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

3.2 KiB

Raw Blame History

name, description

name	description
research-pipeline	Pipeline de pesquisa em 2 camadas: Layer 1 (Obsidian CLI Hub), Layer 2 (NotebookLM). Orquestra as 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.

/research-pipeline — Pipeline de Pesquisa em 2 Camadas

Orquestra as 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 (65 notebooks temáticos)

Uso

/research-pipeline "tema ou pergunta"
/research-pipeline "PROC-MCP" --quick         (só Layer 1)
/research-pipeline "n8n webhook setup" --deep  (L1 + L2)

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 2 é suficiente

SE L2_confidence >= 70:
  → PARAR — retornar L1+L2 combinados
SE L2_confidence < 70:
  → Reportar lacuna e sugerir pesquisa Web manual

Passo 5 — 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]

### Síntese
[Resposta integrada das 2 camadas]

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

Modos rápidos

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

Layer 1 sempre primeiro — mais rápido e frequentemente suficiente
Max 2 notebooks NotebookLM por query (performance)
Citar fonte de cada resultado no output

Skill v1.1.0 | 13-04-2026 | Descomplicar® — LightRAG removido (0 docs, serviço desactivado)

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.

3.2 KiB Raw Blame History