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

136 lines
3.2 KiB
Markdown

---
name: research-pipeline
description: >
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
```bash
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.
```javascript
// 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
```markdown
## 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
1. **Layer 1 sempre primeiro** — mais rápido e frequentemente suficiente
2. **Max 2 notebooks NotebookLM** por query (performance)
3. **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.
```jsonl
{"date":"","issue":"","fix":"","source":"user|auto"}
```
*Adicionar nova linha após cada erro corrigido.*