--- title: "Suas fotos do iPhone continuam locais, e o Comma as encontra · Blog do Comma" description: "Os modelos também rodam localmente. Pergunte com suas palavras, e o Comma encontra as fotos em um índice local." url: https://comma.surf/pt/blog/local-iphone-photo-search language: pt-BR --- [Voltar ao blog](https://comma.surf/pt/blog) Comma Team · 28 de outubro de 2026 · 6 min de leitura # Suas fotos do iPhone continuam locais, e o Comma as encontra Os modelos também rodam localmente. Pergunte com suas palavras, e o Comma encontra as fotos em um índice local. [Começar](https://app.comma.surf/) [Ler a documentação](https://comma.surf/pt/docs/salix/devices) Você está reservando um carro de aluguel pela internet, e o formulário pede o número e a validade da sua carteira de motorista. A carteira não está por perto. Você lembra que tirou fotos dela no ano passado, frente e verso, quando recebeu a nova, mas elas estão perdidas entre dezenas de milhares de fotos no seu iPhone. Você quer pedir ao [Comma](https://comma.surf/pt/) com suas palavras e recuperar essas duas fotos. Este guia mostra um jeito de montar isso: criar um índice das suas fotos com modelos locais e deixar o Comma pesquisar nele. É um exemplo de configuração em um Mac, não um recurso nativo do Comma. ## Sua fototeca fica local O Comma não precisa de uma cópia das suas fotos. O trabalho pesado, ler o texto de cada imagem e transformar cada foto em vetores, é feito por modelos locais. O que o agente recebe é o resultado de uma busca: alguns IDs de fotos, as datas delas, o texto encontrado nelas e, quando você precisa escolher, uma folha de contatos com miniaturas. Só as fotos que você escolhe no final vão para a conversa. As fotos em si continuam sincronizando pelo iCloud; “local” aqui quer dizer o reconhecimento de texto, os vetores e o índice depois da exportação. Se o Comma usa um modelo na nuvem, esses resultados de busca, e qualquer imagem que você peça para ele olhar, vão para o provedor de modelos que você escolheu. Num documento como a carteira de motorista, o texto reconhecido inclui o número e o endereço. O índice em si nunca é enviado para lugar nenhum. O Comma é de código aberto, e você também pode [rodá-lo na sua própria máquina](https://comma.surf/pt/self-host). ## Monte o índice de fotos O índice se conecta ao caminho que suas fotos já percorrem. Nada muda no iPhone. Todos os passos depois da exportação rodam no Mac. A montagem tem três passos: 1. **Traga as fotos para o Mac.** Sincronize as fotos do iPhone com o Mac pelo Fotos do iCloud e exporte as fotos novas para uma pasta todos os dias. 2. **Processe com modelos locais.** Reconheça o texto de cada imagem e transforme a imagem em vetores com [Chinese-CLIP](https://huggingface.co/OFA-Sys/chinese-clip-vit-base-patch16) e [Qwen3-VL-Embedding](https://huggingface.co/Qwen/Qwen3-VL-Embedding-2B). 3. **Guarde num índice local.** Armazene os resultados num banco de dados local, com um comando para pesquisar nele. Neste exemplo, o comando se chama `lpa`. ## O que uma busca retorna Localmente, uma busca é um comando. Uma única chamada pode levar várias formulações, e os modelos carregam uma vez só. O agente transforma expressões como “ano passado” num intervalo de datas. sh ``` lpa search "driver license" "driver's license" "驾照" \ --from 2025-01-01 --to 2026-01-01 --prefer text --json -n 9 ``` Cada resultado mostra que tipo de evidência está por trás dele: | Marcação | Significado | | --- | --- | | Texto encontrado | Todas as palavras aparecem no texto da imagem. | | Possível | A imagem parece semelhante. Coisas parecidas se confundem fácil. | | Baixa confiança | Só aparece quando não há nada melhor. | `--prefer text` coloca os resultados de texto primeiro, o que serve para documentos, cartões e capturas de tela. `--prefer picture` coloca primeiro as imagens parecidas, o que serve para um gato ou uma praia. Fotos quase idênticas tiradas em poucos minutos ocupam um único lugar na lista, e as outras ficam agrupadas abaixo dela. Resultado de texto: o nome da rede e a senha vêm das palavras do cartão na foto. A foto foi gerada para este exemplo. Resultado de imagem: nada nessas fotos diz "gato" ou "parapeito"; os vetores de imagem é que as encontram. Quando os primeiros resultados são incertos, o agente não chuta. Ele junta as miniaturas dos candidatos numa folha numerada, no máximo nove, e pede para você escolher. Uma folha de contatos de exemplo; a carteira é um cartão de amostra. 1 e 2 são resultados de texto da frente e do verso, 3 e 4 parecem cartões, e o resto são candidatos de baixa confiança. Responda "1 e 2" e o agente envia os dois lados da carteira. O jeito de combinar os dois conjuntos de vetores foi definido calibrando numa fototeca completa de cerca de 50.000 fotos. Com o Qwen3-VL-Embedding sozinho, as respostas certas escolhidas por uma pessoa ficavam mais abaixo do que com o Chinese-CLIP sozinho. Com as duas classificações combinadas, cada item verificado se saiu pelo menos tão bem quanto com qualquer um dos modelos sozinho. “Possível” também só é marcado quando a similaridade dos dois modelos passa do limite: numa consulta de teste, as fotos marcadas como “Possível” caíram de 4.970 para 4. O custo é que uma busca leva de 3,5 a 6 segundos em vez de cerca de 3. Este exemplo roda num MacBook Air com 16 GB de memória, com a versão 2B do Qwen3-VL-Embedding. Numa máquina mais potente, dá para usar modelos Qwen maiores: - **Um modelo de vetores maior.** Troque o Qwen3-VL-Embedding-2B pelo [Qwen3-VL-Embedding-8B](https://huggingface.co/Qwen/Qwen3-VL-Embedding-8B). Depois da troca, os vetores de todas as fotos precisam ser calculados de novo com o novo modelo. - **Descrições e tags para cada foto.** Rode também o [Qwen3-VL-4B-Instruct](https://huggingface.co/Qwen/Qwen3-VL-4B-Instruct) ou o [Qwen3-VL-8B-Instruct](https://huggingface.co/Qwen/Qwen3-VL-8B-Instruct) para escrever uma descrição de uma linha e algumas tags para cada foto, e guarde-as no índice de texto. Num MacBook Pro com 24 GB de memória, por exemplo, o modelo 8B roda com quantização de 8 bits. As tags servem para uma triagem inicial; não há garantia de que estejam certas. **E o inglês?** O Chinese-CLIP foi treinado principalmente com imagens e legendas em chinês, então não é confiável para consultas em inglês. As outras duas partes não são afetadas: o reconhecimento de texto lê chinês e inglês, e o Qwen3-VL-Embedding suporta muitos idiomas. Por isso, coloque formulações em chinês e em inglês na mesma busca, como faz o comando acima; dá para registrar isso num Skill. Se a sua fototeca e as suas perguntas são principalmente em inglês, você também pode trocar o Chinese-CLIP pelo [CLIP](https://huggingface.co/openai/clip-vit-base-patch16) original, o que de novo exige recalcular os vetores. ## Encontre família e amigos O Fotos já agrupa os rostos de uma mesma pessoa. O índice usa esses grupos diretamente e não faz reconhecimento facial próprio. 1. **Primeiro, dê nome às pessoas.** Na primeira vez, o agente pega alguns lotes de fotos desses grupos, numera e pergunta quem é. Só quando você responde “a 3 é a mamãe” ele guarda. Um grupo que você não confirmou não é tratado como ninguém. 2. **Busque por pessoa.** Depois disso, quando você cita um nome, a busca olha só as fotos em que essa pessoa aparece. Os nomes se somam: cite duas pessoas e você recebe só as fotos com as duas, ou seja, as fotos de vocês juntos. 3. **Combine com outras condições.** Um nome pode ir junto com o que aparece na imagem e com a data, como “fotos minhas com a mamãe na praia no ano passado”: sh ``` lpa search "beach" --person Me --person Mom \ --from 2025-01-01 --to 2026-01-01 --prefer picture --json -n 9 ``` Se um nome não foi confirmado, ou se duas pessoas têm o mesmo nome, a busca avisa em vez de chutar. Um nome errado pode ser corrigido, e cada correção pode ser desfeita. ## Como os vídeos são encontrados Vídeos são pesquisados separadamente das fotos. Uma busca padrão olha só fotos. Se você quer, por exemplo, o vídeo do seu filho apagando as velas de aniversário, diga ao Comma que está procurando um vídeo, e ele adiciona `--source video` à busca: sh ``` lpa search "blowing out candles" "birthday cake" --source video --json -n 9 ``` Por trás há três passos: 1. **Extrair quadros.** O vídeo em si nunca entra num modelo. O indexador tira um quadro a cada 5 segundos, no máximo 12 por vídeo. 2. **Buscar por quadro.** Os quadros passam pelo mesmo processamento das fotos: reconhecimento de texto e os dois conjuntos de vetores. Uma busca compara esses quadros; quando um bate, o vídeo inteiro é encontrado e ocupa um único lugar nos resultados. 3. **Enviar o vídeo.** Depois que você escolhe, o agente envia com `lpa video`. Busca de vídeo: os quadros que batem pertencem a um único vídeo, então o vídeo é um único resultado. Por enquanto ele olha só a imagem, não o som. O que é dito num vídeo ainda não pode ser pesquisado, e as pessoas num vídeo ainda não são reconhecidas. O número de quadros tem limite, então algo que passa rápido num vídeo longo pode não ser encontrado. ## Como o LocalPhotoAgent é feito O `lpa` deste guia vem do LocalPhotoAgent, um indexador que nós mesmos escrevemos e que vamos abrir como código aberto. A parte de indexação já foi explicada; mais dois pontos: - **Ele pode parar a qualquer momento.** Cada passo de cada foto é registrado separadamente. Se parar no meio, continua da próxima vez; se você muda uma configuração, só o passo afetado roda de novo. Enquanto trabalha, ele acompanha memória, temperatura e espaço em disco, e pausa quando algum passa do limite. - **Ele dá ao agente alguns comandos.** `lpa search` pesquisa, `lpa sheet` cria uma folha de contatos, `lpa preview` envia fotos e `lpa video` envia vídeos. Quando o agente procura fotos, ele os chama nesta ordem: ## Conecte o Comma Isto supõe que o LocalPhotoAgent já funciona no seu Mac. A conexão tem quatro passos: 1. **Adicione um dispositivo.** No Comma, vá em **Settings > Devices** e clique em **Add device** para receber um comando de instalação. 2. **Rode o comando.** Rode-o no Terminal do Mac que guarda a fototeca, para instalar o Comma Connector. 3. **Libere o acesso.** Um dispositivo novo começa em **Off**. Mude para **Full** para que o agente possa rodar `lpa`. 4. **Escreva um Skill.** Diga ao agente para pesquisar primeiro, enviar uma folha de contatos quando estiver em dúvida e enviar as fotos só depois que você escolher. Você pode simplesmente pedir ao Comma para “criar um Skill”. A partir daí, é só perguntar como em qualquer conversa: “Encontre as fotos da minha carteira de motorista do ano passado, frente e verso.” A pergunta do começo deste guia, respondida. A carteira é um cartão de amostra. ## Confiança e limites O índice só lê os originais. Ele nunca os move, edita ou apaga. Uma busca não toca no disco externo; só a criação de uma folha de contatos e o envio de uma foto leem dele. Mover ou apagar fotos está fora desta configuração. Mas atenção: com acesso Full, o agente pode rodar neste Mac outros comandos além de `lpa`. Texto encontrado só significa que as palavras foram achadas, não que é a foto que você quer. “Possível” é só um candidato. Quando o Comma marcar um pedido como concluído, confira as fotos que ele enviou. Na primeira vez, você pode dizer: “Encontre as fotos da minha carteira de motorista do ano passado. Me mostre primeiro a folha de contatos e não envie, mova nem apague nada.” Guias [Voltar ao blog](https://comma.surf/pt/blog) Compartilhar ## Artigos relacionados 28 de outubro de 2026 ### [O que é um agente de IA sempre ativo?](https://comma.surf/pt/blog/what-is-an-always-on-ai-agent) 27 de outubro de 2026 ### [Agente pessoal ou assistente de IA: qual é a diferença?](https://comma.surf/pt/blog/personal-agent-vs-ai-assistant) 26 de outubro de 2026 ### [O que é um agente pessoal? A IA que continua trabalhando](https://comma.surf/pt/blog/what-is-a-personal-agent) ## Try Comma, Now. [Começar](https://app.comma.surf/)