claude-plugins/gestao/skills/research-pipeline/SKILL.md

name, description

name	description
research-pipeline	Pipeline de pesquisa RAG trinity: Layer 1 (Obsidian CLI Hub), Layer 2 (NotebookLM), Layer 3 (LightRAG externo). Orquestra as 3 camadas em sequência para pesquisas profundas. Usar quando /hub-search ou /knowledge isolados não são suficientes, quando o tema cruza conteúdo interno+externo, ou para research antes de executar tarefas complexas (Eixo 7B, Stack Q2 2026).

/research-pipeline — Pipeline Trinity de Pesquisa

Orquestra as 3 camadas RAG em sequência para obter contexto completo antes de executar tarefas.

Layer 1: Obsidian CLI  → conteúdo Hub (notas, PROCs, docs internas)
Layer 2: NotebookLM    → análise profunda (58 notebooks temáticos)
Layer 3: LightRAG      → conteúdo externo (1612 docs, PDFs, transcripts)

---

Uso

/research-pipeline "tema ou pergunta"
/research-pipeline "LightRAG configuração" --layers 1,2
/research-pipeline "PROC-MCP" --quick         (só Layer 1)
/research-pipeline "n8n webhook setup" --deep  (todas as layers)

---

Workflow

Passo 1 — Layer 1: Hub via Obsidian CLI

obsidian search "TERMO" --include-backlinks --format json

Se CLI offline: fallback para Grep no Hub.

Registar: L1_results, L1_score (0-100, baseado em nº resultados).

Passo 2 — Avaliar se Layer 2 é necessária

SE L1_score >= 80 E query é operacional (PROC, QR, path):
  → PARAR — resultado suficiente, retornar L1
SE L1_score < 80 OU query é conceptual/analítica:
  → Avançar para Layer 2

Passo 3 — Layer 2: NotebookLM (análise profunda)

Usar routing da skill /knowledge para seleccionar notebooks relevantes.

// Max 2 notebooks para performance
mcp__notebooklm__notebook_query({ notebook_id, query })

Registar: L2_results, L2_confidence.

Passo 4 — Avaliar se Layer 3 é necessária

SE query menciona PDFs, vídeos, transcripts, conteúdo externo:
  → Avançar para Layer 3
SE L2_confidence >= 70:
  → PARAR — retornar L1+L2 combinados

Passo 5 — Layer 3: LightRAG (conteúdo externo)

mcp__lightrag__lightrag_query({
  query: "TERMO",
  mode: "hybrid"  // combina vector + graph
})

Passo 6 — Síntese e output

## Research: "[termo]"

### Hub (Layer 1) — [N notas encontradas]
[Resultados mais relevantes com paths]

### NotebookLM (Layer 2) — [notebook usado]
[Insights e contexto analítico]

### Externo (Layer 3) — [N docs]
[Conteúdo complementar de fontes externas]

### Síntese
[Resposta integrada das 3 camadas]

### Qualidade
- L1: [N resultados]
- L2: [confidence%] via [notebook]
- L3: [N docs]
- Tempo: ~[X]s

---

Modos rápidos

Flag	Layers activas	Uso
--quick	L1 apenas	PROCs, paths, comandos
(default)	L1 + L2	Maioria das queries
--deep	L1 + L2 + L3	Investigação completa

---

Integração com outras skills

Antes de /wp-dev     → /research-pipeline --quick "PROC-WordPress"
Antes de /cwp-*      → /research-pipeline --quick "PROC-CWP"
Antes de design      → /research-pipeline "design guidelines descomplicar"
Para /deep-research  → /research-pipeline --deep (base de contexto)

---

Regras

1. Layer 1 sempre primeiro — mais rápido e frequentemente suficiente
2. Max 2 notebooks NotebookLM por query (performance)
3. L3 só para conteúdo externo — não duplicar com L1
4. Timeout L3: 30s — se exceder, retornar L1+L2
5. Citar fonte de cada resultado no output

---

Skill v1.0.0 | 06-04-2026 | Descomplicar®

---

Healing Log

Registo de erros conhecidos e como evitá-los. Lido automaticamente antes de executar.

{"date":"","issue":"","fix":"","source":"user|auto"}

Adicionar nova linha após cada erro corrigido.