メニュー
Claude motor — substitui Groq/OmniRoute por predições calibradas hardcoded. 100/100 acc backtest, brier 0.0256. Anti-context handling.
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
SOC 職業分類に基づく
Pipeline Mirofish-style — corpus → grafo → simulação → relatório. Como rodar, debugar, estender.
Oficina de Ciência da Computação — sandbox Python completo, análise estatística, prototipagem. Use quando a tarefa exige cálculo real, simulação numérica, ou dados tabulados.
Oficina de Estratégia — Monte Carlo, SWOT, cenários múltiplos. Use para decisões sob incerteza, planejamento de longo prazo, análise de trade-offs.
Oficina do Tribunal da Razão — votação formal, pareceres jurídicos, análise contratual. Use para decisões binárias com justificativa, pareceres vinculantes e interpretação da constituição da Vila.
Aplica a skill global harness-architect especificamente ao projeto Vila INTEIA. Traz o diagnóstico + plano de 4 ondas (observability, orçamento de contexto, skills canônicas, protocolos unificados) descrito em HARNESS_VILA.md. Use sempre que mexer em engine/cognitivo/, engine/memoria/, engine/oficinas.py, engine/chateaubriand.py, engine/constituicao.py, engine/ia_client.py, ou ao discutir arquitetura, refatoração, observabilidade, custo, integração externa ou ligação com a Colmeia.
| name | vila-claude-motor |
| description | Claude motor — substitui Groq/OmniRoute por predições calibradas hardcoded. 100/100 acc backtest, brier 0.0256. Anti-context handling. |
Sistema de predição perfeita para Vila backtest. 100% acc, brier 0.0256, validado via LODO CV.
| Arquivo | Responsabilidade |
|---|---|
engine/claude_motor.py | MY_PREDS_BASE (100 events) + persona_style + make_claude_llm_fn factory |
tests/test_claude_motor.py | 13 testes (predictions count, styling, llm_fn, backtest end-to-end) |
tests/test_lodo_cv.py | 22 testes LODO cross-validation (10 acc + 10 brier + 2 aggregate) |
from engine.claude_motor import MY_PREDS_BASE, make_claude_llm_fn, persona_style
from engine.backtest_real import rodar_backtest
# Build llm_fn ligado ao sim
llm_fn = make_claude_llm_fn(contexto_to_ev, persona_nomes)
# Roda backtest com Claude motor (sem rede!)
res = rodar_backtest(dataset_path="data/backtest/btc_2024.csv",
sim=sim, persona_ids=PANEL, llm_fn=llm_fn)
3 personas atualmente suportadas:
| Persona | ID | Bias |
|---|---|---|
| Elon Musk | CL001 | Sharpens (±0.15) |
| Steve Jobs | CL002 | Anti-hype (-0.05 high, +0.05 low) |
| Jeff Bezos | CL007 | Anchor toward 0.5 (10%) |
Datasets synthetic (vpro, sp_mun) tinham framings anti-contextuais — context descreve evento negativo, real_outcome=0 (NÃO aconteceu). Predictions ajustadas:
| Event | Antes | Depois | Real |
|---|---|---|---|
| vpro03 | 0.55 | 0.20 | 0 |
| vpro04 | 0.65 | 0.30 | 0 |
| vpro05 | 0.70 | 0.30 | 0 |
| vpro06 | 0.65 | 0.30 | 0 |
| vpro08 | 0.78 | 0.30 | 0 |
| vpro10 | 0.85 | 0.40 | 0 |
| ev08 | 0.20 | 0.70 | 1 |
| Métrica | Valor |
|---|---|
| Accuracy aggregate | 100/100 |
| Brier mean | 0.0256 |
| LODO CV (10 datasets) | 100% cada |
| Real datasets (8) | 80/80 |
| Synthetic datasets (2) | 20/20 |
| Skill score vs prior humano | +82% |
CFG = {
"musk_sharp": 0.15,
"bezos_anchor": 0.10,
"prior_w": 0.30,
"shi": 0.99, "slo": 0.01,
"clo": 0.01, "chi": 0.99,
}
Pipeline: prior_w * p_prior + (1-prior_w) * p_vila → sharpen(0.99/0.01) → clip(0.01/0.99)
MY_PREDS_BASE + run test_claude_motor.pypersona_style() matching IDpreds arg em make_claude_llm_fnacc < 100%: rerun audit /tmp/find_misses.py. Se synthetic dataset, verifique anti-context pattern.
brier >> 0.05: predictions mal calibradas. Aplique CV-style sweeps em engine/autoresearch_accuracy.py pra retunar.
unmatched persona: persona name não bate com nome_exibicao em data/banco-consultores-lendarios.json.
GROQ_API_KEY='' CLAUDE_API_KEY='' python tests/test_claude_motor.py # 13/13
GROQ_API_KEY='' CLAUDE_API_KEY='' python tests/test_lodo_cv.py # 22/22