Show HN: Rem: Lembre-se de Tudo (código aberto)
Uma ferramenta open source para macOS chamada Rem promete uma “memória” pesquisável do teu computador ao tirar capturas de ecrã periódicas, executar OCR nelas e comprimir o resultado em vídeo para que possas recuar no tempo do teu trabalho e consultar atividade passada com LLMs. Os comentadores mostram entusiasmo com casos de uso como depuração, recuperação de pesquisa, acompanhamento de produtividade e auditorias de atenção, e muitos querem integrações com modelos de linguagem locais para maior privacidade e uso offline. Ao mesmo tempo, levantam preocupações sobre crescimento de armazenamento, impacto na bateria, captura de dados sensíveis (passwords, chaves de API) e o potencial de vigilância ou abuso, salientando a necessidade de um design cuidadoso, limites configuráveis e arquiteturas robustas apenas locais.
Receção geral e comparações
- Muitos comentadores consideram o conceito de “lembrar tudo” convincente e “mágico”, comparando-o a um CCTV pessoal ou a uma máquina do tempo para o computador.
- É frequentemente comparado a Rewind.ai e a ferramentas mais antigas como TimeSnapper, ManicTime, RescueTime, Qbserve, arbtt e ferramentas de arquivamento de браузers (DownloadNet, ArchiveBox).
- Alguns acham que os fornecedores de sistemas operativos (especialmente a Apple) acabarão por oferecer funcionalidade semelhante nativamente, tornando apps autónomas algo arcaicas dentro de alguns anos.
Casos de uso e benefícios
- Procurar trabalho passado: recuperar rapidamente excertos, websites, comandos ou documentos vistos anteriormente sem reconstruir a navegação.
- Depuração: reproduzir os passos que levaram a bugs difíceis de reproduzir.
- Produtividade e responsabilidade: auditorias de atenção em timelapse, acompanhar mudanças de contexto, identificar distrações ou gamificar “horas produtivas”.
- Gestão pessoal de conhecimento: construir um histórico pesquisável da atividade no computador que possa ser consultado mais tarde, potencialmente com LLMs.
- Alguns utilizadores com ADHD relatam que ferramentas semelhantes são muito úteis; um utilizador com OCD teme que isso possa agravar verificações compulsivas.
Privacidade, segurança e ética
- Forte interesse em LLMs locais e embeddings para evitar dependência da cloud e melhorar a privacidade.
- Preocupações de que o sistema acabará inevitavelmente por captar segredos (gestores de passwords, chaves de API) e de que dados em texto simples obtidos por OCR no disco possam ser exfiltrados por malware.
- Reconhecimento de que apps de gravação de ecrã precisam de permissões explícitas do sistema operativo (ecrã, rede), mas os comentadores ainda veem isto como um alvo rico para atacantes.
- Receios de abuso por empregadores ou burlões; o potencial de monitorização de trabalhadores por IA em tempo real é visto por alguns como um “cenário de pesadelo”.
Design técnico e desempenho
- Implementação: capturas de ecrã a cada ~2 segundos, OCR via APIs da Apple, transmitidas para o ffmpeg como vídeo; os últimos 15 frames usados como “contexto recente”.
- Vídeo escolhido em vez de imagens individuais por eficiência de armazenamento através de compressão interframe; estimativa atual de ~150MB/hora, ainda considerada demasiado alta.
- Debate sobre a aposta apenas em Apple Silicon: alguns argumentam que Macs Intel poderiam aguentar captura a 0,5 fps e OCR; outros apontam para um possível impacto na bateria (20–40% reportados por uma app semelhante).
- Sugestões: usar títulos de janelas/APIs de acessibilidade em vez de OCR sempre que possível; OCR em lote/inativo; truques de compressão; captura baseada em GPU; histórico do browser para variantes apenas web.
- Integração com LLM: ideias incluem API local via localhost, stdin/stdout para evitar permissões de rede e uso de modelos como Mistral ou modelos locais multimodais.
Pedidos de funcionalidades e questões do roadmap
- Funcionalidades pedidas: listas de pausa/exclusão, hotkeys, definições de retenção, melhor gestão de armazenamento, multiplataforma (Windows/Linux/iOS), categorização em tempo real (produtivo vs perda de tempo) e pesquisa mais robusta via embeddings/bases de dados vetoriais.
- Alguns relatam bugs iniciais (por exemplo, ficar preso na vista de timeline) e uma estratégia de armazenamento de longo prazo pouco clara; estes pontos são assinalados como áreas que precisam de refinamento.