Um segundo cérebro é um sistema que captura o que você aprende e devolve isso quando você precisa. O Fable 5 é um mecanismo poderoso para isso porque três de seus recursos se alinham exatamente com o que esse sistema precisa: uma janela de contexto de 1M tokens para armazenar grandes trechos das suas anotações de uma vez, uma ferramenta de memória no lado do cliente que persiste entre sessões e o Claude Code, que lê e escreve suas anotações como arquivos comuns. A configuração funcional mais curta é uma pasta de arquivos markdown, o Claude Code apontado para ela e um arquivo /memories que o modelo atualiza à medida que aprende seu material. Tudo abaixo amplia isso em uma estrutura repetível.
O que um segundo cérebro precisa de um modelo de IA
A maioria dos tutoriais de "segundo cérebro de IA" pula a parte que decide se ele funciona: o que o modelo precisa ser capaz de fazer. Há três requisitos.
Segure muito de uma vez. A síntese precisa do material de origem em vista. O Fable 5 tem uma janela de contexto de 1 milhão de tokens (seu máximo também é seu padrão), então você pode alimentá-lo com uma pasta inteira de notas do projeto e obter análises que reflitam todas elas, em vez de um recorte truncado.
Lembre-se entre sessões. Um cérebro que esquece tudo quando você fecha a aba é uma janela de chat. O Fable 5 se integra à ferramenta de memória do lado do cliente da Anthropic: o modelo lê e grava arquivos em um diretório /memories que você persiste, então o que ele aprendeu na semana passada está disponível hoje.
Conecte por significado, não por palavra-chave. O Fable 5 continua pensando em cada solicitação e permite que você defina um nível de esforço de low a max. Isso é o que transforma "aqui estão 40 notas" em "estas três se contradizem, e uma delas está desatualizada."
Essas são as capacidades fundamentais. A estrutura abaixo é como você organiza suas notas para que o modelo possa usá-las.
A estrutura CODE, mapeada para o Fable 5
CODE (Capture, Organize, Distill, Express) vem do método Building a Second Brain de Tiago Forte, e é uma estrutura útil porque cada etapa se alinha claramente a uma capacidade do Fable 5. Capture e Express são operações de arquivo, então pertencem ao Claude Code. Organize é classificação em massa, que a janela de 1M torna barata. Distill é o que entra na ferramenta de memória. Aqui está cada etapa como um passo concreto.
Etapa 1: Capture suas entradas
Capturar significa colocar material bruto em um local que o modelo possa alcançar. O local alcançável mais simples é uma pasta de arquivos markdown, e Claude Code, o agente de sistema de arquivos construído sobre Fable 5, pode ler, escrever e editar essa pasta diretamente com suas ferramentas read, write, edit, glob e grep. Você não precisa do Obsidian; ele apenas oferece um editor melhor para os mesmos arquivos simples.
Uma estrutura de pastas que funciona:
brain/
├── inbox/ # capturas não processadas vão para cá
├── notes/ # notas organizadas e permanentes
├── archive/ # material concluído ou desatualizado
├── memories/ # notas destiladas que o modelo lê de volta a cada sessão
└── skills/ # fluxos de trabalho reutilizáveis (veja a Etapa 4)Começar é em dois passos: instale o Claude Code e depois o inicie de dentro de brain/ para que essa pasta seja seu diretório de trabalho e ele possa ver toda a árvore. A partir daí, dê a ele uma instrução de captura que ele possa reutilizar:
Leia cada arquivo em inbox/. Para cada um, escreva um resumo de 2-3 frases no
topo, sob um título "## Summary", e depois deixe o texto original abaixo dele.
Ainda não mova os arquivos; apenas anote-os no lugar.Essa única passagem transforma uma pilha de recortes em notas de leitura rápida sem que você precise tocá-los.
Etapa 2: Organize arquivando e vinculando
Uma vez que o material é capturado, o Fable 5 pode organizá-lo. É aqui que o contexto de 1M compensa seu preço: você pode passar ao modelo a árvore inteira de inbox/ e notes/ em uma única solicitação, de modo que suas decisões de arquivamento sejam consistentes em tudo, em vez de serem tomadas arquivo por arquivo, sem memória do anterior.
Um prompt que arquiva e etiqueta em um único movimento:
Leia todos os arquivos em inbox/. Para cada um, decida se ele pertence em notes/ por
tema (crie uma subpasta de tema se nenhum se encaixar), ou em archive/ se estiver desatualizado.
Adicione um bloco de frontmatter com `tags:` (3-5 tags temáticas) e `linked:` (caminhos
para notas relacionadas que você encontrar). Mova o arquivo e, então, me diga o que você fez.Porque o modelo vê a estrutura existente notes/ no mesmo contexto, novas tags reutilizam seu vocabulário existente em vez de inventar um sinônimo para uma tag que você já tem. Esse é o modo de falha que faz a maioria dos sistemas de tags colapsar.
Etapa 3: Destile o que importa
Destilar é extrair a lição duradoura de uma nota para que você não precise reler tudo depois. Essa é a função da ferramenta de memória. Ela fornece ao modelo um diretório de memória persistente (a pasta memories/ acima) que ele gerencia com os comandos view, create, str_replace, insert e delete, e esse diretório é mantido entre sessões. Aponte o Claude Code para ele e ele lê a pasta novamente no início de cada execução, então uma percepção destilada escrita hoje estará em contexto na próxima semana sem que você precise fornecê-la novamente.
Armazene uma lição por arquivo com um resumo em uma linha no topo:
À medida que você trabalha em notes/, escreva aprendizados duradouros em memories/, um arquivo
por ideia, um resumo de uma linha na primeira linha, com os detalhes de apoio abaixo.
Registre correções e conclusões confirmadas da mesma forma, e por que cada uma importava.
Antes de criar um arquivo, verifique se já existe um que o cubra e o atualize
em vez de duplicá-lo.Um arquivo destilado acaba ficando assim — uma afirmação na primeira linha, a evidência abaixo dela:
# O risco de dependência de fornecedor é menor com uma API compatível com OpenAI do que eu supunha.
Três das minhas notas de ferramentas mostram trocas de base-URL em uma linha entre provedores.
Veja notes/apis/openai-compat.md e notes/apis/switching-costs.md.A destilação é a etapa que vale a pena investir esforço: execute-a com effort: "high" para que o modelo raciocine bastante sobre o que vale a pena manter. Captura e arquivamento rotineiros podem ser executados em low ou medium para manter os custos baixos. Effort controla quanto o modelo pensa e quantos tokens ele gasta, então ajustá-lo à tarefa é a principal alavanca de custo que você tem.
Etapa 4: Expresse suas notas como saída
Expressar é o resultado: usar o cérebro para produzir algo. Empacote os fluxos de trabalho que você repete como Skills. Uma Skill é uma pasta com um arquivo SKILL.md descrevendo uma tarefa, e o Fable 5 o carrega sob demanda quando a tarefa surge, então você não precisa explicar novamente o fluxo de trabalho toda vez. Um skills/daily-digest/SKILL.md funcional:
---
name: daily-digest
description: Resuma as capturas e memórias destiladas do último dia.
---
Leia todos os arquivos em inbox/ e memories/ modificados nas últimas 24 horas.
Agrupe os itens por tópico. Escreva um resumo em markdown em notes/digests/
nomeado pela data de hoje, com uma seção "## Themes" e uma seção "## Open questions".
Não modifique os arquivos de origem.Peça ao Claude Code para executar isso, ou conecte-o a um agendador (um trabalho diário cron que inicia o Claude Code com o prompt de resumo) para que ele seja executado sem você precisar pedir.
Duas ressalvas. Configurar gatilhos agendados ou acionados por monitoramento de arquivos exige trabalho real de configuração, não apenas marcar uma caixa. E Skills ajudam mais em fluxos de trabalho que você repete; uma pergunta única é mais rápida quando feita diretamente.
O custo para executar
O preço da API do Fable 5 é de $10 por milhão de tokens de entrada e $50 por milhão de tokens de saída, com uma janela de contexto de 1M tokens e até 128K tokens de saída por solicitação (verificado em relação aos preços da Anthropic em 2026-07-16). Um segundo cérebro que reprocessa diariamente uma grande coleção de notas pode movimentar muitos tokens, então duas alavancas importam.
Primeiro, o cache de prompt: a Anthropic armazena em cache um prefixo de contexto repetido e cobra leituras por cerca de um décimo da taxa de entrada, então alimentar o mesmo cofre de notas todos os dias é muito mais barato do que a conta sugerida no preço de tabela. Segundo, a API é um endpoint padrão. Se você direcionar o Claude Code por meio de um relay compatível com Anthropic, como AIReiter, que espelha a Messages API e revende modelos Claude com desconto, a conta de tokens cai sem mudar sua configuração. Ambos são opcionais; a API direta padrão funciona imediatamente.
Erros comuns a evitar
- Capturando sem processar. Uma pasta
brain/cheia de recortes não resumidos é um aterro, não um segundo cérebro. As passadas de Organize e Distill são o que a tornam pesquisável, então execute-as em vez de apenas capturar. - Colocando segredos em arquivos de memória. O diretório
/memoriesé lido novamente em cada sessão futura. Nunca escreva chaves de API, senhas ou tokens ali; mantenha credenciais fora de qualquer coisa que o modelo persista. - Executando tudo com esforço máximo. O alto esforço vale a pena para destilação e síntese; usá-lo para arquivamento rotineiro desperdiça tokens e pode fazer o modelo pensar demais em uma simples classificação. Ajuste o esforço à tarefa.
- Alimentando-o com uma nota por vez. O contexto de 1M existe para que você possa organizar em lote. Entregar arquivos individualmente perde a consistência entre notas que faz o sistema se coesionar.
Perguntas frequentes
Como o Fable 5 é diferente de outros modelos Claude para isso?
Fable 5 é o modelo mais capaz da Anthropic amplamente lançado, com uma janela de contexto de 1M tokens e raciocínio sempre ativo que você ajusta com níveis de esforço. Essa combinação de grande contexto e forte síntese é o que um segundo cérebro aproveita. Ele também custa mais do que a camada Opus ($10/$50 por milhão de tokens); para trabalhos de arquivamento mais leves, você pode usar um modelo mais barato e reservar o Fable 5 para destilação. Veja esta análise de esforço alto vs. máximo para ajuste.
Preciso do Obsidian, ou posso usar arquivos markdown simples?
Arquivos markdown simples em uma pasta são suficientes. O Claude Code lê o sistema de arquivos diretamente, então qualquer editor funciona. O Obsidian adiciona backlinks e uma visualização em grafo sobre os mesmos arquivos, o que algumas pessoas gostam, mas é opcional.
Como faço meu segundo cérebro lembrar entre sessões?
Use a ferramenta de memória. Ela fornece ao modelo um diretório /memories que ele pode ler e escrever, e esse diretório persiste entre conversas. Tudo o que for condensado nele é carregado automaticamente na próxima vez, e é isso que separa um segundo cérebro de um chat sem estado.
O que é o método CODE?
CODE significa Capture, Organize, Distill, Express, um fluxo de trabalho de gestão do conhecimento em quatro etapas de Tiago Forte. Ele é usado aqui como espinha dorsal porque suas quatro etapas se alinham claramente com os recursos do Fable 5: Capture e Express são operações de arquivo para o Claude Code, Organize é trabalho em massa para o contexto de 1M, e Distill é o que a ferramenta de memória persiste. Outros frameworks (os Four C's, ou Applications/Routines/Memory/Skills) mapeiam para os mesmos recursos; CODE apenas traça as linhas no lugar mais útil para um sistema operado por IA.
É seguro dar a uma IA acesso a todas as minhas notas?
As notas permanecem em arquivos locais que você controla, e o Claude Code age sobre elas por meio de ferramentas que você pode ver. As duas coisas a observar: não armazene credenciais em arquivos que o modelo persiste, e observe que o Fable 5 requer retenção de dados por 30 dias (não está disponível sob zero retenção), então verifique isso em relação às suas próprias necessidades de privacidade antes de apontá-lo para सामग्री sensível.