31 500 dólares. É o que teria custado a leitura por trás deste artigo, a preços de tabela da API: pelo menos 25 mil milhões de tokens. Paguei uma subscrição mensal.
Em agosto fui de férias com um único documento: o assento de nascimento do meu avô, n.º 418 de 1926, no registo civil de Estremoz. Onze semanas depois, consigo abrir um batismo escrito a 10 de agosto de 1666 e ler os nomes de pessoas de quem descendo.
Não fui a nenhum arquivo. Não aprendi paleografia. Quase tudo foi feito a partir de um telemóvel.
Arquivos abertos, letra fechada
Os arquivos portugueses são extraordinários, e pouca gente o sabe. Os padres registaram batismos, casamentos e óbitos a partir do século XVI. Os notários guardaram as suas escrituras. Os juízos dos órfãos inventariaram os bens dos mortos que deixavam herdeiros. O exército mantinha uma folha sobre cada soldado, até à cor dos olhos. Os arquivos distritais e o arquivo nacional fotografaram uma enorme parte de tudo isto e puseram-no online, de consulta gratuita.
As imagens estão lá. O que faltava era uma forma de as ler em grande escala. Um batismo de 1690 é a fotografia de um manuscrito, com abreviaturas, manchas de água e uma letra que muda a cada novo padre.
O que as páginas diziam
Esta é a parte que parece uma viagem no tempo. Não são nomes e datas, são divisões, rostos e silêncios.
- Um tenente de artilharia morreu em Estremoz em 1796 sem testamento. O juízo dos órfãos percorreu-lhe a casa e registou-a ao longo de cento e cinquenta páginas: quatro divisões em cima e quatro em baixo, na Rua do Mau Foro, vinhas que pagavam foro em mosto à Casa de Bragança, um cordão de ouro, seis colheres de prata, uma novilha de dois anos. Ele sabia escrever. A viúva não sabia, e pediu a um vizinho que assinasse por ela.
- O filho de um carpinteiro alistou-se aos dezassete anos, a 27 de janeiro de 1764. O registo militar dá-lhe o cabelo, os olhos e a altura: quatro pés e dez polegadas, na medida antiga. Lista também as suas guerras: as campanhas do Rossilhão e da Catalunha, de 1793 a 1795, contra a França revolucionária. Reformou-se como major em 1810, quarenta e seis anos depois do juramento.
- Às cinco da manhã de 13 de setembro de 1875, um bebé entrou pela roda dos expostos de Alter do Chão, embrulhado num pano velho, sem bilhete nem sinal. Nunca ficou escrito o nome de nenhum dos pais. Essa linha termina à porta de uma igreja, e o registo assim o diz.
- A 1 de novembro de 1755, o grande terramoto destruiu Lisboa. Leram-se os registos desse outono em quatro das paróquias alentejanas da família. Nem um só padre escreveu uma palavra sobre isso. Uma ausência, lida em grande escala, também é uma descoberta.
- O meu bisavô era escriturário e compunha. A Sociedade Portuguesa de Autores regista 110 obras em seu nome, e o catálogo da Biblioteca Nacional não tem nenhuma partitura publicada em nome dele. Sete manuscritos que a família guardou foram transcritos para notação e passados a áudio, e pode ouvi-los no site. Ninguém na família tinha ouvido uma única nota.
Os números
- 360 anos: o registo datado mais antigo da árvore é um batismo de 10 de agosto de 1666.
- 12 gerações na linha direta, 479 pessoas na árvore.
- 77 987 imagens de páginas, 64 GB, de 727 unidades de arquivo: livros paroquiais, processos de tribunais eclesiásticos, inventários orfanológicos, escrituras notariais, registos militares, registos civis.
- 2369 ficheiros de transcrição das páginas que importavam, alguns a abranger várias imagens.
- Pelo menos 25 mil milhões de tokens de leitura, em mais de 132 000 pedidos.
- Cerca de 31 500 dólares a preço de tabela da API, uns 40 cêntimos por página. Com uma subscrição mensal, custou a subscrição.
A stack, para os nerds
O Claude Code correu num contentor Docker num pequeno VPS, dentro de uma sessão tmux a que eu acedia por SSH a partir do telemóvel. Sem IDE e sem notebook: um terminal, um repositório git e muito Markdown.
- Porque basta um telemóvel. Nada corre no telemóvel. Ele abre uma ligação SSH, com uma chave, para uma sessão tmux no servidor, envia um pedido e lê a resposta. O Claude descarrega, recorta, lê e escreve no servidor. Os 64 GB de imagens nunca passam pelo telemóvel.
- Uma ligação que cai não faz mal. Quando o sinal desaparece, num túnel ou na praia, o tmux mantém a sessão e os agentes a correr. A ligação seguinte retoma exatamente onde a anterior ficou.
- Trabalhos longos, visitas curtas. Uma leitura das margens de um livro inteiro ou um lote de quatro agentes corre sozinho durante uma hora ou mais. No telemóvel, o ciclo é: ler o relatório, responder a uma pergunta, lançar o lote seguinte.
- Descarregar. Scripts em Python chamam a API do digitarq, dos arquivos nacionais portugueses, e trazem livros inteiros, imagem a imagem, para uma pasta por unidade de arquivo. As imagens do FamilySearch chegam através do próprio token da sessão autenticada. O arquivo histórico do exército recusa o curl e os browsers headless, por isso corre um Brave com janela visível e depuração remota, e um script em Node descarrega cada folha de dentro da página, pelo websocket do DevTools.
- Ler. Sem OCR: não servia de nada com estas letras. O ImageMagick recorta e amplia, o modelo lê a imagem com visão e escreve uma transcrição em Markdown, com as abreviaturas desdobradas e as palavras duvidosas marcadas com [?].
- Deixar o código fazer os cortes. A fatura está nos tokens de visão, por isso o modelo escreve código para não os gastar. Os padres escreviam o nome da criança ou do casal na margem, ao lado de cada assento. Um script de shell recorta essa coluna de margem nas duas páginas de cada abertura do livro, normaliza o contraste e junta as tiras lado a lado numa só imagem. Assim, uma única imagem lida indexa uma série inteira de páginas, em vez de uma. O assento completo abre-se quando uma margem nomeia alguém que procuramos, e todos os assentos sem nota na margem são lidos por inteiro, porque o índice não os consegue descartar. Tornou-se regra fixa depois de um agente de leitura gastar três horas em 147 imagens completas de um só livro.
- Calibrar primeiro. Antes de qualquer varrimento, confirmam-se a olho dois ou três assentos conhecidos. Uma margem abreviada pode omitir precisamente o nome que se procura, e um varrimento nunca calibrado fabrica um falso negativo: um livro inteiro declarado vazio por engano.
- Paralelizar. As leituras longas e mecânicas vão para subagentes, quatro de cada vez. Com treze em simultâneo, onze morreram ao bater no limite partilhado da sessão.
- Modelos. O Opus 5 fez a maior parte da leitura, o Fable 5 e o 5.1 as folhas mais difíceis, o Sonnet 5 os varrimentos em massa. Nove décimos dos tokens são leituras de cache: um único contexto longo, relido a cada passo, com uma página nova acrescentada de cada vez.
- Segunda opinião. Um modelo GPT relê as palavras em disputa. A resposta dele é um conselho, nunca um veredicto: cada afirmação volta à imagem.
- Uma só fonte de verdade. Um único ficheiro GEDCOM guarda a árvore, e cada facto nele cita a sua fonte. O FINDINGS.md é o caderno de laboratório, com 18 574 linhas. O NEGATIVES.md, com 7564 linhas, regista cada pesquisa que não deu em nada, para que nada seja pesquisado duas vezes.
- Publicar. Um script em Python transforma o GEDCOM num site estático em quatro línguas, publicado no Cloudflare Pages. A música passa da notação ABC para MIDI e, pelo timidity e pelo ffmpeg, para MP3, com um ficheiro de marcações para que a partitura acompanhe o som.
Uma regra segurou tudo. Cada facto da árvore cita a sua fonte, e a maioria aponta para uma imagem de página que se pode abrir. Os restantes dizem em que se apoiam: uma descrição de catálogo, uma estimativa ou o testemunho da família.
Porque é que o segundo modelo importa, e onde fica o seu limite
Num par de batismos, de 1875 e 1878, os dois modelos concordaram em dois nomes e discordaram em outros dois. A concordância é confiança barata. As discordâncias é que foram úteis: marcaram as palavras exatas a que era preciso voltar. Em ambas, o segundo modelo estava errado. E a própria conclusão do Claude sobre uma delas, assente numa escritura de 1916, revelou-se ao contrário: um terceiro batismo, de 1883, mostrou que o apelido pertencia ao marido, não à mulher.
Vale a pena ter um segundo leitor. Não é um oráculo. O árbitro é sempre outro documento.
Os arquivos têm as suas próprias armadilhas, e um modelo sozinho cai nelas. Em Barbacena, em 1747, há dois homens chamados Manoel Gomes, ambos casados com uma Isabel Lopes, a três aberturas de distância no mesmo livro. Cruzar só pelos nomes dá o homem errado. O batismo de uma irmã mais nova, com os avós nomeados, decidiu qual deles era o nosso.
O que isto torna possível
A minha família é um caso de teste, e o método tem limites: alguns livros não têm índice na margem, ou têm um que engana, e têm de ser lidos página a página. Mas os arquivos já estão online, e as mesmas ferramentas podem ser apontadas a outras paróquias e localidades.
- Ler uma aldeia inteira, não uma família. Os batismos, casamentos e óbitos de uma paróquia ao longo de três séculos, como conjunto de dados: população, epidemias, migrações, idade ao casamento, expostos.
- Medir a alfabetização pelas assinaturas. Escrituras e inventários registam quem assinou e quem pediu a alguém que assinasse por si. Três séculos de quem sabia escrever, rua a rua.
- Juntar arquivos que nunca falaram uns com os outros. Registos militares, livros paroquiais, escrituras notariais e processos judiciais descrevem as mesmas pessoas de quatro ângulos. Do lado da minha mãe, traçam uma linha de dez mulheres, e um único registo de nascimento derrubou uma hipótese que a árvore manteve durante meses.
- Dar à diáspora um caminho de regresso. Milhões de pessoas descendem de aldeias portuguesas, em França, no Brasil, em todo o lado. Muitas das páginas dos seus antepassados já estão online. O que lhes faltava era um leitor.
- Reconstruir cenas a partir de registos, não da imaginação. Cada cena do filme que estou a preparar para as crianças da família parte de uma página que existe. A narração são as próprias frases dos padres. A banda sonora é a música do meu bisavô. Nada na história que não esteja num registo.
O que mudou
Os arquivos foram abertos há anos. O estrangulamento era a leitura, e o seu custo caiu a pique: as imagens são de consulta gratuita, e a leitura custou-me uma subscrição e os meus serões. O que fica para o humano é a parte que sempre foi a mais valiosa: confirmar identidades, resolver contradições e dizer com clareza o que não se sabe.
Se trabalha em património, arquivos ou dados abertos em Portugal, gostava de trocar impressões. A árvore, os documentos e a música estão em family.aiteklabs.com.
Imagens de arquivo: Arquivo Distrital de Évora e Arquivo Distrital de Portalegre (DGLAB).