Overclock + Ollama = agentes 100% locais
O gancho (adapte com a tua voz): "Tudo que eu vou rodar nesse vídeo acontece NESTA máquina. Nenhum token vai pra nuvem: é o Overclock orquestrando modelo local via Ollama."
Checklist de preparação
Tudo isso pronto antes de ligar a câmera — grava com confiança, não improviса.
- Ollama instalado em ollama.com/download — testa com "ollama run llama3.2" no terminal antes de gravar.
- Modelo já baixado (o download pode levar minutos e travar a gravação): llama3.2 pra tarefas gerais, qwen2.5-coder pra código, mistral pra multilíngue.
- Overclock configurado com o provider Ollama apontando pro endereço local (geralmente http://localhost:11434).
- Monitor de Atividade do macOS (ou htop no Linux) aberto e pronto pra aparecer na tela — vai ser a prova visual de que nenhuma rede externa está sendo usada.
- Desativa a conexão de rede via System Settings → Wi-Fi → Off OU mantém conectado e usa Proxyman/Little Snitch pra mostrar o tráfego zero.
- Uma tarefa real que você faria com código sensível, dados privados ou simplesmente offline — precisa fazer sentido pra sua audiência rodar local.
- Terminal aberto ao lado do Overclock pra fazer a comparação de velocidade visualmente.
A estrutura que segura view até o fim
Proporções sobre a duração total — num vídeo de 10 min, 10% ≈ 1 min.
A promessa acima + os 2 motivos concretos pra rodar local.
- Fala a promessa olhando pra câmera. Se der, mostra o indicador de rede no canto da tela já mostrando offline ou sem tráfego.
- Motivo 1 — privacidade: "tenho código de cliente / dados sensíveis que não podem sair daqui."
- Motivo 2 — custo: "modelo local não tem custo de API — zero reais por token."
- Menciona o trade-off de cara: "existe custo, e eu vou te mostrar qual é. Mas primeiro, o setup."
- 💡 Não faz setup aqui ainda. Gancho é por quê, não como. O espectador precisa entender o motivo antes de se importar com o passo a passo.
Download do Ollama, pull do modelo, configuração do provider no Overclock — sem cortes. O setup é o conteúdo.
- Abre o terminal e digita "ollama list" — mostra que já tem (ou não tem) modelos baixados.
- Se o modelo não estiver baixado, faz o pull ao vivo: "ollama pull qwen2.5-coder" — comenta o tamanho enquanto baixa.
- Testa o modelo direto no terminal: "ollama run qwen2.5-coder" e digita uma pergunta simples. Mostra a resposta.
- Abre o Overclock → Configurações → Providers. Adiciona o Ollama apontando pro endereço local.
- Abre um pane no Overclock e confirma que o modelo local aparece no seletor. Seleciona ele.
- Faz uma pergunta simples no pane: "olá" ou "qual é seu nome?". Confirma que responde.
ollama pull qwen2.5-coderollama run qwen2.5-coderEndpoint pra configurar no Overclock: http://localhost:11434- 💡 Não corta nenhum passo do setup — cada etapa é o que o espectador veio ver. Corte de salto só pra espera de download acima de 1 minuto.
- 💡 Se der erro no meio, fica em cena e resolve: "esse erro significa X, o fix é Y" — é isso que torna o vídeo confiável.
Pane rodando com modelo local numa tarefa real. Monitor de atividade ou tráfego de rede visível provando que está offline.
- Abre o Monitor de Atividade (macOS) ou monitor de rede, posiciona ao lado do Overclock.
- Escolhe a tarefa: algo com código real que faz sentido rodar privado — refatoração de função, análise de dados, geração de documentação.
- Digita o prompt no pane com o modelo local. Enquanto processa, aponta pro monitor: "olha o tráfego de rede — zero saindo."
- Quando terminar, mostra o resultado e avalia: está funcional? Está dentro do esperado pra um modelo menor?
- Opcional: desliga o Wi-Fi visivelmente e roda de novo — a prova máxima.
Refatora essa função pra remover duplicação e adicionar tratamento de erro. O código deve funcionar igual, só mais limpo: [cola o código]- 💡 A câmera no monitor de rede é o shot mais importante desse bloco — o espectador precisa ver zero tráfego de saída com o modelo local rodando.
A mesma tarefa num modelo de fronteira (Claude ou similar). Mostra a diferença de qualidade e velocidade sem esconder.
- Abre um segundo pane com Claude ou outro modelo de nuvem.
- Digita exatamente o mesmo prompt da tarefa anterior.
- Coloca os dois resultados lado a lado na tela.
- Avalia em voz alta: o que o modelo de nuvem fez melhor, o que o local fez igual, onde ficou devendo.
- Faz a pergunta que o espectador está pensando: "então pra que usar local?" — responde com os casos de uso concretos.
- 💡 Essa comparação honesta é o que diferencia esse vídeo de propaganda. Não esconde onde o modelo local ficou pior — isso é o que gera confiança e compartilhamento.
Quem deveria usar modelo local e por quê. Fecho puxando o próximo vídeo.
- Lista os 3 casos de uso reais: código ou dados que não podem sair da máquina, uso offline, aprendizado sem custo de API.
- Lista os 2 casos em que a nuvem ainda ganha: tarefa complexa que precisa de raciocínio de fronteira, velocidade em produção.
- Faz o fecho com o próximo vídeo.
O número que ancora o vídeo
O monitor de atividade/rede na tela enquanto o agente processa — zero tráfego de saída. Se possível, Wi-Fi desligado visivelmente durante a demo.
A limitação dita de frente
Modelo local fica atrás dos modelos de fronteira em tarefas complexas — a comparação lado a lado mostra isso de frente, sem omitir.
Puxando o próximo vídeo
"Local pra privacidade, nuvem pra potência — no próximo vídeo eu mostro os dois no MESMO grid, cada um no que é melhor."
O que trava — e como sair
Todo builder bate nesses pontos. Saber antes economiza uma regravação.
| O erro | O fix |
|---|---|
| O Ollama não iniciou e o pane no Overclock ficou sem resposta. | Ollama precisa estar rodando como processo antes de abrir o Overclock. No terminal: "ollama serve" pra garantir que está ativo. No macOS, depois de instalar, o ícone aparece na barra de menu — confirma que está lá. |
| O modelo era lento demais na máquina — demorou 3 minutos pra gerar 200 tokens. | Escolhe um modelo menor: llama3.2:3b em vez de llama3.2:70b. A velocidade é proporcional ao tamanho do modelo e à RAM disponível. Regra prática: para gravação fluida, usa modelos de até 8B em máquina com 16GB RAM. |
| O monitor de atividade não apareceu claramente na gravação — a prova sumiu. | Usa Picture-in-Picture ou posiciona as janelas manualmente. No macOS, Split View funciona bem. Alternativa: grava o terminal com "tcpdump -i en0" filtrando tráfego de saída — fica mais técnico mas mais convincente. |
Como saber que ficou bom
O vídeo está pronto quando: (1) o setup completo (do zero ao pane respondendo) aparece sem cortes, (2) o monitor de rede/atividade aparece na tela durante a demo mostrando ausência de tráfego externo, (3) a comparação com modelo de nuvem está presente e honesta. Sem qualquer um desses três elementos, o ponto principal do vídeo não fica demonstrado.
Outras formas de gravar este roteiro
- Versão segurança: foca no caso de código sensível de cliente — mostra que mesmo que tentasse, os dados não saíram. Bom pra audiência de freelancers e agências.
- Versão custo: calcula quantos tokens você usaria por mês e o custo equivalente em API paga vs zero com modelo local.
Três títulos prontos
Escolhe um, ou usa como base — número e promessa concreta sempre na frente.
| 01 | Rodei meus agentes de IA 100% LOCAL (Overclock + Ollama) |
| 02 | IA sem nuvem: agentes locais com Ollama no Overclock |
| 03 | Overclock + Ollama: privacidade total, custo zero de API |
Publicou e bateu 1.000 views? Comprova antes dos outros.
São 5 assinaturas Ultra pros 5 primeiros — 4 vídeos com 1.000+ views cada (ou 10.000+ num Shorts) e a vaga é sua.