado não vai embora quando o operador sai. Fica codificado, versionado, auditável.

Como evolui
Três vetores de iteração contínua.
01 Ingestão pelo operador — novas regras, frameworks, hipóteses adicionadas continuamente conforme o método evolui.
02 Validação automática — hipóteses L3 sobem para L2 quando confirmadas em N contas distintas.
03 Fine-tuning via Kepler — embeddings refinados, padrões de machine learning aplicado, melhoria iterativa.
Pipeline de decisão

Do dado bruto à ação, em quatro carris paralelos.

Cada checkpoint corre o mesmo pipeline: dados frescos extraídos via AppNode, raciocínio profundo com Base de Conhecimento e memória, ação executada com validação prévia. Sem improviso, sem regra cega — método proprietário processualizado, aplicado consistentemente.

Fonte · dados frescos AvilaOS extrai oito vetores principais de performance via Meta Graph API por entidade (ad, ad set, campaign), garantindo que toda decisão é tomada sobre o estado atual real, não sobre cache desatualizado.
Extração · AppNode Camada de execução em código nativo: HTTP Request determinístico, normalização para schema validado, persistência em memória estruturada por conta. Nenhuma tokenização nesta etapa. Custo de execução tende a zero conforme escala.
Análise · cérebro É aqui que o LLM trabalha. Claude recebe os dados frescos, consulta a Base de Conhecimento (L1 a L4), revisa a memória de decisões da conta, aplica o modelo 7-3-1 e formula uma proposta com motivação explícita. Método processualizado, não improvisado.
Ação · três saídas Cada checkpoint produz uma de três decisões possíveis. Toda ação passa por validate_only antes da execução real — erro de sintaxe, parâmetro inválido, conflito de regra são capturados em dry-run. Só depois AppNode executa de verdade.
Pausar
cortar perda

CPA acima de duas vezes a meta, ou criativo entrando em saturação. Sistema valida com validate_only, executa, registra motivo na memória, notifica.

Escalar
multiplicar acerto

CPA firme com ROAS em alta indica espaço para crescer. Duplicação com limite de custo, validação prévia e memória atualizada para futuras propostas.

Testar
explorar hipótese

Novo criativo, novo público, novo ângulo. Orçamento limitado pré-definido pela Base de Conhecimento. Budget Guardian monitora em tempo real.

Stack em quatro camadas

Quatro camadas. Cada uma faz uma coisa, faz bem.

Inteligência decide. Conhecimento orienta. Orquestração executa de forma determinística. Infraestrutura sustenta. Trocar qualquer camada não derruba o sistema — cada uma tem responsabilidade isolada e contrato definido.

L4 · Topo
Inteligência — quem decide

Recebe os inputs das três camadas abaixo, processa, raciocina e toma decisões. Aplica frameworks (7-3-1, Budget Guardian, Test Lifecycle), consulta memória de cada cliente, formula propostas estruturadas. Operada por Claude com tool calling sobre contexto de duzentos mil tokens.

L3
Conhecimento — a inteligência codificada

Base de Conhecimento proprietária em quatro camadas internas (Hard Rules, Soft Rules, Hipóteses Testáveis, Repertório). Cinco anos de método de tráfego sênior processualizado, vivo e versionado. É o que torna o AvilaOS impossível de replicar com prompts genéricos. Cresce a cada decisão.

L2
Orquestração — o sistema nervoso

AppNode — camada de execução determinística que conversa direto com a Meta Graph API via HTTP nativo. Não consome tokens de LLM. Código puro: extrai métricas, monta requisições, executa ações, valida com validate_only antes do impacto real. O LLM raciocina; o AppNode executa com precisão cirúrgica e custo zero por execução.

L1 · Base
Infraestrutura — os músculos

Ambiente self-hosted, isolado, auditável. Memória persistente para histórico de decisões, métricas, hipóteses e Base de Conhecimento. Cache em memória para acelerar consultas recorrentes. Acesso por túnel seguro com SSL. Código auditável de ponta a ponta. Você controla onde roda.

Um dia com AvilaOS

Quatro checkpoints. Vigilância vinte e quatro horas.

O sistema acompanha as contas o dia todo, com camadas de profundidade diferentes em cada checkpoint. Manhã é decisão pesada. Tarde é vigilância silenciosa. Noite é proteção de orçamento. Tudo registrado, tudo auditável.

Operação humana
Um único checkpoint manual, atenção limitada a duas ou três contas, risco de queima noturna.
checkpoint · 2-3contas máx. · métodona cabeça do gestor
Com AvilaOS
Quatro checkpoints automáticos, dezenas de contas em paralelo, proteção noturna ativa, método codificado.
checkpoints · 10+contas · 24hde vigilância
08h · checkpoint completo
Decisão
Senna extrai métricas dos últimos checkpoints e compara janelas (7d / 3d / hoje), identifica anomalias.
Senna entrega percepção ao Ávila, que consulta Base de Conhecimento + memória de decisões + Kepler (ML).
Ávila formula propostas estruturadas (uma por cliente ativo) com motivação explícita.
Telegram dispara propostas com botões inline; operador aprova / reprova / ajusta em ~30s cada.
Dumont executa as aprovadas via AppNode com validate_only obrigatório.
Aprender registra cada decisão e motivo na memória perene da conta.
12h · vigilância silenciosa
Vigília
Senna re-extrai métricas e compara com baseline pós-ação das 08h.
Se tudo dentro da régua → silêncio. Silêncio é ouro: operador não é interrompido sem motivo.
Se anomalia detectada → alerta proativo no Telegram com contexto do que mudou e proposta de ação.
Operador é notificado apenas quando importante. Atenção preservada para o que merece.
18h · vigilância silenciosa
Vigília
Mesmo padrão das 12h. Foco extra em entidades em período de aprendizado da Meta.
Budget Guardian ativo: monitora qualquer ad set passando do orçamento por hora previsto.
Se desvio de orçamento detectado → alerta com magnitude e ação proposta.
Memória atualizada com padrões de comportamento pós-aprovação da manhã.
22h · limite de proteção
Proteção
Foco em entidades críticas — alta queima, baixa performance, tendência negativa acentuada.
Se desperdício grave detectado e autonomia liberada: Dumont pausa ou reduz autonomamente.
Operador notificado de manhã com log completo do que foi feito durante a noite.
AvilaOS protege orçamento mesmo dormindo. Perenidade real, não slogan.
Comando direto · execução determinística

Você pede em linguagem natural. AvilaOS executa em código.

Além dos quatro checkpoints diários, o AvilaOS atende comandos diretos em linguagem natural via Telegram. Subir campanhas com especificação detalhada, duplicar uma estrutura, pausar um conjunto inteiro, criar set de campanhas de qualquer natureza — qualquer ação operacional pode ser delegada ao time.

Como o comando atravessa o sistema

01
Você envia comando em linguagem natural via Telegram.
02
Ávila interpreta a intenção e pede contexto se necessário.
03
Consulta Base de Conhecimento + memória do cliente.
04
Monta requisição HTTP estruturada (LLM gera payload, não executa).
05
Dumont executa via AppNode (HTTP determinístico, zero token).
06
Resposta com IDs criados em 30 a 60 segundos.
Exemplo
"Sobe campanha CBO com três conjuntos abertos, R$ 150 por dia, público frio, criativo X."

O Ávila interpreta, consulta a Base de Conhecimento para a estrutura padrão do cliente, monta a requisição HTTP completa (campaign + 3 ad sets + ads + budget split), valida com validate_only, e o Dumont executa via AppNode. Resposta em trinta a sessenta segundos com os IDs criados, validação prévia executada, e a entrada já registrada na Memória de Decisão para informar futuras propostas.

Custo: apenas a interpretação consome tokens (Claude raciocina). A execução em si — chamadas HTTP para a Meta Graph API — é feita inteiramente pelo AppNode. Custo de execução tende a zero. Custo de raciocínio é proporcional à complexidade do pedido, não ao volume de ações.
Estado atual · roadmap

Em construção. Construído com método.

Base de Conhecimento estruturada. Arquitetura formalizada. Stories priorizadas. Roadmap mapeado até 2027 com critérios de sucesso mensuráveis.

Em construção
  • Base de Conhecimento: quatro camadas estruturadas
  • Arquitetura formalizada com decisões versionadas
  • PRD de M1 com três epics e dezoito stories priorizadas
  • Workflows do loop em quatro atos
  • Bridge Claude ↔ AppNode (tool calling)
  • Telegram bidirecional com botões inline
  • Onboarding interativo de novo cliente
  • Quatro checkpoints diários
  • Budget Guardian com kill-rules em tempo real
  • Memória de Decisão + autonomia progressiva por task
M1 · Q2 2026
Foundation · Enxergar & Raciocinar

Provar o loop ponta-a-ponta com operadores reais aprovando via Telegram.

  • 3 a 5 clientes ativos
  • 4 propostas por dia por conta
  • Taxa de aprovação acima de 70%
M2 · Q3–Q4 2026
Agir & Aprender · Google Ads

Autonomia ampliada e expansão para a segunda plataforma.

  • 10 a 15 clientes ativos
  • 30 a 50% das ações executadas autonomamente
  • Redução média de 20% no CAC
M3 · 2027
Cross-platform · marketplace

Consolidação multi-plataforma e marketplace de templates.

  • Meta + Google + (TikTok em estudo)
  • Data warehouse consolidado
  • Marketplace de templates de campanha
Defensibilidade

Três fossos que se reforçam a cada cliente novo.

Não é diferenciação cosmética. É arquitetura que converte uso em vantagem cumulativa: quanto mais o sistema roda, mais inteligente e mais difícil de copiar ele fica.

Moat 1 · método codificado

Cinco anos de método sênior, processualizados.

Cinco anos de gestão sênior em infoprodutos não evaporam quando o operador sai. Frameworks, padrões, regras de kill, estruturas de teste — tudo processualizado em Base de Conhecimento de quatro camadas, versionada e em evolução contínua.

Moat 2 · sistema, não ferramenta

Time de quatro agentes, não otimizador genérico.

AvilaOS não é um botão de otimização. É sistema operacional com time de quatro agentes especializados (Ávila, Senna, Dumont, Kepler), cada um com função distinta, colaborando em fluxo determinístico ou raciocinado conforme necessário. Self-hosted, código auditável, controle total.

Moat 3 · aprendizado exponencial

Quanto mais opera, mais inteligente fica.

Hipóteses validadas em três contas viram regra universal. Fine-tuning contínuo via Kepler. A Base de Conhecimento cresce com cada decisão — competidor que clonar o sistema hoje não clona o conhecimento acumulado. Vantagem cumulativa, não estática.