Como a informação é produzida
O Acervo permite pesquisar transcrições de vídeos públicos e explorar informações extraídas delas. Esta página documenta as instruções dadas aos modelos, os dados guardados e as regras usadas para mostrar conexões.
Carregando configuração da aplicação…
Do vídeo à pesquisa
Vídeo e transcrição
O servidor monitora o canal e mantém uma fila ordenada. Baixa o vídeo e procura legendas em português; quando elas não estão disponíveis, usa Whisper local. A transcrição preserva os intervalos de cada segmento.
Trechos com evidência
Cada trecho é analisado separadamente. Resultados válidos ficam em cache para permitir retomada.
Dois segmentos anteriores e dois posteriores fornecem contexto; somente os IDs do trecho principal podem ser citados. A saída recebe validação e até três tentativas por trecho.
Banco e procedência
SQLite guarda vídeos, análises, fila e referências às fontes. O resumo final reúne os resumos dos trechos em ordem; os demais campos são unidos e duplicatas exatas são agrupadas. Essa consolidação não faz uma nova chamada ao modelo.
Texto, vetores e grafo
A pesquisa literal usa SQLite FTS5. A análise validada é projetada diretamente no LightRAG, que armazena entidades, relações e embeddings em lote, sem repetir a extração com IA. Um vídeo analisado pode ainda ter indexação do grafo incompleta.
Quais dados extraímos
Os nomes abaixo correspondem aos campos da análise. Interpretações recebem IDs dos segmentos que as sustentam; links da descrição conservam sua linha original.
| Campo | Conteúdo e regra |
|---|
Como os nós e as conexões são construídos
Extração do grafo
O grafo reutiliza entities, subjects, relations e references da análise validada. Uma transformação determinística escreve nós, relações e embeddings em lote, sem uma segunda extração ou resumos globais por LLM. Cada passagem tem aproximadamente 120 segundos, timestamps, método de transcrição, aviso de atribuição e URL do vídeo.
O identificador da fonte combina ID do vídeo, intervalo e parte do SHA-256 dos segmentos. Cada passagem é indexada como um bloco com seu ID original. Os IDs dos segmentos mapeiam cada entidade e relação para todas as passagens que a sustentam. A confirmação de conclusão ocorre somente depois da persistência dos vetores e do grafo.
Tipos e relação com a fonte
Os tipos atuais são Person, Organization, Place, Event, Topic, Policy e Reference. Nomes são comparados apenas por caixa, Unicode e espaços; aliases não são fundidos automaticamente. Nomes iguais podem ainda designar pessoas diferentes: confira o contexto. Somente relações explícitas da análise viram arestas; a direção e a atribuição permanecem na descrição. Não criamos relações por coocorrência.
O servidor só mostra nós e relações cujos IDs de fonte resolvem em rag_sources. Uma conexão entre entidade e vídeo é acrescentada pela aplicação como procedência; ela não representa apoio, concordância ou autoria da fala.
O recorte exibido
A busca delimita os vídeos elegíveis. O grafo parte de uma entidade e percorre entre 1 e 3 níveis, com limite de 4 a 40 elementos. Pessoas e organizações têm prioridade, seguidas por assuntos e propostas; quantidade de fontes e nome resolvem a ordenação seguinte.
A visualização escolhe uma árvore de conexões para reduzir cruzamentos e pode reservar até dois elementos para vídeos de origem. É um recorte do grafo: relações omitidas da tela não significam ausência de relação no índice.
Descrições agregadas
Descrições e referências são unidas deterministicamente, sem uma chamada adicional de resumo. O índice anterior é preservado com suas fontes; alguns nós legados vieram da extração nativa do LightRAG, cujos prompts continuam disponíveis abaixo para auditoria. Uma entidade pode acumular descrições de vários vídeos. O recorte exige ao menos uma fonte nos resultados da busca, mas conserva todas as referências da descrição agregada, inclusive as de outros vídeos. Clique no elemento para conferir os trechos.
A atribuição distingue fala própria, fala citada e autoria incerta. Menção, coocorrência e acusação não comprovam apoio, causalidade ou veracidade.
Sínteses e identidades
A navegação pública consulta dados salvos: nenhuma pesquisa, seleção de nó ou leitura de perfil executa IA. As rotas antigas de geração retornam HTTP 410. Sínteses são preparadas em lotes durante o processamento, com evidências e indicação de cobertura; novas fontes colocam o nó na fila de atualização. A visão anterior fica identificada como aguardando atualização.
Posições e divergências descrevem os trechos disponíveis, sem inferir sentimentos privados da pessoa mencionada. Biografias e retratos de Wikimedia são contexto externo, separado das declarações do acervo, com identidade conferida, licença, autor e fonte. Nomes só são agrupados por decisão administrativa auditada e reversível. Os nomes extraídos e suas evidências originais são preservados.
Prompts completos
As instruções locais são lidas das constantes da aplicação em execução. O manifesto inclui os complementos usados no processamento de trechos e no reparo de respostas inválidas. Os dados de cada chamada — título, segmentos, contexto e eventual erro anterior — variam por vídeo.
Código das regras
Estas funções são lidas do servidor em execução. Permitem conferir a divisão dos trechos, validação, consolidação, coleta de links, identificação das fontes e seleção dos nós. Os hashes identificam esta versão do conteúdo.
Busca por pessoas e assuntos
A busca apresenta primeiro entidades tipadas extraídas das análises. Nomes iguais são agrupados somente dentro do mesmo tipo; variantes ficam ligadas à evidência que as registrou. Não fundimos pessoas automaticamente por semelhança de nome.
O perfil reúne registros que mencionam o nome e têm evidência citada, relações explícitas e os segmentos originais. “Sobre” não significa “dito por”. Falas atribuídas e destinatários usam apenas campos de identificação explícita; sem esses dados, o acervo informa a ausência de atribuição. Trechos da transcrição preservam o texto original e não identificam automaticamente a voz.
Na extração v4, speaker_name, quoted_speaker e addressee podem registrar identidades explícitas; quote conserva palavras literais de segmentos consecutivos e é validado contra a transcrição. Resultados anteriores não são reprocessados automaticamente nem ganham atribuições por inferência. As regras de projeção, busca e perfil constam no código auditável abaixo e no manifesto JSON.
Limites e como conferir
Legendas e transcrições automáticas podem trocar nomes, perder contexto ou errar timestamps. A extração também pode inventar ou omitir informações. Validação de formato e presença de IDs não prova que uma interpretação está correta.
A publicação no canal de uma pessoa não comprova que toda fala é dela. Afirmações classificadas como factual são verificáveis, mas não foram verificadas pelo Acervo. A data de publicação não é tratada como data de um acontecimento.
A pesquisa aceita frases entre aspas e exige os termos no mesmo vídeo, ainda que em passagens diferentes. A síntese usa fontes recuperadas e exige citações; ela não constitui uma pesquisa em toda a internet.
Para auditar uma informação, abra a fonte, leia a transcrição e confira o áudio no timestamp indicado. Verifique também o modelo, a versão e os resumos por trecho na análise exportada. Esta página descreve a configuração atual; resultados já processados podem ter usado versões anteriores.
“Analisado” e “totalmente indexado” são estados diferentes. A indexação de um vídeo só está completa quando todas as suas passagens atuais constam como processadas no LightRAG.