Files

T

ealmeida b3cb108ca7 feat(gestao): remover LightRAG das skills de knowledge — Fase 1 RAG-System

- knowledge/SKILL.md v2.2.0: Família A passa a 4 fontes (Supabase, CC memory, Hub, Desk CRM)
- hub-search/SKILL.md v1.1.0: RAG Trinity actualizada (2 layers)
- research-pipeline/SKILL.md v1.1.0: Layer 3 LightRAG removida
- deep-research/SKILL.md v1.1.0: Layer 3 passa a Web apenas

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

2026-04-13 18:21:45 +01:00

3.3 KiB

Raw Blame History

name, description

name	description
deep-research	Pesquisa profunda em 3 layers: Hub Obsidian (Layer 1) + NotebookLM análise (Layer 2) + Web externo (Layer 3). Para questões complexas que requerem síntese de múltiplas fontes. Usar quando: análise competitiva profunda, pesquisa mercado, due diligence, relatório estratégico.

/deep-research — Pesquisa Profunda com RAG Trinity

Pesquisa em 3 camadas com síntese final. Mais profundo que /research, mais estruturado que /hub-search.

Quando Usar

Situação	Skill Correcta
"Onde está X no Hub?"	`/hub-search`
"Analisa este documento"	`/research`
"Pesquisa profunda + síntese de múltiplas fontes"	`/deep-research` ← este
"Análise competitiva completa"	`/deep-research` + `/research competitive`

Protocolo (3 Layers)

Layer 1 — Hub Obsidian (conhecimento interno)

# 1a. Busca full-text no Hub
obsidian search query="<TERMO>" format=json limit=10

# 1b. Se Obsidian não responde (offline), fallback via Grep
grep -r "<TERMO>" /media/ealmeida/Dados/Hub/ --include="*.md" -l | head -20

Critério de suficiência Layer 1: Encontrou 3+ documentos relevantes com contexto concreto.

SE suficiente para questão simples → responder + registar fonte
SE questão requer análise profunda → continuar para Layer 2

Layer 2 — NotebookLM (análise profunda)

Seleccionar notebook relevante com base no domínio:

Domínio	Notebook ID
Estratégia e Empreendedorismo	79d43410-0e29-4be1-881d-84db6bdc239a
Stack Tecnológico	[consultar mcp__notebooklm__ lista]
Marketing e Vendas	[consultar mcp__notebooklm__ lista]

// Consultar notebook relevante
mcp__notebooklm__notebook_query({
  notebook_id: "<ID>",
  query: "<QUESTÃO ESPECÍFICA — mais precisa que a geral>"
})

Critério de suficiência Layer 2: NotebookLM retornou análise com citações específicas.

SE suficiente → sintetizar com Layer 1 + responder
SE requer dados externos → continuar para Layer 3

Layer 3 — Web (conhecimento externo)

// Web search para dados actuais
mcp__web-search__search({
  query: "<QUESTÃO> site:scholar.google.com OR filetype:pdf",
  num_results: 10
})

Síntese Final

Após recolher de 2+ layers, sintetizar:

## Síntese — [Tópico]

**Fontes consultadas:** Layer 1 (Hub), Layer 2 (NotebookLM [Notebook X]), Layer 3 (Web)

### O que sabemos (interno)
[Resumo Layer 1 — conhecimento já documentado]

### Análise profunda
[Resumo Layer 2 — análise NotebookLM com citações]

### Contexto externo
[Resumo Layer 3 — se consultado]

### Síntese e Recomendação
[Cruzamento das layers — resposta directa à questão]

### Próximos Passos
- [ ] Acção 1 derivada da pesquisa
- [ ] Acção 2

Self-Improving Loop

Após cada execução, registar preferências para melhorar futuras pesquisas:

# Guardar aprendizagem em Hub
echo "$(date '+%Y-%m-%d') — deep-research — [TÓPICO] — [O QUE FUNCIONOU/NÃO FUNCIONOU]" \
  >> /media/ealmeida/Dados/Hub/00-Inbox/research-preferences.md

Healing Log

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

Skill /deep-research v1.1.0 | 13-04-2026 | LightRAG removido — Layer 3 passa a Web apenas

3.3 KiB Raw Blame History