“Quero continuar analisando” → “Então abro Codex ou Work de novo.” Funciona, mas em projetos longos a cota pode acabar antes da pesquisa.
A ideia não é evitar Codex ou Work. É usá-los uma vez na preparação pesada e trazer o ciclo repetitivo de análise para o Chat.
Por que trazer o trabalho para o Chat
Porque Work e Codex têm limites explícitos.
A documentação atual da OpenAI diz que Codex, ChatGPT Work, ChatGPT for Excel e Workspace Agents compartilham a mesma reserva de uso agentic e créditos quando disponíveis. Codex também tem janelas de uso de 5 horas e semanais. Quando a reserva acaba, o próximo trabalho pode precisar esperar o reset ou usar créditos adicionais, quando disponíveis.
Repos grandes, coding longo, processamento em massa e agentes rodando por muito tempo consomem essa reserva rapidamente. A pesquisa pode continuar tendo coisa para fazer enquanto a cota semanal já acabou.
O Chat normal usa outra estrutura de limites. Ele também possui limites por modelo e recurso, e nem o Pro deve ser descrito como literalmente ilimitado. Porém mover a análise iterativa para fora da reserva compartilhada de Work/Codex reduz bastante as interrupções forçadas causadas pelo esgotamento dela.
Não alugue uma escavadeira para cada viagem. Construa a estrada uma vez e depois dirija.
Divisão simples
- Buscar, conectar e converter: Codex / Work / local
- Fixar formatos reutilizáveis: Parquet / CSV / JSON / manifest
- Repetir hipóteses, análise e escrita: Chat
A segunda camada é a chave.
Fábrica de artigos
Deixe no Codex refactors de todo o repositório, novos scripts, reparos de deploy e conversões iniciais em massa.
Leve ao Chat a produção diária: artigos a partir de conversas, edição, 12 idiomas, privacidade, duplicação, títulos, pesquisa adicional, source draft no GitHub e revisão de conteúdo existente.
Se cada artigo pede “invocar Codex”, você construiu uma fábrica de invocações do Codex.
Análise de mercado
A parte pesada costuma ser a preparação inicial.
Codex faz uma vez API, bulk download, decode binário, timestamps, hashes, splits Discovery/Validation/Final e Parquet.
Depois Chat compara repetidamente ES / NQ / 6E / 6J, BTC / ETH e todos os pares JPY da bitbank.
Analisa queue, cancel, partial fill, adverse selection, spread capture, inventory cost, maker rebate, latency stress, placebo e estabilidade temporal.
A pergunta não é “o próximo tick sobe?”. É quem precisa negociar agora, onde a liquidez desaparece, qual posição na fila vale manter e como tratar inventory depois de um fill unilateral.
Bundle do Chat
research-bundle/
DATA_MANIFEST.json
CHECKSUMS.sha256
DATA_QUALITY.csv
SPLITS.json
discovery/*.parquet
validation/*.parquet
final_sealed/*.parquet
RESEARCH_STATE.json
CHECKPOINT.md
Campos comuns quando possível:
ts_event, ts_recv, venue, symbol, event_type,
side, price, size, order_id, sequence, action
Se L2 não tem order_id, use null. Inventar dado ausente transforma pesquisa em fanfic.
Final fica lacrado
Discovery cria hipóteses, Validation tenta quebrá-las e Final abre uma vez após congelar as regras.
Economizar agente e contaminar o holdout continua sendo pesquisa ruim.
O que vai onde
| Trabalho | Melhor lugar |
|---|---|
| Sites com login | Work |
| Binários grandes | Codex / local |
| Implementação do repo inteiro | Codex |
| WebSocket 24/7 | collector local |
| Dados preparados | Chat |
| Hipóteses e falsificação | Chat |
| Python e simulação | Chat |
| Artigos e tradução | Chat |
Não é “Chat faz tudo”. É separar infraestrutura de uma vez de pesquisa repetida.
Arquitetura final
Sites externos / API / GitHub / dados de mercado
↓
Codex / Work só quando necessário
↓
Parquet + manifest
↓
Chat
hipótese → análise → falsificação
↓
Validation → Final
↓
artigo / relatório / GitHub
O truque não é “não usar Codex”. É fazer Codex montar um ambiente bom o bastante para não ser necessário em toda iteração.
Referências (4)
- OpenAI Help Center: https://help.openai.com/en/articles/11369540
- GPT-5.6 in ChatGPT: https://help.openai.com/en/articles/20001354-gpt-56-in-chatgpt
- ChatGPT Work and Codex: https://help.openai.com/en/articles/20001275-chatgpt-work-and-codex
- Databento Pricing: https://databento.com/pricing
