Construi um sistema LinkedIn que se aprimora sozinho com Claude Code

A publicacao que mudou minha visao sobre automacao do LinkedIn nao foi uma que eu escrevi. Foi uma que o sistema escreveu depois de analisar quarenta e sete das minhas publicacoes anteriores, identificar que ganchos de transformacao superavam meus queridos inicios com "Eu" em 2,3 vezes no alcance, e reescrever sua propria estrategia de conteudo as 4 da manha de uma terca-feira enquanto eu dormia.

Acordei e encontrei um banco de dados no Notion com um novo lead magnet, uma publicacao do LinkedIn ja agendada pelo Blotato, e um documento de estrategia explicando por que havia mudado sua abordagem. O raciocinio era melhor do que a maioria das auditorias de conteudo pelas quais paguei profissionais.

Aquele momento cristalizou algo em que eu vinha pensando ha meses: o verdadeiro avanco no conteudo impulsionado por IA nao e a geracao. E o loop de feedback. Qualquer prompt pode produzir uma publicacao decente no LinkedIn. O que separa um sistema que estagna de um que cresce e se ele aprende com o que realmente funciona — e ajusta sem esperar voce perceber.

Esta e a historia de como construi esse sistema usando Claude Code, o padrao de auto research do Karpathy, e um punhado de ferramentas que a maioria das pessoas usa isoladamente mas nunca conecta entre si. Tudo roda no GitHub Actions. Nao escrevi manualmente uma publicacao no LinkedIn ha seis semanas. E o engajamento esta subindo.

Por que a maioria da automacao do LinkedIn falha em duas semanas

Tentei as abordagens obvias. Buffer. Hootsuite. Ate um fluxo de trabalho personalizado no n8n que puxava topicos de feeds RSS e gerava publicacoes pela OpenAI API. Todos compartilham a mesma falha fatal: sao sistemas de loop aberto.

Loop aberto significa que o sistema produz saida mas nunca observa o resultado. Ele gera a Publicacao A, publica-a, e entao gera a Publicacao B usando exatamente a mesma estrategia. Se a Publicacao A obteve 47 impressoes ou 4.700 e irrelevante — o sistema nao sabe e nao se importa.

E como um chef que cozinha todas as noites mas nunca prova a comida nem pergunta aos convidados o que acharam. Depois de um mes, voce teria alguem que cozinhou trinta refeicoes e nao aprendeu nada.

O algoritmo do LinkedIn em 2026 piora esse problema. As visualizacoes cairam aproximadamente 50% em relacao ao ano anterior segundo dados recentes da plataforma, o engajamento diminuiu 25%, e o crescimento de seguidores despencou 59%. O algoritmo agora recompensa tempo de permanencia e qualidade da conversa acima de reacoes brutas — interacoes de especialistas carregam peso algoritmico 7-9 vezes maior do que um simples curtir. O velho jogo de "publicar consistentemente e torcer" parou de funcionar quando o motor de recomendacoes do LinkedIn se tornou genuinamente sofisticado.

O que voce precisa nao sao mais publicacoes. Voce precisa de um sistema que observe o que realmente ressoa com seu publico especifico e continuamente refine sua mira.

E ai que entra o padrao de auto research do Karpathy. E e onde tudo se encaixou para mim.

Auto Research do Karpathy: o modelo mental que muda tudo

Andrej Karpathy lancou seu projeto autoresearch no inicio de 2026, e a comunidade de IA nao parou de falar sobre isso desde entao. O conceito original era elegante: de a um agente de IA uma configuracao pequena de treinamento de LLM, deixe-o modificar o codigo, executar um experimento curto, avaliar os resultados e decidir se a mudanca foi uma melhoria. Mantenha os acertos, descarte as perdas, repita.

Karpathy deixou esse loop rodando por dois dias. O agente conduziu 700 experimentos. Descobriu 20 otimizacoes que melhoraram o tempo de treinamento. Quando essas mesmas 20 modificacoes foram aplicadas a um modelo maior, produziram uma aceleracao de 11%.

Eis o que a maioria das pessoas nao percebe sobre essa historia: o padrao subjacente nao tem nada a ver com treinamento de machine learning. Funciona em qualquer coisa que voce possa medir.

Suas publicacoes no LinkedIn? Mensuraveis. Desempenho dos ganchos? Mensuravel. Taxas de engajamento por formato de publicacao? Mensuraveis. Quais topicos seu publico realmente se importa versus quais voce acha que eles se importam? Muito mensuravel.

O padrao de auto research e um sistema de otimizacao de loop fechado: agir, medir, analisar, ajustar, repetir. A parte de "pesquisa" nao e navegar na web ou ler artigos — e o sistema pesquisando seu proprio desempenho e tirando conclusoes que informam o proximo ciclo.

Quando vi Duncan Rogoff demonstrar esse conceito aplicado ao conteudo do LinkedIn — ele e um ex-diretor de arte que se tornou fundador de agencia de IA e dirige uma comunidade chamada The Build Room — algo mudou no meu pensamento. Duncan havia construido um sistema onde Claude Code gerava lead magnets, publicava posts no LinkedIn atraves do Blotato, extraia metricas de engajamento pelo Apify, e entao executava uma analise semanal de auto research para reescrever sua estrategia de conteudo. Todo o pipeline rodava no GitHub Actions sem intervencao humana.

Eu nao queria apenas replicar. Queria entender cada camada profundamente o suficiente para personaliza-lo para meu proprio fluxo de trabalho. Entao construi minha propria versao do zero.

Aqui esta a arquitetura.

A arquitetura de cinco camadas: como o sistema realmente funciona

A maioria dos tutoriais descreve automacao como um pipeline linear: entrada entra, saida sai. Este sistema e melhor entendido como um loop com cinco camadas distintas, cada uma lidando com uma tarefa especifica. Perca qualquer camada e o loop de feedback quebra.

Camada 1: O motor de lead magnets

Cada publicacao neste sistema comeca com um lead magnet. Nao a publicacao em si — o ativo que a publicacao promove. Esta e uma decisao estrategica, nao tecnica. O algoritmo do LinkedIn em 2026 esmaga links externos (reducao de alcance de aproximadamente 60%), entao voce precisa dar as pessoas um motivo para interagir na plataforma antes de envia-las para qualquer outro lugar.

O motor de lead magnets e um skill do Claude Code que recebe tres entradas: uma descricao do publico-alvo, um topico em tendencia da camada de pesquisa, e um formato de conteudo (framework, playbook, pacote de prompts ou peca narrativa). Ele produz um lead magnet completo armazenado no Notion — titulo, estrutura, o conteudo real e elementos narrativos projetados para fazer o ativo parecer digno de ser solicitado nos comentarios.

A definicao do skill e extremamente importante aqui. Passei duas horas refinando o prompt que impulsiona esse skill, e estimo que esse investimento me economizou mais de 60 horas desde entao. O prompt inclui os pontos de dor especificos do meu publico (especialistas com conhecimento profundo mas baixa visibilidade online), o posicionamento da minha marca e instrucoes explicitas sobre profundidade. Nao quero PDFs genericos e superficiais de "5 dicas". Quero ativos que facam alguem pensar "essa pessoa realmente sabe do que esta falando."

Aqui esta o esqueleto da configuracao do skill:

name: lead_magnet_generator
description: Generate high-value lead magnets for LinkedIn distribution
inputs:
  - audience_profile: "Professionals with expertise but low online visibility"
  - topic: "{{trending_topic}}"
  - format: "{{selected_format}}"  # framework | playbook | prompt_pack | story
context:
  - brand_voice_guide.md
  - top_performing_magnets.md  # auto-updated by research layer
  - audience_pain_points.md
output:
  destination: notion
  database: "Lead Magnets"
  fields:
    - title
    - hook
    - body_content
    - storytelling_elements
    - cta_text
    - target_format

O arquivo top_performing_magnets.md e o diferenciador chave. Nao e um documento estatico — a camada de auto research o reescreve semanalmente com base em quais lead magnets realmente geraram mais comentarios e engajamento. O sistema literalmente se ensina que tipo de ativos seu publico deseja.

Camada 2: O redator e publicador de posts

Uma vez que o lead magnet existe no Notion, um segundo fluxo de trabalho do Claude Code gera a publicacao do LinkedIn. Esse fluxo le o lead magnet, o documento de estrategia de conteudo atual (tambem atualizado automaticamente), e produz uma publicacao otimizada para os padroes que estao funcionando atualmente.

O redator de posts segue regras estruturais especificas que emergiram da analise de auto research:

• Gancho: Menos de 200 caracteres. Os dados do LinkedIn mostram que ganchos com menos de 200 caracteres que introduzem tensao ou prometem valor especifico superam dramaticamente aberturas explicativas. O sistema alterna entre tipos de ganchos — ganchos de transformacao, ganchos contrarios e ganchos com numeros especificos — e rastreia qual tipo tem melhor desempenho.

• Corpo: Formatado para tempo de permanencia. Linhas curtas. Quebras de linha estrategicas. O algoritmo agora pondera mais se alguem passa 45 segundos lendo sua publicacao do que se clicam no botao de curtir.

• CTA: Baseado em comentarios, nao em links. "Comente FRAMEWORK e eu envio para voce" supera amplamente "Baixe aqui: [link]" porque gera sinais de engajamento que o algoritmo recompensa.

A publicacao acontece atraves do Blotato, que oferece acesso a API a partir de $29/mes no plano starter. Blotato suporta nove plataformas — LinkedIn, X, Instagram, Facebook, TikTok, Pinterest, YouTube, Threads e Bluesky — e tem nos nativos de n8n e Make.com. Para este sistema, uso a API REST diretamente de um script Node.js que o Claude Code escreveu.

// publish-to-linkedin.js (simplified)
const axios = require('axios');

async function publishPost(postContent, mediaUrl = null) {
  const payload = {
    content: postContent,
    platforms: ['linkedin'],
    publish_at: calculateOptimalTime(), // based on engagement data
    media: mediaUrl ? [{ url: mediaUrl, type: 'video' }] : []
  };

  const response = await axios.post(
    'https://api.blotato.com/v1/posts',
    payload,
    {
      headers: {
        'Authorization': `Bearer ${process.env.BLOTATO_API_KEY}`,
        'Content-Type': 'application/json'
      }
    }
  );

  return response.data;
}

A funcao calculateOptimalTime() nao esta fixada em "terca-feira as 9h" como todo guia generico de LinkedIn sugere. Ela puxa dados do banco de dados de engajamento e calcula quando meu publico especifico esta mais ativo com base no desempenho historico. Mais uma coisa que a camada de auto research descobriu sozinha.

Camada 3: O componente de video

Esta camada foi a que mais me surpreendeu. O sistema do Duncan inclui uma etapa onde Claude Code grava uma captura de tela de 6-7 segundos rolando pelo lead magnet no Notion, com sobreposicoes de texto da marca — fonte especifica (Gotham), caixa de destaque verde neon com borda preta. O video e anexado a publicacao do LinkedIn.

Por que isso importa? Porque publicacoes com documentos e publicacoes com video no LinkedIn estao atingindo taxas de engajamento de 6,60% em 2026, as mais altas de qualquer formato. Publicacoes de texto padrao mal passam de 2%. Um breve video de rolagem pelo seu lead magnet serve a dois propositos: mostra uma previa do valor (reduzindo a friccao para comentar) e sinaliza ao algoritmo que este e conteudo de midia rica que merece ser distribuido.

Adaptei isso para as cores e o estilo da minha propria marca. O script de gravacao usa Puppeteer para abrir a pagina do Notion, rolar em ritmo controlado e capturar a tela. Um comando separado do FFmpeg adiciona a sobreposicao de texto e gera um MP4 comprimido.

Toda a geracao de video leva cerca de 30 segundos. Sem intervencao humana. Sem software de gravacao de tela. Sem edicao.

Camada 4: O scraper de dados

Aqui e onde o loop comeca a se fechar. Todos os dias, um ator do Apify extrai metricas de engajamento das minhas publicacoes do LinkedIn. Os scrapers do LinkedIn do Apify podem extrair curtidas, comentarios, republicacoes, impressoes e detalhamentos de reacoes — tudo sem exigir cookies ou acesso a conta para dados publicos.

O preco e razoavel: aproximadamente $1-2 por 1.000 publicacoes extraidas, o que para uma verificacao diaria das suas ultimas 30 publicacoes significa custo desprezivel.

Os dados extraidos sao escritos em um banco de dados do Notion com este esquema:

Post ID | Date | Hook Type | Post Length | Line Length | Content Format |
Content Angle | Topic | Likes | Comments | Shares | Impressions |
Engagement Rate | Lead Magnet Type

Cada publicacao e marcada com metadados no momento da criacao (tipo de gancho, formato, angulo, topico), para que quando os dados retornem, o sistema possa cruzar o desempenho com essas variaveis. Esta e a instrumentacao que torna a camada de pesquisa poderosa. Sem metadados estruturados, voce esta apenas coletando numeros. Com eles, voce esta coletando inteligencia acionavel.

Camada 5: O motor de auto research

Este e o cerebro. Uma vez por semana (estou experimentando aumentar a frequencia), um fluxo de trabalho do Claude Code puxa o conjunto completo de dados de engajamento, executa uma analise estruturada e produz duas saidas:

1. Um relatorio de desempenho identificando o que esta funcionando e o que nao esta
2. Uma estrategia de conteudo atualizada que o motor de lead magnets e o redator de posts usam para o proximo ciclo

A analise cobre:

• Desempenho dos ganchos: Quais tipos de ganchos (transformacao, contrario, numero especifico, pergunta, historia) geram mais impressoes, comentarios e taxa de engajamento?
• Desempenho dos formatos: Frameworks superam playbooks? Pacotes de prompts superam publicacoes narrativas?
• Analise de comprimento: Ha um ponto ideal para o comprimento total da publicacao e comprimento medio de linha?
• Analise de topicos: Em quais areas tematicas o publico mais responde?
• Desempenho dos angulos: Publicacoes orientadas a resultados superam publicacoes de prova social? Vulnerabilidade supera autoridade?

O sistema nao apenas identifica correlacoes — ele gera hipoteses e planeja experimentos. "Ganchos de transformacao superam por 2,3 vezes. Na proxima semana, testar 3 ganchos de transformacao com diferentes areas tematicas para determinar se o tipo de gancho ou o topico foi o principal impulsionador."

Este e o padrao de auto research do Karpathy em sua forma mais pura. Agir, medir, analisar, formular hipotese, projetar proximo experimento, repetir.

Aqui esta uma versao simplificada do prompt de analise:

## Auto Research Analysis

You have access to the following LinkedIn post performance data:
{{engagement_data}}

Analyze this data to answer:
1. Which hook types generate the highest engagement rate?
2. Which content formats drive the most comments (our primary KPI)?
3. What's the optimal post length range?
4. Which topics resonate most with the audience?
5. What content angles perform best?

Then produce:
- A performance summary with specific numbers
- Updated recommendations for the content strategy
- 3 specific hypotheses to test next week
- An updated top_performing_magnets.md file

A saida sobrescreve content_strategy.md e top_performing_magnets.md — os mesmos arquivos que o motor de lead magnets e o redator de posts leem como contexto. O sistema acabou de reescrever suas proprias instrucoes com base em evidencias empiricas.

Se voce leu meu artigo sobre construir sistemas de IA que se aprimoram sozinhos com Claude Code, reconhecera essa arquitetura. O padrao de agente reflexivo que descrevi la — onde uma IA avalia a saida de outra e ajusta o prompt do sistema — e exatamente o que esta acontecendo aqui. A diferenca e que em vez de avaliar conversas de chatbot, este sistema avalia metricas de engajamento do LinkedIn. Mesmo padrao, aplicacao radicalmente diferente.

Configurando o pipeline do GitHub Actions

Todo o sistema roda headless no GitHub Actions. Sem servidor. Sem cron jobs na minha maquina. Sem Zapier. Apenas um repositorio com arquivos de workflow que disparam por agendamento.

Aqui esta o workflow diario:

# .github/workflows/daily-content.yml
name: Daily LinkedIn Content Pipeline

on:
  schedule:
    - cron: '0 7 * * *'  # 7 AM UTC daily
  workflow_dispatch:  # manual trigger for testing

jobs:
  generate-and-publish:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4

      - name: Setup Node.js
        uses: actions/setup-node@v4
        with:
          node-version: '20'

      - name: Install dependencies
        run: npm ci

      - name: Generate lead magnet
        run: node scripts/generate-lead-magnet.js
        env:
          ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
          NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}

      - name: Generate LinkedIn post
        run: node scripts/generate-post.js
        env:
          ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
          NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}

      - name: Record lead magnet video
        run: node scripts/record-video.js
        env:
          NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}

      - name: Publish to LinkedIn
        run: node scripts/publish.js
        env:
          BLOTATO_API_KEY: ${{ secrets.BLOTATO_API_KEY }}

      - name: Scrape engagement data
        run: node scripts/scrape-engagement.js
        env:
          APIFY_API_KEY: ${{ secrets.APIFY_API_KEY }}
          NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}

E o workflow de pesquisa semanal:

# .github/workflows/weekly-research.yml
name: Weekly Auto Research

on:
  schedule:
    - cron: '0 9 * * 0'  # Sunday 9 AM UTC
  workflow_dispatch:

jobs:
  auto-research:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4

      - name: Pull engagement data
        run: node scripts/pull-engagement-data.js
        env:
          NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}

      - name: Run auto research analysis
        run: node scripts/auto-research.js
        env:
          ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}

      - name: Update content strategy
        run: node scripts/update-strategy.js
        env:
          NOTION_API_KEY: ${{ secrets.NOTION_API_KEY }}

      - name: Commit updated strategy files
        run: |
          git config user.name "Auto Research Bot"
          git config user.email "[email protected]"
          git add strategy/
          git commit -m "auto-research: update strategy $(date +%Y-%m-%d)" || true
          git push

Seis secrets nas configuracoes do repositorio do GitHub. Dois arquivos de workflow. Essa e toda a camada operacional.

Uma coisa que quero destacar: voce vai encontrar erros. Duncan mencionou em seu tutorial que Claude Code lancou erros durante a configuracao inicial — scrapers com timeout, limites de taxa de API, incompatibilidades de tipo de campo no Notion. Eu tive todos esses problemas mais alguns extras. O scraper do Apify ocasionalmente retorna dados desatualizados se uma publicacao tem menos de 2 horas. A API do Blotato tem uma peculiaridade onde anexos de video acima de 10MB falham silenciosamente sem resposta de erro. E a API do Notion retorna formatos de campo diferentes para propriedades de rollup versus propriedades de formula, o que quebra seu script de ingestao de dados se voce nao tratar ambos os casos.

Meu conselho: construa cada camada independentemente e teste-as isoladamente antes de conecta-las. Execute o gerador de lead magnets dez vezes manualmente. Publique cinco posts diretamente pela API do Blotato. Extraia suas ultimas vinte publicacoes com o Apify e inspecione o JSON bruto. Depure camada por camada, depois conecte.

Se voce preferir que alguem construa esse tipo de pipeline de automacao do zero, aceito projetos de automacao com IA e desenvolvimento de agentes. Voce pode ver o que construi em fiverr.com/s/EgxYmWD.

A descoberta surpreendente: ganchos de transformacao vencem (e nem e acirrado)

Alimentei o sistema com dados das minhas ultimas 47 publicacoes do LinkedIn antes de ativar o loop de auto research. Isso deu ao motor de analise dados suficientes para tirar conclusoes reais desde o primeiro dia em vez de esperar semanas para acumular sinais.

O primeiro relatorio de auto research continha uma descoberta que genuinamente me surpreendeu.

Eu tinha assumido — com base em tudo que li sobre copywriting para LinkedIn — que ganchos com "Eu" e numeros especificos seriam os de melhor desempenho. Publicacoes que abrem com "Passei 6 horas testando..." ou "Construi um sistema de R$15K/mes com..." pareciam que deveriam funcionar. Sao pessoais, especificas e criam curiosidade.

Os dados diziam o contrario.

Ganchos de transformacao — publicacoes que mostram uma progressao de antes e depois — superaram ganchos pessoais com "Eu" por 2,3 vezes em alcance e 1,8 vezes em taxa de comentarios. Ganchos como "De zero seguidores a 400 leads em 90 dias" ou "O que acontece quando voce para de perseguir engajamento e comeca a construir sistemas" consistentemente atrairam mais impressoes e engajamento mais profundo.

Por que? Minha melhor teoria: ganchos de transformacao ativam o interesse proprio do leitor de forma mais direta. Uma declaracao com "Eu" e sobre mim. Um gancho de transformacao e sobre um resultado que o leitor quer. O leitor se projeta na transformacao. Ele nao pensa apenas "interessante" — pensa "isso poderia ser eu?"

Isso nao e uma lei universal. E o que funciona para meu publico neste momento. E esse e exatamente o ponto. Uma estrategia de conteudo estatica teria me mantido escrevendo ganchos com "Eu" indefinidamente porque pareciam certos. O loop de auto research identificou o padrao real em seis dias de analise.

O sistema evoluiu sua estrategia mais tres vezes desde entao. O ponto ideal de comprimento de publicacao mudou de 1.200-1.500 caracteres para 800-1.100 (mais curto, mais incisivo). Frameworks comecaram a superar playbooks como formato de lead magnet. Publicacoes as tercas e quintas superaram as de segunda e quarta. Nenhum desses insights eu teria captado manualmente — pelo menos nao tao rapido.

Executando multiplos agentes em paralelo

Um detalhe tecnico que vale a pena expandir: a capacidade do Claude Code de executar multiplas threads de agentes em paralelo acelera dramaticamente tanto a fase de construcao quanto a execucao diaria.

Quando eu estava construindo este sistema, tinha tres instancias do Claude Code rodando simultaneamente. Uma escrevia o script de geracao de lead magnets. Outra construia a integracao de scraping com o Apify. Uma terceira trabalhava no pipeline de gravacao de video. Operavam em arquivos separados no mesmo repositorio, ocasionalmente referenciando modulos utilitarios compartilhados.

Isso nao e um padrao teorico — e a arquitetura de equipes de agentes que a Anthropic tem impulsionado fortemente desde o Opus 4. Cada agente tem sua propria janela de contexto, sua propria tarefa e sua propria capacidade de ler e escrever arquivos. Quando precisei que o agente de scraping formatasse dados de uma maneira que o agente de pesquisa pudesse consumir, defini o esquema de dados em um arquivo de especificacao compartilhado e apontei ambos os agentes para ele.

Durante a execucao diaria, o pipeline roda sequencialmente (gerar, depois publicar, depois extrair) porque cada etapa depende da anterior. Mas durante a fase de pesquisa semanal, experimentei paralelizar a analise. Um agente analisa desempenho de ganchos enquanto outro analisa desempenho de formatos enquanto um terceiro examina tendencias de topicos. Os resultados se fundem em uma unica atualizacao de estrategia.

Tempo total de repositorio vazio ate sistema funcionando: cerca de 20 minutos de tempo real de interacao com Claude Code para o MVP inicial, mais algumas horas de testes e refinamento na semana seguinte. Duncan reportou um cronograma similar — a estrutura do sistema se monta rapido porque o Claude Code cuida do codigo repetitivo. O refinamento e onde o julgamento humano importa.

O que errei (e o que mudaria)

Seis semanas depois, aqui esta minha avaliacao honesta do que nao funcionou como planejado.

A camada de video e fragil. Puppeteer rodando em um container do GitHub Actions ocasionalmente tem timeout quando o Notion demora para carregar. Adicionei logica de retry, mas estou considerando mudar para uma abordagem de carrossel de imagens pre-renderizadas — mais confiavel, e os dados de engajamento nao mostram diferenca significativa entre um video de rolagem e um carrossel estatico bem projetado.

Pesquisa semanal nao e frequente o suficiente. Quando a analise de domingo identifica um padrao falhando, ja publiquei 5-6 posts usando a estrategia antiga. Estou mudando para duas vezes por semana — quartas e domingos — para apertar o loop de feedback. O autoresearch original do Karpathy rodava continuamente. Sistemas de conteudo nao conseguem igualar esse ritmo porque voce precisa que as publicacoes acumulem dados de engajamento suficientes antes que a analise seja significativa. Mas uma vez por semana parece lento demais.

O sistema nao gerencia comentarios. Esta e a maior lacuna. Quando alguem comenta "FRAMEWORK" em uma publicacao para solicitar o lead magnet, um humano (eu) ainda precisa enviar a DM. Explorei solucoes baseadas na API do LinkedIn para isso, mas a API de mensagens do LinkedIn esta bloqueada atras de programas de parceria que nao sao acessiveis a desenvolvedores individuais. Por enquanto, respondo a comentarios em lotes duas vezes ao dia manualmente. Leva 10 minutos mas quebra o sonho totalmente autonomo.

O direcionamento de publico precisa de refinamento constante. Minha descricao inicial de publico era ampla demais: "profissionais com experiencia mas baixa visibilidade online." O loop de auto research identificou que minhas publicacoes com maior engajamento miravam um segmento mais estreito — especificamente, consultores independentes e fundadores de agencias no espaco de IA/automacao. Desde entao afineio o perfil de publico, e a proxima onda de conteudo esta performando sensivelmente melhor.

Nem toda publicacao deve ser um lead magnet. Publicacoes de puro valor, opinioes contrarias e historias pessoais superam publicacoes de lead magnet em alcance (porque nao tem um CTA transacional). O sistema agora alterna: 3 publicacoes de lead magnet por semana, 2 publicacoes de puro engajamento. As publicacoes de engajamento alimentam a percepcao do algoritmo sobre a qualidade da minha conta, e as publicacoes de lead magnet convertem esse alcance em leads reais.

Os numeros apos seis semanas

Sou cauteloso ao reportar metricas porque contexto importa enormemente. O tamanho da minha conta, nicho, frequencia de publicacao e composicao do publico afetam todos esses numeros. Sao direcionais, nao prescritivos.

O que posso compartilhar: o loop de auto research identificou cinco ajustes de estrategia distintos em seis semanas. Cada um foi baseado em um padrao estatisticamente significativo nos dados de engajamento — nao em um palpite, nao em uma melhor pratica do curso de algum guru do LinkedIn. O sistema detectou coisas que eu nao teria notado por meses, se e que algum dia notaria.

O padrao que acho mais convincente nao e nenhuma melhoria individual de metrica. E a trajetoria. A estrategia de conteudo de cada semana e mensuravelmente mais bem informada que a da semana anterior. A lacuna entre as publicacoes da primeira semana e as da sexta semana e visivel nos dados de engajamento. Esse efeito composto — onde cada iteracao se constroi sobre insights validados da anterior — e exatamente o que o padrao de auto research do Karpathy promete. E entrega.

Para comparacao: minha publicacao manual no LinkedIn nos tres meses anteriores era esporadica (2-3 publicacoes por semana quando motivado, zero durante semanas de projetos intensos) sem rastreamento sistematico. O sistema automatizado publica 5 vezes por semana sem excecao, rastreia tudo e evolui sua abordagem com base em evidencias. So a consistencia explica uma porcao significativa de qualquer melhoria de engajamento. A otimizacao de auto research sobre essa consistencia e o que torna a trajetoria acelerada em vez de plana.

Como construir sua propria versao

Se voce quer replicar isso, aqui esta a sequencia que eu recomendaria. Nao tente construir tudo de uma vez — e assim que projetos de automacao morrem.

Semana 1: Base manual. Escreva 10 publicacoes do LinkedIn manualmente. Registre tipo de gancho, formato e topico para cada uma. Extraia o engajamento delas apos 48 horas usando o Apify (o plano gratuito funciona bem). Armazene tudo em um banco de dados do Notion. Isso da dados iniciais e forca voce a definir suas categorias de conteudo.

Semana 2: Automatizar a geracao. Construa o skill de lead magnets do Claude Code e o redator de posts. Teste-os repetidamente. Compare publicacoes geradas por IA com suas publicacoes manuais. Refine os prompts dos skills ate que a qualidade de saida iguale ou supere sua escrita manual em um primeiro rascunho.

Semana 3: Automatizar a publicacao. Conecte o Blotato. Configure o workflow diario do GitHub Actions. Execute-o manualmente (usando workflow_dispatch) cinco vezes antes de confiar no agendamento. Verifique que cada etapa e concluida e que a publicacao realmente aparece no LinkedIn.

Semana 4: Fechar o loop. Construa a camada de auto research. Execute a primeira analise sobre seus dados acumulados (voce deve ter 20+ publicacoes a essa altura). Revise o documento de estrategia que o sistema produz. A analise corresponde a sua intuicao? Onde ela te surpreende? As surpresas sao onde esta o valor.

Semana 5+: Iterar e expandir. Aumente a frequencia de pesquisa. Adicione o componente de video se combina com sua marca. Experimente com o mix de conteudo. Deixe o sistema rodar e resista a tentacao de ignorar suas recomendacoes a menos que tenha uma razao especifica.

Uma dica nao obvia: guarde cada versao do seu documento de estrategia de conteudo em controle de versao. Eu uso git para isso (o workflow de pesquisa semanal faz commits de mudancas de estrategia automaticamente). Em seis meses, voce vai querer rastrear a evolucao da sua estrategia e entender por que o sistema fez cada mudanca. Esse historico e incrivelmente valioso para depuracao e para entender seu publico em um nivel mais profundo.

O quadro geral: sistemas de IA que aprendem com sua propria saida

O que descrevi aqui e um sistema de conteudo para LinkedIn. Mas a arquitetura e de proposito geral.

O padrao de auto research — agir, medir, analisar, ajustar — se aplica a linhas de assunto de email, textos de paginas de precos, criativos publicitarios, descricoes de produtos, respostas de suporte ao cliente, ou qualquer conteudo onde voce possa medir o desempenho. As ferramentas especificas mudam (voce pode trocar Apify por Google Analytics, Blotato por Mailchimp), mas a arquitetura de cinco camadas permanece identica.

O auto research original do Karpathy executou 700 experimentos em dois dias em configuracoes de treinamento de LLM. Duncan Rogoff aplicou o mesmo padrao ao conteudo do LinkedIn. Eu construi minha propria versao e descobri que ganchos de transformacao superavam declaracoes com "Eu" para meu publico especifico. Alguem vai aplicar isso a thumbnails do YouTube, titulos de landing pages, ou sequencias de emails outbound.

O padrao e o que vale a pena internalizar. As ferramentas sao apenas detalhes de implementacao.

E a trajetoria desses sistemas importa mais do que qualquer saida individual. Um sistema de conteudo que e 10% melhor a cada semana nao soa dramatico ate voce perceber que apos 12 semanas, esta operando em um nivel fundamentalmente diferente de onde comecou. Isso nao e melhoria linear — e inteligencia composta aplicada a um dominio especifico e mensuravel.

Meu time de marketing com IA construido com skills do Claude foi o precursor deste sistema. Skills me deram execucao repetivel. A camada de auto research me deu aprendizado repetivel. A combinacao de ambos — execucao consistente mais otimizacao continua — e o que transforma um fluxo de trabalho de conteudo em um motor de conteudo.

Quer voce construa exatamente este sistema ou adapte o padrao para seu proprio caso de uso, o principio permanece o mesmo: pare de tratar IA como um gerador de uso unico. Comece a trata-la como um loop de feedback. A diferenca nos resultados ao longo do tempo e impressionante.

O sistema acabou de gerar a publicacao de amanha enquanto eu escrevia este artigo. Segundo a ultima atualizacao de estrategia, esta testando um novo formato de gancho — um inicio baseado em pergunta direcionado a um ponto de dor especifico que os dados revelaram na semana passada. Vou verificar os numeros de engajamento em 48 horas. Nao me surpreenderia se o sistema sabe algo que eu nao sei.

Esse e todo o ponto.

Perguntas frequentes

Quanto custa o stack completo de automacao do LinkedIn por mes?

Os custos principais sao uso da API do Claude Code (variavel, aproximadamente $30-60/mes dependendo do volume), Blotato a $29/mes para publicacao, e Apify a aproximadamente $1-2 por 1.000 extracoes. GitHub Actions e gratuito para repositorios publicos ou esta incluido no GitHub Pro. Total: aproximadamente $70-100/mes para um sistema de publicacao diaria.

O padrao de auto research do Karpathy pode funcionar para outras plataformas alem do LinkedIn?

O padrao funciona em qualquer lugar onde voce possa medir o desempenho do conteudo com dados estruturados. Taxas de abertura de email, curvas de retencao do YouTube, taxas de clique em anuncios e metricas de conversao de landing pages alimentam o mesmo loop de agir-medir-analisar-ajustar. Troque a ferramenta de scraping e a API de publicacao; a arquitetura permanece identica.

Quantas publicacoes voce precisa antes que a analise de auto research seja util?

Alimentei com 47 publicacoes e obtive insights significativos imediatamente. Para significancia estatistica em comparacoes de tipos de ganchos, mire pelo menos 20-30 publicacoes com tipos de ganchos variados. Menos de 15 publicacoes e voce esta lendo ruido, nao sinal. Para uma explicacao mais detalhada da arquitetura de auto-aprimoramento, veja minha publicacao sobre construir sistemas de IA que se aprimoram sozinhos com Claude Code.

O LinkedIn penaliza publicacao automatizada atraves de ferramentas de terceiros?

Os termos da API do LinkedIn permitem publicacao atraves de aplicacoes autorizadas de terceiros. Blotato usa APIs oficiais da plataforma, nao automacao de navegador ou hacks de scraping. O risco vem de padroes de conteudo de baixa qualidade, nao do metodo de publicacao. O algoritmo do LinkedIn em 2026 detecta pods de engajamento com 97% de precisao mas nao penaliza publicacao legitima baseada em API.

Como voce lida com follow-ups por DM no LinkedIn para lead magnets?

Este e atualmente o gargalo manual. A API de mensagens do LinkedIn requer acesso de nivel de parceria que nao esta disponivel para desenvolvedores individuais. Respondo a solicitacoes de lead magnets em lotes duas vezes ao dia, levando cerca de 10 minutos no total. Alguns desenvolvedores usam ferramentas de terceiros com automacao de navegador para esta etapa, mas essa abordagem carrega risco para a conta que nao estou disposto a aceitar.

Vamos trabalhar juntos

Quer construir sistemas de IA, automatizar fluxos de trabalho ou escalar sua infraestrutura tecnologica? Adoraria ajudar.

• Fiverr (solucoes personalizadas e integracoes): fiverr.com/s/EgxYmWD
• Portfolio: mejba.me
• Ramlit Limited (solucoes empresariais): ramlit.com
• ColorPark (design e branding): colorpark.io
• xCyberSecurity (servicos de seguranca): xcybersecurity.io