# A ingestão deve ler os formatos que as pessoas realmente enviam Notas de pesquisa de 11 de agosto: extração documental mais ampla, evidências limitadas de PDF e OCR e controles de colaboração que precisam avisar quando não estão protegendo o trabalho. Language: pt Canonical: https://avanticomplex.com/pt/blog/ingest-must-read-the-formats-people-send-pt/ Published: 2026-08-12T06:59:00.000Z 11 de agosto de 2026. Um documento pode estar arquivado com segurança e continuar invisível para um assistente de IA. Tenho esse problema no VALESKA, o sistema de documentos e memória organizacional que estou construindo: o caminho anterior de ingestão lia principalmente texto simples, enquanto PDFs depositados podiam ficar sem texto extraído. Ingestão significa trazer material para o sistema. Arquivar o original não é o mesmo que tornar seu conteúdo pesquisável. As pessoas enviam os formatos que seu trabalho produz: contratos em PDF, planilhas, apresentações, e-mails e páginas digitalizadas. Pedir que todos convertam tudo antes transfere a carga para a equipe e cria outra oportunidade de perder o vínculo com o original. Quero que o sistema tente ler os documentos como foram recebidos e informe o que realmente conseguiu ler. Uma doca de carga serve de pouco se só aceita pacotes já abertos no escritório lá em cima. ## O suporte a formatos é o começo O extrator de hoje, o componente que transforma um arquivo em texto, acrescenta caminhos para PDF, Office, OpenDocument, e-mail, páginas web HTML e outros formatos. Diferentes mecanismos de leitura lidam com diferentes arquivos, com alternativas quando um falha. O código pode informar quais mecanismos estão disponíveis na máquina e qual produziu um resultado. Portanto, reconhecer uma extensão de arquivo declara uma cobertura no código, não comprova que toda máquina consiga ler corretamente todos os arquivos daquele tipo. OCR, reconhecimento óptico de caracteres, tenta recuperar palavras a partir de imagens de texto. Ele fica reservado para PDFs cujos leitores de texto não produzem conteúdo suficiente, em vez de substituir uma camada de texto existente. Seu limite de páginas restringe a quantidade que se tenta processar, e uma marca identifica o truncamento. São limites operacionais, não uma promessa de recuperação completa ou precisa. Um documento misto, com texto legível e páginas digitalizadas, ainda precisa ser verificado quanto a possíveis omissões. O commit registra a extração de treze PDFs difíceis em 2.948 fragmentos, as seções menores de texto preparadas para pesquisa posterior. Também relata uma página convertida em imagem cujo texto foi recuperado literalmente por OCR em 0,2 segundo. São observações animadoras e específicas, não uma avaliação de precisão para todos os formatos, idiomas, tabelas ou digitalizações danificadas contemplados. Uma contagem de fragmentos mede o volume de saída; não me diz se uma cláusula contratual foi preservada corretamente. Os testes que acompanham a mudança incluem exemplos gerados de Office e e-mail, rejeição de um contêiner documental corrompido e verificações de PDFs em branco e do comportamento do OCR. Alguns exigem software opcional e podem ser ignorados. O resultado registrado da bateria completa é de 517 testes aprovados e dois ignorados. Trato isso como evidência histórica de testes, não como uma execução nova nem como um certificado de que todo documento empresarial sairá intacto. ## Quem faz as mudanças também precisa de limites Esta semana também expõe um risco separado: vários agentes de programação trabalhando em torno do mesmo repositório, a coleção de arquivos do projeto com controle de versões. Um commit é um conjunto registrado de mudanças. Um agente pode incluir por acidente o trabalho inacabado de outra pessoa, mesmo quando a descrição do commit parece inofensiva. A nova verificação compara os arquivos selecionados com uma linha de base, um registro do que já estava alterado quando a sessão começou. Mudanças posteriores verificam as declarações de tarefas em busca de possível esforço duplicado e alertam para não tratar como abandonada uma cópia de trabalho inacessível a partir de uma máquina. Hoje também corrijo a localização da linha de base em um worktree recém-criado, uma cópia de trabalho isolada, e faço a verificação anunciar quando está inativa. A correção do worktree registra uma verificação completa bem-sucedida em um repositório descartável. Isso sustenta a correção naquele cenário, não uma proteção universal. Os limites importam. Sem uma linha de base ou sem o programa necessário para executar a verificação, o mecanismo avisa, mas ainda permite o commit. Seu filtro de arquivos selecionados não inclui exclusões. As verificações de sobreposição temática dependem das tarefas registradas e podem ser anuladas. Essas medidas reduzem riscos específicos; não podem garantir que agentes nunca dupliquem trabalho, apaguem arquivos ou interfiram em mudanças feitas depois da linha de base. ## O que preciso verificar a seguir Para quem toma decisões em uma empresa, as duas frentes fazem a mesma pergunta: sucesso significa que o trabalho foi verificado ou apenas que nenhum erro o interrompeu? Meu próximo exercício de aceitação é conferir uma amostra representativa de documentos com os originais, junto com casos de colaboração que mostrem quando a verificação bloqueia e quando apenas avisa. Ampliar os formatos de entrada e tornar as limitações visíveis é progresso. Ainda não é permissão para parar de conferir. * * * **Base histórica:** commits do VALESKA `2310a77`, de 8 de agosto; `40e3cc9`, de 9 de agosto; e `6c5b473`, `d37d040`, `1cdc795`, de 11 de agosto de 2026. As datas usam o fuso horário America/Los\_Angeles. ## Translations - en: https://avanticomplex.com/en/blog/ingest-must-read-the-formats-people-send/ - es: https://avanticomplex.com/es/blog/ingest-must-read-the-formats-people-send-es/ - pt: https://avanticomplex.com/pt/blog/ingest-must-read-the-formats-people-send-pt/