Overclock + Ollama = agentes 100% locais

A promessa acima + os 2 motivos concretos pra rodar local.

1. Fala a promessa olhando pra câmera. Se der, mostra o indicador de rede no canto da tela já mostrando offline ou sem tráfego.
2. Motivo 1 — privacidade: "tenho código de cliente / dados sensíveis que não podem sair daqui."
3. Motivo 2 — custo: "modelo local não tem custo de API — zero reais por token."
4. 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.

1. Abre o terminal e digita "ollama list" — mostra que já tem (ou não tem) modelos baixados.
2. Se o modelo não estiver baixado, faz o pull ao vivo: "ollama pull qwen2.5-coder" — comenta o tamanho enquanto baixa.
3. Testa o modelo direto no terminal: "ollama run qwen2.5-coder" e digita uma pergunta simples. Mostra a resposta.
4. Abre o Overclock → Configurações → Providers. Adiciona o Ollama apontando pro endereço local.
5. Abre um pane no Overclock e confirma que o modelo local aparece no seletor. Seleciona ele.
6. Faz uma pergunta simples no pane: "olá" ou "qual é seu nome?". Confirma que responde.

• 💡 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.

1. Abre o Monitor de Atividade (macOS) ou monitor de rede, posiciona ao lado do Overclock.
2. Escolhe a tarefa: algo com código real que faz sentido rodar privado — refatoração de função, análise de dados, geração de documentação.
3. Digita o prompt no pane com o modelo local. Enquanto processa, aponta pro monitor: "olha o tráfego de rede — zero saindo."
4. Quando terminar, mostra o resultado e avalia: está funcional? Está dentro do esperado pra um modelo menor?
5. Opcional: desliga o Wi-Fi visivelmente e roda de novo — a prova máxima.

• 💡 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.

1. Abre um segundo pane com Claude ou outro modelo de nuvem.
2. Digita exatamente o mesmo prompt da tarefa anterior.
3. Coloca os dois resultados lado a lado na tela.
4. Avalia em voz alta: o que o modelo de nuvem fez melhor, o que o local fez igual, onde ficou devendo.
5. 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.

1. Lista os 3 casos de uso reais: código ou dados que não podem sair da máquina, uso offline, aprendizado sem custo de API.
2. Lista os 2 casos em que a nuvem ainda ganha: tarefa complexa que precisa de raciocínio de fronteira, velocidade em produção.
3. Faz o fecho com o próximo vídeo.