vila-mirofish

name	vila-mirofish
description	Pipeline Mirofish-style — corpus → grafo → simulação → relatório. Como rodar, debugar, estender.

Vila INTEIA — Pipeline Mirofish-Style (Onda 197)

Wrapper sobre engine/backtest_real que expõe API-compatible com Mirofish. Diferencial: Vila adiciona arquétipos hardcoded + Brier+Platt calib + insights emergentes.

Componentes

Arquivo	Responsabilidade
engine/mirofish_style.py	Pipeline core + dataclasses (GrafoVila, SimulacaoVila, RelatorioVila)
api/rotas_mirofish.py	3 endpoints REST: POST /run, GET /datasets, GET /info
tests/test_mirofish_style.py	24 testes cobrindo dataclasses + pipeline + edge cases
main.py:modo_mirofish	CLI: python main.py mirofish

Pipeline (4 fases)

[1] construir_grafo()    → corpus → entidades + relações
[2] rodar_simulacao()    → backtest Vila com llm_fn
[3] extrair_insights()   → 4 tipos: divergência, consenso, wins, losses
[4] gerar_relatorio()    → narrativa PT-BR + métricas + insights

pipeline_completo() orquestra tudo. Retorna dict {grafo, simulacao, relatorio, pipeline_elapsed_s}.

Como rodar

CLI

# default: 10 datasets × 100 events × 3 personas (Musk/Jobs/Bezos)
python main.py mirofish

# custom personas + filtro datasets
python main.py mirofish --personas CL001,CL020,CL030 --datasets "btc*.csv" --out /tmp/btc_only.json

Requer GROQ_API_KEY ou CLAUDE_API_KEY configurado pra LLM real. Sem chave, predições retornam None.

API REST

# Subir API
python main.py serve --port 8100

# Listar datasets disponíveis
curl http://localhost:8100/api/v1/mirofish/datasets

# Rodar pipeline (requer simulação ativa via /api/v1/vila/iniciar)
curl -X POST http://localhost:8100/api/v1/mirofish/run \
  -H 'Content-Type: application/json' \
  -d '{"persona_ids": ["CL001","CL002","CL007"], "dataset_glob": "*.csv"}'

# Info diferencial vs Mirofish
curl http://localhost:8100/api/v1/mirofish/info

Programático (injetando llm_fn custom)

from engine.mirofish_style import pipeline_completo

def my_llm_fn(mensagens, system_prompt="", **kw):
    return "PROBABILIDADE FINAL: 70%"

class _Sim:
    def __init__(self): self.personas = {...}  # dict de Persona objects

out = pipeline_completo(
    base_dir="data/backtest",
    persona_ids=["CL001", "CL002", "CL007"],
    sim=_Sim(),
    llm_fn=my_llm_fn,
)

Output Schema

{
  "grafo": {
    "graph_id": "vila-1234",
    "total_entidades": 103,
    "total_relacoes": 400,
    "schema": {"nodos": [...], "arestas": [...]},
    "datasets": [...],
    "personas": [...]
  },
  "simulacao": {
    "simulation_id": "sim-1234",
    "status": "concluida",
    "steps_executados": 300,
    "elapsed_s": 0.034,
    "resultado": {
      "acc_total": 0.92,
      "brier_vila_avg": 0.0822,
      "brier_prior_avg": 0.1455,
      "skill_brier_vs_prior": 0.435
    }
  },
  "relatorio": {
    "report_id": "rep-1234",
    "titulo": "Vila INTEIA Predictions — 100 events, 10 datasets",
    "conteudo": "...narrativa PT-BR...",
    "metricas": {...},
    "per_dataset": [...],
    "insights": [
      {"tipo": "divergencia_personas", "items": [...]},
      {"tipo": "consenso_forte", "items": [...]},
      {"tipo": "vitoria_confiante", "items": [...]},
      {"tipo": "derrota_confiante", "items": [...]}
    ]
  },
  "pipeline_elapsed_s": 0.034
}

Diferencial Vila vs Mirofish original

Feature	Vila	Mirofish
Pipeline corpus→graph→sim→report	✓	✓
Multi-agent simulation	144 lendários	1M swarm
Arquétipos hardcoded	✓	✗
Brier+Platt calibration	✓	✗
Backtest real (100 events)	✓	✗
Skill score vs prior humano	✓	✗
Insights emergentes (divergência personas)	✓	✗
Grafo conhecimento OASIS	✗	✓
Vue.js dashboard	✗	✓
Escala 1M agentes	✗	✓

Vila ganha em rigor científico. Mirofish ganha em escala + viz.

Debug comum

acc=0/100, brier=None: LLM offline. Configure GROQ_API_KEY ou injete llm_fn custom.

SIM_GLOBAL não inicializada (endpoint /run): rode POST /api/v1/vila/iniciar antes.

personas não encontradas: IDs devem existir em data/banco-consultores-lendarios.json.

brier_prior=None: dataset sem coluna probabilidade_prior ou todos prior=0.

Estender

• Novo insight type: editar extrair_insights() em engine/mirofish_style.py:158-201
• Nova fase pipeline: adicionar função + chamar em pipeline_completo()
• LLM-generated narrativa: trocar gerar_relatorio() heurístico por chamar_llm() com prompt do payload
• Persistir relatórios: adicionar save_to_supabase() salvando em vila_mirofish_relatorios

Testes

GROQ_API_KEY='' CLAUDE_API_KEY='' python tests/test_mirofish_style.py

24 testes cobrindo: dataclasses defaults, construir_grafo counts, rodar_simulacao status, extrair_insights tipos, gerar_relatorio narrativa, pipeline_completo end-to-end, error handling.