analyze-and-improve

name	analyze-and-improve
description	Pipeline completo: documento fonte → extração de conhecimento → padrões reutilizáveis → classificação contra repositório → melhorias priorizadas por impacto → integração. Consome uma fonte externa de conhecimento (talk, paper, transcript, knowledge base) e gera artefatos concretos no repositório alvo (canonical docs, skills, exercises, roadmap). Dispara com: 'analyze this document', 'extract patterns from', 'classify against repo', 'generate improvements', 'knowledge to improvements', 'analyze and improve', 'turn this talk into patterns'.
license	MIT
compatibility	opencode
metadata	{"audience":"all-agents","workflow":"analysis","priority":"high"}

Invocation

This skill REQUIRES one mandatory parameter and accepts three optional parameters:

Parameter	Required	Description
source	Yes	Absolute path, URL, or array of paths to the document(s) to analyze. Single file: Raw-Knowledge/sources/2026-06-09-slug.md. Multiple files: array of paths (aggregated before Phase 1). Ex: ["Raw-Knowledge/sources/slug.md", "Raw-Knowledge/concepts/related.md", "Raw-Knowledge/entities/tool.md"]
date	No	Date for output dir. Defaults to today (YYYY-MM-DD). Ex: 2026-06-09
source-slug	No	Short slug for output dir. Derived from source filename if omitted. Ex: 12-factor-agents
incremental	No	Boolean, default false. When true, Phase 0 reuses the most recent mental model from mapa-mental-repo/ and only updates deltas instead of rebuilding from scratch. Novo: Se nao especificado, o orquestrador aplica heuristica de elegibilidade automatica (Passo 0-pre). Passe incremental=false explicitamente para forcar full rebuild mesmo com modelo recente.

Example invocations:

# Single source
Load analyze-and-improve with source=Raw-Knowledge/sources/2026-06-09-12-factor-agents.md, date=2026-06-09, source-slug=12-factor-agents

# Multiple sources (knowledge base: source + concepts + entity)
Load analyze-and-improve with source=["Raw-Knowledge/sources/slug.md", "Raw-Knowledge/concepts/smart-truncation.md", "Raw-Knowledge/entities/alex.md"], date=2026-06-09, source-slug=context-management

Multi-source aggregation

When source is an array of paths:

1. Validar que TODOS os arquivos existem.
2. Agregar em um arquivo temporario (/tmp/opencode/aggregated-<source-slug>.md).
3. Estruturar o agregado com uma secao por arquivo, preservando:
   • Metadados de proveniencia (path original, tipo — source/concept/entity)
   • Conteudo completo de cada arquivo
4. Incluir no meta.original_sources do analysis.yaml os paths originais como array.
5. Passar o path do agregado como SOURCE DOCUMENT para a Phase 1.

O arquivo agregado e temporario — nao persiste no repositorio apos a analise.

What I Do

Eu transformo conhecimento externo em melhorias concretas no repositorio. O pipeline tem 7 fases (Phase 6 executada por default, pode ser pulada), todas delegadas a sub-agentes especializados:

0. Repository Mental Model — Construir modelo mental do repositorio alvo (delegado: ultrabrain)
1. Knowledge Extraction — Extrair conhecimento nao-obvio de um documento fonte (delegado: deep)
2. Pattern Extraction — Identificar padroes reutilizaveis (delegado: ultrabrain)
3. Classification — Classificar cada padrao contra o repositorio alvo (delegado: deep)
4. Improvement Generation — Gerar artefatos em 7 categorias, priorizados por impacto (delegado: deep em paralelo)
5. Integration — Atualizar system-of-record e indices (delegado: quick)
6. Curriculum Deep Integration (default) — Integrar Missing e Partial Coverage no curriculo existente com profundidade total (delegado: deep). Pode ser pulada se o usuario solicitar.

When to Use Me

Load this skill when:

• Voce tem uma fonte externa de conhecimento (transcript de talk, paper academico, knowledge base entry, documentacao de biblioteca) e quer extrair padroes aplicaveis ao seu repositorio
• Voce quer classificar padroes extraidos contra o que ja existe no codigo/curriculo
• Voce quer gerar um roadmap de melhorias priorizadas por impacto
• Voce quer seguir o mesmo workflow que produziu docs/analysis/2026-06-09-12-factor-agents/ no repositorio long-running-agents

Nao use quando:

• A fonte ja esta analisada e voce so precisa implementar uma melhoria especifica
• O escopo e uma unica mudanca trivial
• Voce nao tem um repositorio alvo para classificar os padroes

Pre-requisitos

Antes de comecar, verifique:

• O parametro source foi fornecido e o documento fonte existe e esta acessivel (path absoluto ou URL)
• Os parametros date e source-slug foram resolvidos (derivados se nao fornecidos)
• PROGRESS.md e harness/test-results.json foram inicializados via setup-analysis.sh (ou manualmente conforme o template)
• O diretorio de output docs/analysis/<date>-<source-slug>/ foi criado
• O repositorio alvo tem docs/system-of-record.md (ou equivalente) para resolver precedencia
• Voce leu AGENTS.md do repositorio alvo para conhecer regras de commit, estilo, e gates
• Voce leu docs/canonical/obsidian-document-conventions.md (se existir) ou o AGENTS.md Rule 16 para conhecer as convencoes de frontmatter, wikilinks, tags, aliases, e relates-to

Execution mechanism

Este pipeline pode ser executado de duas formas. Escolha a correta para seu contexto:

Mecanismo	Quando usar
Skill harness-analyze-and-improve	Dentro de uma sessao opencode. Usa task() nativo para delegar fases.
Bash harness/harness-analysis.sh	Terminal real (bash externo). Invoca opencode run para cada fase.

Ambos os mecanismos dependem de PROGRESS.md + harness/test-results.json inicializados. Use o script de bootstrap para prepara-los:

./.opencode/skills/analyze-and-improve/harness/setup-analysis.sh \
  --source <path> --date YYYY-MM-DD --source-slug <slug> --target-repo <path>

O skill harness e recomendado para execucao interativa dentro do opencode. O bash harness e util para automacao externa e CI/CD, mas requer ambiente bash completo (grep, python3/jq, date, mkdir) e nao funciona quando invocado de dentro de uma sessao opencode.

Phase 0 e Phase 1 podem rodar em paralelo quando o documento fonte (parametro source) ja esta disponivel no inicio da sessao. A Phase 0 le o repositorio; a Phase 1 le o documento fonte — sao independentes. Dispare ambas com run_in_background=true no mesmo turno e colete os resultados antes de prosseguir para Phase 2.

O orquestrador NAO deve pausar entre fases para check-in. O pipeline avanca automaticamente: coleta output → atualiza PROGRESS.md → dispara proxima fase. Interrupcao so por Commit Gate ou comando explicito.

Target Repository Context

TODA delegacao via task() nas Phases 0-6 DEVE incluir este bloco no prompt:

TARGET_REPOSITORY:
  path: <absolute-path-to-repo>
  name: <repo-name>
  output_dir: <absolute-path-to-repo>/docs/analysis/<date>-<source-slug>/
  system_of_record: <absolute-path-to-repo>/docs/system-of-record.md
  branch: main

CRITICAL: Todos os paths no bloco devem ser absolutos (ex: /home/user/repo/docs/analysis/...). Nunca use paths relativos — sub-agentes podem resolver docs/analysis/... a partir de diretorios de trabalho diferentes, escrevendo em locais incorretos. O output_dir e system_of_record devem ser paths completos.

Isso garante que todo sub-agente sabe:

• Onde escrever arquivos de output (caminho completo)
• Qual repositorio sera commitado (para mensagens de commit e referencias)
• Onde encontrar as regras de precedencia (system-of-record.md)
• Qual branch usar

Output Directory Structure

TODOS os outputs das fases 0-4 vao para o mesmo diretorio:

docs/analysis/<date>-<source-slug>/
  <date>-<source-slug>-mental-model.md        # Phase 0
  <date>-<source-slug>-mental-model.yaml
  <date>-<source-slug>-analysis.md            # Phase 1
  <date>-<source-slug>-analysis.yaml
  <date>-<source-slug>-patterns.md            # Phase 2
  <date>-<source-slug>-patterns.yaml
  <date>-<source-slug>-classification.md      # Phase 3
  <date>-<source-slug>-classification.yaml
  <date>-<source-slug>-artifacts.yaml          # Phase 4 (manifesto)
  <date>-<source-slug>-artifacts.md

Artefatos concretos (canonical docs, skills, exercises) gerados na Phase 4 vao para seus diretorios definitivos (docs/canonical/, .opencode/skills/, curriculum/).

Mapa Mental Repository

O diretorio mapa-mental-repo/ na raiz do repositorio alvo versiona os modelos mentais com data, servindo como cache canonico para o modo incremental:

mapa-mental-repo/
  YYYY-MM-DD-<source-slug>-mental-model.md
  YYYY-MM-DD-<source-slug>-mental-model.yaml
  archive/                              # Modelos alem dos 5 mais recentes ou com > 90 dias

Regras:

• Todo modelo mental gerado na Phase 0 (full ou incremental) DEVE ser copiado para ca.
• O nome do arquivo inclui a data E o source-slug para rastreabilidade bidirecional.
• Manter no maximo 5 modelos ativos na raiz; mover os excedentes para archive/.
• Modelos em archive/ com mais de 90 dias podem ser removidos.
• Este diretorio e versionado no git — faz parte do repositorio.

---

Phase 0: Repository Mental Model

Objetivo: Antes de analisar o documento externo, construir ou atualizar um modelo mental do repositorio alvo — entender goals, arquitetura, padroes, abstracoes e terminologia. Esse modelo serve como contexto canonico para todas as fases subsequentes.

Dois modos de operacao, controlados pelo parametro incremental:

Passo 0-pre: Incremental Eligibility Check (orquestrador — NAO delegar)

Antes de decidir entre full rebuild e incremental, o orquestrador DEVE:

0. Verificar parametro explicito: Se incremental foi passado explicitamente:

   • incremental=true → pular este check, ir direto para "### Modo Incremental"
   • incremental=false → pular este check, ir direto para "### Modo Full Rebuild"
   • Se nao foi passado (omitido) → prosseguir com os passos abaixo.

1. Verificar modelos recentes: Liste mapa-mental-repo/*.yaml por data. Se o diretorio esta vazio → full rebuild (sem escolha).

2. Carregar o modelo mais recente: Leia o .yaml mais recente. Extraia meta.date e os campos terminology, goals, patterns.

3. Calcular relevancia tematica: Compare o source-slug da analise atual com o slug extraido do nome do arquivo do modelo (ex: mapa-mental-repo/2026-06-12-idsd-method-mental-model.yaml → slug = idsd-method). Heuristicas de match:

   • Ambos contem o mesmo acronimo (ex: "idsd", "ice", "sdd") → ALTA
   • Ambos pertencem a mesma serie do mesmo autor → ALTA
   • Compartilham ≥2 dominios de system-of-record → MEDIA
   • Sem sobreposicao tematica → BAIXA

4. Decidir modo:

   • Se dias_desde_modelo <= 7 E relevancia >= MEDIA → adotar incremental automaticamente (sem perguntar)
   • Se dias_desde_modelo <= 30 E relevancia == ALTA → adotar incremental automaticamente
   • Se dias_desde_modelo <= 30 E relevancia == MEDIA → sugerir incremental ao usuario via commentary
   • Caso contrario → full rebuild (default)

5. Documentar a decisao no commentary: "Usando modo incremental com base em mapa-mental-repo/<modelo-anterior> (X dias, relevancia Y)."

Se incremental for adotado, pular para "### Modo Incremental". Caso contrario, prosseguir com "### Modo Full Rebuild".

Modo Full Rebuild (incremental=false — default)

Comportamento padrao: o agente ultrabrain le o repositorio do zero e constroi o modelo mental completo. Use quando:

• E a primeira execucao no repositorio (mapa-mental-repo/ vazio)
• O modelo anterior tem mais de 30 dias
• Os deltas detectados somam mais de 10 itens
• Voce quer garantia de consistencia total

Delegacao (Full Rebuild)

Delegue para ultrabrain:

task(
  category="ultrabrain",
  load_skills=[],
  run_in_background=true,
  prompt="TASK: Build a mental model of the target repository.

TARGET_REPOSITORY:
  path: <absolute-path-to-repo>
  name: <repo-name>
  output_dir: docs/analysis/<date>-<source-slug>/
  system_of_record: docs/system-of-record.md

First, read and understand the repository by examining:
- AGENTS.md (operational rules, commit style, gates)
- README.md (project goals, overview)
- docs/system-of-record.md (documentation precedence, domain map)
- docs/canonical/ (authoritative descriptions of systems)
- docs/decisions/ (accepted ADRs)
- curriculum/ (structure, levels, concepts, glossary)
- .opencode/agents/ (agent definitions, handoff protocol)
- .opencode/skills/ (existing skills and their domains)

Build a structured mental model covering:
1. Project Goals — what the repository builds or teaches
2. Architecture — core abstractions and their relationships
3. Patterns — existing design and implementation patterns
4. Abstractions — key terminology and concepts (from glossary and canonical docs)
5. Curriculum Structure — progression, levels, exercises
6. Existing Gaps — what is documented as missing or pending

Do not analyze the external source document yet. Focus ONLY on the repository.

OUTPUT: Write TWO files in <output_dir>:
- docs/analysis/<date>-<source-slug>/<date>-<source-slug>-mental-model.md — structured markdown with the sections above
- docs/analysis/<date>-<source-slug>/<date>-<source-slug>-mental-model.yaml — typed mirror with the same structure

The YAML must use typed fields:
  meta: {title, date, repo, type: 'mental-model'}
  goals: [list of goals]
  architecture: {abstractions: [...], relationships: [...]}
  patterns: [{name, where_defined, maturity}]
  terminology: [{term, definition, source}]
  curriculum: {levels: [...], concepts: [...]}
  gaps: [{what, where_documented}]"
)

Output

docs/analysis/<date>-<source-slug>/<date>-<source-slug>-mental-model.md
docs/analysis/<date>-<source-slug>/<date>-<source-slug>-mental-model.yaml

Gate (Full Rebuild)

• O modelo mental cobre goals, arquitetura, padroes, abstracoes, terminologia e gaps
• Ambos os arquivos (.md e .yaml) foram escritos no diretorio correto

Modo Incremental (incremental=true)

Quando incremental=true, o orquestrador executa um fluxo de 3 passos. Apenas o Passo 0b e delegado; os Passos 0a e 0c sao executados diretamente pelo orquestrador.

Passo 0a: Validacao rapida (orquestrador — NAO delegar)

1. Verificar cache: Liste mapa-mental-repo/ no repositorio alvo. Se o diretorio nao existe ou esta vazio: fallback imediato para full rebuild.
2. Carregar modelo anterior: Identifique o arquivo .yaml mais recente por data no nome (use ls -1 mapa-mental-repo/*.yaml | sort | tail -1). Leia o YAML completo — ele sera a base do modelo atualizado.
3. Scan rapido de deltas desde a data do modelo anterior:

   # Novos canonical docs
   find docs/canonical/ -name '*.md' -newer mapa-mental-repo/<ultimo>.yaml
   # Novos ADRs
   find docs/decisions/ -name '*.md' -newer mapa-mental-repo/<ultimo>.yaml
   # Novos arquivos no curriculum
   find curriculum/ -name '*.md' -newer mapa-mental-repo/<ultimo>.yaml
   # Novas skills
   ls -lt .opencode/skills/ | head -20
   # Novos agentes
   ls -lt .opencode/agents/ | head -20
   

4. Classificar deltas e produzir docs/analysis/<date>-<source-slug>/delta-report.md:
   • Cada delta classificado: novo-canonical-doc, novo-adr, novo-exercicio, nova-licao, nova-skill, novo-agente, atualizacao
   • Para cada delta: path do arquivo, data de modificacao, breve descricao do conteudo
   • Contagem total de deltas
   • Data do modelo anterior usado como base
5. Decidir modo: Conte os deltas. Se total_deltas > 10 OU dias_desde_modelo_anterior > 30: fallback para full rebuild. Caso contrario: prossiga para o Passo 0b.

Passo 0b: Atualizacao incremental (delegado para ultrabrain)

task(
  category="ultrabrain",
  load_skills=[],
  run_in_background=true,
  prompt="TASK: Update the repository mental model incrementally using the previous model as base.

TARGET_REPOSITORY:
  path: <absolute-path-to-repo>
  name: <repo-name>
  output_dir: <absolute-path-to-repo>/docs/analysis/<date>-<source-slug>/
  system_of_record: <absolute-path-to-repo>/docs/system-of-record.md
  branch: main

PREVIOUS MENTAL MODEL (YAML) — use this as your base structure:
<paste the FULL content of mapa-mental-repo/<ultimo>-mental-model.yaml>

DELTA REPORT — only these items need attention:
<paste the FULL content of delta-report.md>

INSTRUCTIONS:
1. Load the previous mental model as your base. Keep ALL existing entries
   that are NOT affected by the deltas — do not re-describe them.
2. For each delta in the delta report, decide:
   - NEW ENTRY: add to the relevant section (goals, architecture, patterns,
     terminology, curriculum, gaps). Read the source file to understand it.
   - UPDATE: modify an existing entry's fields. Cite what changed and why.
   - NO CHANGE: the entry already accurately describes the current state.
3. Update meta.date to today's date.
4. Add meta.based_on: pointing to the previous model file name.
5. Update the gaps section: remove gaps that were resolved (new docs, new ADRs),
   add any new gaps discovered during delta analysis.
6. Do NOT re-read the entire repository. Trust the base model for untouched areas
   and only read files referenced in the delta report.

OUTPUT: Write TWO files:
- docs/analysis/<date>-<source-slug>/<date>-<source-slug>-mental-model.md — updated markdown
- docs/analysis/<date>-<source-slug>/<date>-<source-slug>-mental-model.yaml — updated typed mirror

The YAML must use the same typed fields as full rebuild, plus:
  meta: {title, date, repo, type: 'mental-model', based_on: '<previous-model-filename>'}
  goals: [list of goals]
  architecture: {abstractions: [...], relationships: [...]}
  patterns: [{name, where_defined, maturity}]
  terminology: [{term, definition, source}]
  curriculum: {levels: [...], concepts: [...]}
  gaps: [{what, where_documented}]"
)

Passo 0c: Salvamento em mapa-mental-repo/ (orquestrador — sempre executar)

Apos QUALQUER Phase 0 (full rebuild OU incremental), o orquestrador DEVE:

1. Criar o diretorio se necessario:

   mkdir -p mapa-mental-repo/archive
   

2. Copiar os arquivos com timestamp:

   cp docs/analysis/<date>-<source-slug>/mental-model.md  \
      mapa-mental-repo/<date>-<source-slug>-mental-model.md
   cp docs/analysis/<date>-<source-slug>/mental-model.yaml \
      mapa-mental-repo/<date>-<source-slug>-mental-model.yaml
   

3. Enforce o limite de 5 modelos ativos:

   # Listar modelos .yaml por data, pular os 5 mais recentes, mover o resto
   ls -1 mapa-mental-repo/*-mental-model.yaml | sort -r | tail -n +6 | while read yaml; do
     md="${yaml%.yaml}.md"
     mv "$yaml" "$md" mapa-mental-repo/archive/
   done
   

4. Limpeza de archive (> 90 dias):

   find mapa-mental-repo/archive/ -name '*.yaml' -mtime +90 -delete
   find mapa-mental-repo/archive/ -name '*.md' -mtime +90 -delete
   

5. Commit implicito: Os arquivos em mapa-mental-repo/ sao parte do repositorio e serao commitados junto com os demais artefatos da sessao (respeitando o Commit Gate).

Gate (Incremental)

• delta-report.md existe em docs/analysis/<date>-<source-slug>/
• Modelo anterior foi carregado com sucesso e seu path esta registrado
• Fallback para full rebuild foi considerado e a decisao esta documentada
• O modelo mental atualizado cobre todas as secoes obrigatorias
• Ambos os arquivos (.md e .yaml) foram escritos no diretorio correto
• Passo 0c executado: copias em mapa-mental-repo/ existem

---

Phase 1: Knowledge Extraction

Objetivo: Extrair conhecimento nao-obvio do documento fonte. Filtrar ruido. Produzir analise estruturada.

Regras de extracao

Manter	Ignorar
Frameworks, arquiteturas, workflows	Marketing, auto-promocao
Detalhes de implementacao	Anedotas, historias pessoais
Licoes operacionais, falhas, tradeoffs	Repeticao, padding, filler
Decisoes de design com justificativa	Conselhos genericos sem mecanica
Anti-padroes documentados	"E importante fazer X" sem o como

Delegacao

Delegue para deep:

task(
  category="deep",
  load_skills=[],
  run_in_background=true,
  prompt="TASK: Extract all non-obvious knowledge from the source document below.

TARGET_REPOSITORY:
  path: <absolute-path-to-repo>
  name: <repo-name>
  output_dir: docs/analysis/<date>-<source-slug>/
  system_of_record: docs/system-of-record.md

SOURCE DOCUMENT: <paste full content or provide path>

IGNORE: marketing, anecdotes, personal stories, repetition.
KEEP: frameworks, patterns, architectures, workflows, implementation
details, operational lessons, failures, tradeoffs.

OUTPUT: Write TWO files in <output_dir>:
- docs/analysis/<date>-<source-slug>/<date>-<source-slug>-analysis.md — structured markdown with sections for:
  1. Frameworks & Models — conceptual structures presented
  2. Patterns & Architectures — reusable designs with mechanics
  3. Operational Lessons — what worked, what failed, what surprised
  4. Tradeoffs — explicit cost/benefit discussions
  5. Failure Patterns — what breaks and why
  6. Synthesis — cross-cutting insights the author may not have named
- docs/analysis/<date>-<source-slug>/<date>-<source-slug>-analysis.yaml — typed mirror with the same structure

The YAML must use typed fields:
  meta: {title, source, date, type: 'analysis'}
  frameworks: [{name, components: [...]}]
  patterns: [{name, problem, mechanism}]
  operational_lessons: [{lesson, context}]
  tradeoffs: [{decision, benefit, cost}]
  failure_patterns: [{pattern, cause, mitigation}]
  synthesis: string"
)

Output

docs/analysis/<date>-<source-slug>/<date>-<source-slug>-analysis.md
docs/analysis/<date>-<source-slug>/<date>-<source-slug>-analysis.yaml

Gate

• Os arquivos analysis.md e analysis.yaml existem no diretorio de output
• Nao contem marketing, anedotas, ou filler
• O YAML espelha o markdown com campos tipados
• analysis.md tem frontmatter Obsidian completo: title, type: analysis, tags, date, aliases (pelo menos 2), relates-to (pelo menos 1 wikilink)
• Rodar npx tsx scripts/validate-obsidian.ts (se existir) e corrigir violacoes ANTES de prosseguir para Phase 2. Violacoes nao corrigidas viram falso-positivos em todas as fases subsequentes.

---

Phase 2: Pattern Extraction

Objetivo: Identificar padroes reutilizaveis a partir do conhecimento extraido. Delegar para sub-agente ultrabrain.

Regras de extracao de padroes

Cada padrao deve ter 6 campos obrigatorios:

Campo	Descricao
name	Nome descritivo (ex: "Error Context Hygiene")
problem solved	Qual problema resolve, em uma frase
inputs	O que o padrao consome (dados, estado, contexto)
outputs	O que o padrao produz (decisoes, artefatos, acoes)
benefits	O que melhora em relacao a nao usar o padrao
limitations	Quando o padrao nao funciona ou tem custo alto

Delegacao

Delegue para ultrabrain:

task(
  category="ultrabrain",
  load_skills=[],
  run_in_background=true,
  prompt="TASK: Identify reusable patterns from the knowledge extraction below.
Only keep patterns applicable to agentic systems.

TARGET_REPOSITORY:
  path: <absolute-path-to-repo>
  name: <repo-name>
  output_dir: docs/analysis/<date>-<source-slug>/
  system_of_record: docs/system-of-record.md

For each pattern, provide: name, problem solved, inputs, outputs,
benefits, limitations. Then produce a YAML mirror adding components
(list of sub-elements) and flow (sequence of steps) per pattern.

OUTPUT: Write TWO files in <output_dir>:
- docs/analysis/<date>-<source-slug>/<date>-<source-slug>-patterns.md
- docs/analysis/<date>-<source-slug>/<date>-<source-slug>-patterns.yaml

KNOWLEDGE EXTRACTION:
<paste the markdown analysis from Phase 1>"
)

Output

docs/analysis/<date>-<source-slug>/<date>-<source-slug>-patterns.md
docs/analysis/<date>-<source-slug>/<date>-<source-slug>-patterns.yaml

Gate

• Cada padrao tem os 6 campos obrigatorios preenchidos
• O YAML adiciona components e flow por padrao

---

Phase 3: Classification

Objetivo: Comparar cada padrao contra o que ja existe no repositorio alvo. Classificar em 4 categorias com evidencia.

Batch splitting: Para fontes com mais de 8 padroes, divida a classificacao em lotes menores (max 8 padroes por agente) e execute em paralelo. Um unico agente deep pode abortar por timeout ao classificar muitos padroes. Se deep falhar, ultrabrain e um fallback confiavel.

Regras de classificacao

Classe	Significado	Quando usar
Already Exists	Padrao documentado, implementado, ou ensinado com profundidade equivalente	Repo tem doc, codigo, OU curriculo cobrindo o mesmo terreno
Partial Coverage	Elementos existem mas faltam mecanicas-chave, reframe, ou formalizacao	Repo faz algo similar mas sem o nome, a decomposicao, ou o framing
Missing	Nao presente em nenhuma forma	Nem doc, nem codigo, nem curriculo — gap total
Better Implementation	Repo tem versao superior ou mais madura da mesma ideia	Repo vai alem do que o padrao descreve

Evidencia obrigatoria

Para cada classificacao, forneca:

• Already Exists: cite o arquivo e a linha ou secao que comprova (ex: curriculum/05-core-concepts/07-multi-agent-coordination.md:42-78)
• Partial Coverage: liste o que existe E o que falta
• Missing: mostre onde procurou e confirme NOT_FOUND
• Better Implementation: explique porque a versao do repo e superior

Fontes de evidencia (em ordem de precedencia)

Siga docs/system-of-record.md:

1. docs/decisions/ — ADRs aceitos
2. docs/canonical/ — documentacao canonica ativa
3. docs/evidence/ — evidencias validadas
4. docs/analysis/ — analises e diagnosticos
5. curriculum/ — material de ensino
6. READMEs e resumos operacionais

Delegacao

Delegue para deep:

task(
  category="deep",
  load_skills=[],
  run_in_background=true,
  prompt="TASK: Classify each extracted pattern against the target repository using evidence-based classification.

TARGET_REPOSITORY:
  path: <absolute-path-to-repo>
  name: <repo-name>
  output_dir: docs/analysis/<date>-<source-slug>/
  system_of_record: docs/system-of-record.md

CLASSIFICATION RULES:
- Already Exists: pattern is documented, implemented, or taught at equivalent depth
- Partial Coverage: elements exist but key mechanics, reframe, or formalization are missing
- Missing: not present in any form (doc, code, or curriculum)
- Better Implementation: repo has a superior or more mature version of the same idea

EVIDENCE REQUIREMENTS:
For every classification, cite file:line references. For 'Missing', confirm NOT_FOUND
with the locations searched. Follow the precedence order from system-of-record.md:
decisions/ > canonical/ > evidence/ > analysis/ > curriculum/ > READMEs.

Read the repository mental model at docs/analysis/<date>-<source-slug>/<date>-<source-slug>-mental-model.md
for quick orientation. Then search the repo (grep, read files) for each pattern.

PATTERNS TO CLASSIFY:
<paste the patterns.md or patterns.yaml from Phase 2>

OUTPUT: Write TWO files in <output_dir>:
- docs/analysis/<date>-<source-slug>/<date>-<source-slug>-classification.md — one section per pattern with:
  - Classification + justification
  - Evidence (file:line references or NOT_FOUND)
  - Integration value (Low/Medium/High)
  - Summary table at the end
- docs/analysis/<date>-<source-slug>/<date>-<source-slug>-classification.yaml — typed mirror

Summary table format:
| # | Pattern | Classification | Integration Value |
|---|---|---|---|
| 1 | ... | Already Exists | Low |
| 2 | ... | Partial Coverage | Medium |
| ... | ... | ... | ... |"
)

Output

docs/analysis/<date>-<source-slug>/<date>-<source-slug>-classification.md
docs/analysis/<date>-<source-slug>/<date>-<source-slug>-classification.yaml

Gate

• Cada padrao classificado com evidencia file:line ou NOT_FOUND
• Tabela-sumario no final do markdown
• As fontes de evidencia respeitam a precedencia do system-of-record.md

---

Phase 4: Improvement Generation

Objetivo: Gerar artefatos concretos no repositorio, priorizados pelo impacto da classificacao.

Categorias de melhoria

Categoria	Onde criar	Exemplo
New Skills	.opencode/skills/<slug>/SKILL.md	Skill de implementacao para padrao Missing
New Patterns	docs/canonical/<slug>.md	Doc canonico formalizando padrao Partial
New Examples	docs/analysis/examples/ ou inline em exercicios	Before/after de codigo demonstrando o padrao
New Exercises	curriculum/0X-nivel-X-*/exercises/exercise-0X.md	Exercicio hands-on para o curriculo
New Documentation	docs/analysis/ ou docs/canonical/	Artifacts manifest, cross-reference
New Agent Architectures	docs/canonical/	Decomposicao arquitetonica com componentes
New Runtime Features	.opencode/skills/<slug>/SKILL.md (patterns section)	Padroes de implementacao code-ready

Priorizacao por impacto

Classification	Priority	Acao
Missing	P0	Criar canonical doc + skill + exercise + example
Partial Coverage (High value)	P1	Criar canonical doc com reframe/naming
Partial Coverage (Medium value)	P2	Criar canonical doc; exercise opcional (Phase 4)
Already Exists	—	Apenas cross-reference, nao criar artefatos novos
Better Implementation	—	Documentar superioridade, nao duplicar

Ordem de criacao

1. Canonical docs primeiro — docs/canonical/ e o nivel 2 de precedencia. Docs canonicos estabelecem a verdade antes de exercicios e skills referenciarem eles.
2. Skills para padroes Missing — Skills de implementacao tem maior reuso.
3. Exercises para Missing e P1 — Exercicios solidificam aprendizado.

Delegacao (paralela)

Para padroes Missing, P1 e P2, dispare agentes deep em paralelo — um por tipo de artefato:

Agente 1: Canonical Docs

task(
  category="deep",
  load_skills=[],
  run_in_background=true,
  prompt="TASK: Create canonical docs for patterns classified as Missing, P1, or P2.

TARGET_REPOSITORY:
  path: <absolute-path-to-repo>
  name: <repo-name>
  output_dir: docs/analysis/<date>-<source-slug>/
  system_of_record: docs/system-of-record.md

Read docs/analysis/<date>-<source-slug>/<date>-<source-slug>-classification.md for the list of patterns
to create canonical docs for (Missing, P1, and P2).

EACH CANONICAL DOC must contain:
- Type, Status, Source, Classification, Precedence
- Problem (what the pattern solves)
- Solution (detailed mechanism)
- Implementation in this repo (what already exists, what is missing)
- Tradeoffs (benefit vs cost table)
- Relationship to Other Patterns (dependencies and complements)
- References (links to analyses, code, curriculum)

Write files to: docs/canonical/<slug>.md"
)

Agente 2: Skills

task(
  category="deep",
  load_skills=[],
  run_in_background=true,
  prompt="TASK: Create implementation skills for patterns classified as Missing.

TARGET_REPOSITORY:
  path: <absolute-path-to-repo>
  name: <repo-name>
  output_dir: docs/analysis/<date>-<source-slug>/
  system_of_record: docs/system-of-record.md

Read docs/analysis/<date>-<source-slug>/<date>-<source-slug>-classification.md for Missing patterns.

EACH SKILL must contain:
- Frontmatter with name, description rich in triggers, metadata
- What I Do (contract)
- When to Use Me (positive and negative triggers)
- The Anti-Pattern (wrong code)
- The Pattern (correct code)
- Implementation rules (classifier, summarizer, format rules)
- Integration with existing repo infrastructure
- Quality Gates (verification checklist)
- References

Write files to: .opencode/skills/<slug>/SKILL.md"
)

Agente 3: Exercises

task(
  category="deep",
  load_skills=[],
  run_in_background=true,
  prompt="TASK: Create curriculum exercises for patterns classified as Missing.

TARGET_REPOSITORY:
  path: <absolute-path-to-repo>
  name: <repo-name>
  output_dir: docs/analysis/<date>-<source-slug>/
  system_of_record: docs/system-of-record.md

Read docs/analysis/<date>-<source-slug>/<date>-<source-slug>-classification.md for Missing patterns.

EACH EXERCISE must follow the curriculum format:
- Narrative prologue (realistic scenario that went wrong)
- Scenario with input data
- Functional and technical requirements
- Task in parts (diagnosis → implementation → pipeline)
- Skeleton code in Python
- Acceptance criteria with asserts
- Evaluation rubric

Write files to: curriculum/<appropriate-level>/exercises/exercise-<XX>-<slug>.md"
)

Os agentes 1-3 rodam em paralelo (run_in_background=true).

Heartbeat durante execucao paralela

Enquanto os agentes 1-3 rodam em background, o orquestrador DEVE:

1. A cada notificacao [BACKGROUND TASK RESULT READY], emitir commentary: "Phase 4a concluida (XmYs), N/3 completos. Aguardando restantes."
2. NUNCA chamar background_output() antes de ALL COMPLETE.
3. Se o tempo total estimado exceder 5 minutos, emitir um commentary adicional com ETA: "Exercises e o mais longo (~7min historico)."
4. Apos ALL COMPLETE, coletar todos os outputs em batch e prosseguir.

Gate

• Missing patterns tem canonical doc + skill + exercise
• P1 patterns (Partial Coverage High) tem canonical doc
• P2 patterns (Partial Coverage Medium) tem canonical doc (exercise opcional; se criado, deve ser na Phase 4)
• Nao foram criados artefatos para Already Exists ou Better Implementation
• 0 Missing e esperado: Nem toda fonte produz padroes Missing. Se todos forem Partial Coverage ou Already Exists, as acoes P0 (skill + exercise) simplesmente nao se aplicam. Isso nao e falha do pipeline.
• Exercicios novos sao criados na Phase 4, NAO na Phase 6. A Phase 4 pode criar novos arquivos em curriculum/ (exercises). A Phase 6 apenas modifica arquivos existentes — nunca cria novos. Se um exercise for necessario, crie-o aqui na Phase 4.
• Artifacts manifest (<date>-<source-slug>-artifacts.yaml + .md) gerado pelo orquestrador em docs/analysis/<date>-<source-slug>/
• Manifest YAML lista todos os artefatos Phase 4 em artifacts.canonical_docs, artifacts.skills, artifacts.exercises, artifacts.examples
• Padrões não gerados (Already Exists, Better Implementation) registrados em skipped.* com justificativa
• Manifest Markdown contém "Integration Map" conectando cada artefato às superfícies que Phase 5 deve atualizar

---

Phase 5: Integration

Objetivo: Atualizar documentos de indice que ficaram desatualizados.

O que verificar

Documento	O que atualizar
docs/system-of-record.md	Se canonical/ ou analysis/ ganharam arquivos, atualizar tabelas. Se tinha claim "vazio", corrigir. Atualizar data.
curriculum/INDEX.md	Se novos exercicios foram criados, adicionar a listagem.
curriculum/README.md	Se a arvore de diretorios mudou, atualizar diagrama.
curriculum/MASTER_PLAN.md	Se contagem de exercicios ou topicos mudou, atualizar.

Pre-requisito: Artifacts Manifest

Antes de delegar a Phase 5, o orquestrador DEVE gerar o artifacts manifest (ação direta, não delegada):

1. Ler docs/analysis/<date>-<source-slug>/<date>-<source-slug>-classification.yaml
2. Listar arquivos criados em docs/canonical/, .opencode/skills/, curriculum/ nesta sessão
3. Gerar docs/analysis/<date>-<source-slug>/<date>-<source-slug>-artifacts.yaml com a estrutura tipada (meta, artifacts, skipped, gate)
4. Gerar docs/analysis/<date>-<source-slug>/<date>-<source-slug>-artifacts.md com:
   • Tabela-sumário de artefatos criados
   • Integration Map: tabela conectando cada artefato → índice que Phase 5 deve atualizar
   • Seção de padrões skipped com justificativa

O manifesto é o contrato que a Phase 5 lê como input. Sem ele, a Phase 5 não sabe o que integrar.

Schema do Artifacts Manifest YAML

meta:
  type: artifact-manifest
  date: <YYYY-MM-DD>
  source_slug: <slug>
  classification_file: docs/analysis/<date>-<source-slug>/<date>-<source-slug>-classification.yaml

artifacts:
  canonical_docs:
    - path: docs/canonical/<slug>.md
      pattern: <pattern-name>
      classification: Missing | Partial Coverage
      priority: P0 | P1 | P2
  skills:
    - path: .opencode/skills/<slug>/SKILL.md
      pattern: <pattern-name>
      classification: Missing
  exercises:
    - path: curriculum/<level>/exercises/<filename>.md
      pattern: <pattern-name>
      classification: Missing
  examples:
    - path: docs/analysis/examples/<slug>.md
      pattern: <pattern-name>
      description: <before/after ou exemplo demonstrativo>

skipped:
  already_exists:
    - pattern: <pattern-name>
      evidence: <file:line reference>
  better_implementation:
    - pattern: <pattern-name>
      reason: <why repo version is superior>

gate:
  phase4_complete: true
  artifacts_count:
    canonical_docs: <N>
    skills: <N>
    exercises: <N>
    examples: <N>
  notes: []

Schema do Artifacts Manifest Markdown

---
title: "Artifacts Manifest: <source-title>"
type: analysis
date: <YYYY-MM-DD>
aliases: ["manifesto <slug>", "artifacts <slug>"]
tags: ["analise", "roadmap", "<dominio>"]
relates-to: []
---

# Artifacts Manifest: <source-title>

## Summary

| # | Pattern | Classification | Priority | Artifacts Created |
|---|---|---|---|---|
| 1 | ... | Missing | P0 | canonical, skill, exercise |
| 2 | ... | Partial Coverage | P1 | canonical |
| ... | ... | ... | ... | ... |

## Integration Map

| Artifact | Path | Updates |
|---|---|---|
| `<name>` canonical doc | `docs/canonical/<slug>.md` | `system-of-record.md` → domínio `<dominio>` |
| `<name>` skill | `.opencode/skills/<slug>/SKILL.md` | `system-of-record.md` → domínio `<dominio>` |
| `<name>` exercise | `curriculum/<level>/exercises/<file>.md` | `INDEX.md`, `README.md`, `MASTER_PLAN.md` |

## Skipped

| Pattern | Reason |
|---|---|
| `<name>` | Already Exists — ver `docs/canonical/<slug>.md` |
| `<name>` | Better Implementation — repo version is superior |

Delegacao

Delegue para quick:

task(
  category="quick",
  load_skills=["git-master"],
  run_in_background=false,
  prompt="TASK: Update index documents using the artifacts manifest as input.

TARGET_REPOSITORY:
  path: <absolute-path-to-repo>
  name: <repo-name>
  output_dir: <absolute-path-to-repo>/docs/analysis/<date>-<source-slug>/
  system_of_record: <absolute-path-to-repo>/docs/system-of-record.md
  branch: main

INPUT: Read the artifacts manifest at:
  - <absolute-path-to-repo>/docs/analysis/<date>-<source-slug>/<date>-<source-slug>-artifacts.yaml
  - <absolute-path-to-repo>/docs/analysis/<date>-<source-slug>/<date>-<source-slug>-artifacts.md

The manifest lists ALL artifacts created in Phase 4 and maps each one to the
index documents that need updating. Use it as your authoritative source.

CHECK AND UPDATE:
1. docs/system-of-record.md — add new canonical docs and skills to the
   appropriate domain tables; update last-modified date
2. curriculum/INDEX.md — add new exercises to the listing
3. curriculum/README.md — update directory tree if changed
4. curriculum/MASTER_PLAN.md — update exercise/topic counts if changed

For each artifact listed in the manifest, follow the Integration Map in the
.md to know exactly which index document(s) to update.

MUST NOT:
- Guess which artifacts were created — use the manifest
- Skip artifacts listed in the manifest
- Modify files outside the Integration Map targets

Then run: git diff --stat to confirm which files were changed.
Do NOT commit. The orchestrator handles the commit decision."
)

Gate

• git diff --stat mostra apenas arquivos relacionados a essa sessao
• docs/system-of-record.md reflete o novo estado (data atualizada)

Commit Gate

Apos a Phase 5 (e Phase 6 se executada), o orquestrador DEVE:

1. Rodar git diff --stat para confirmar o escopo das mudancas.
2. Perguntar ao usuario: "Quer commitar?"
3. Se sim: commit com estilo do repo (type(scope): short description).
4. Perguntar ao usuario: "Quer fazer push?"
5. Se sim: git push origin main.

5.5. Resetar PROGRESS.md para template limpo — apos commit bem-sucedido, o orquestrador DEVE resetar o PROGRESS.md na raiz do repositorio alvo:

cp .opencode/skills/analyze-and-improve/harness/templates/PROGRESS-clean.md PROGRESS.md
git add PROGRESS.md
git commit -m "chore(harness): reset PROGRESS.md after pipeline completion"

Se o usuario optar por nao commitar o reset, o arquivo fica modificado localmente e sera sobrescrito pelo proximo setup-analysis.sh.

NUNCA commitar ou dar push sem pergunta explicita. O AGENTS.md do repositorio alvo tem precedencia — se ele diz "Do not commit unless the user explicitly asks", respeite.

---

Phase 6: Curriculum Deep Integration (default — pode ser pulada)

Esta fase faz parte do pipeline default. O orquestrador a executa automaticamente apos a Phase 5. O usuario pode pular a Phase 6 explicitamente ("pule a Phase 6", "nao faca a integracao curricular").

Objetivo: Integrar padroes Missing e Partial Coverage no curriculo existente. Para Partial Coverage, enriquece modulos que ja tratam do tema com a mecanica que faltava. Para Missing, garante que o novo conceito nao viva isolado — os core concepts, checklists e playbooks que tratam do mesmo dominio ganham a profundidade que o tema merece, indo alem de um simples cross-reference.

Quando executar

Classification + Value	Executar Phase 6?	Tratamento
Missing + High	SIM	Canonical doc + skill + exercise (Phase 4) + integracao profunda nos modulos existentes (Phase 6)
Missing + Medium	SIM	Mesmo tratamento — Missing sempre merece integracao nos modulos que tratam do dominio
Partial Coverage + High	SIM	Enriquece modulos existentes com a mecanica que faltava
Partial Coverage + Medium	SIM	Integração completa nos módulos existentes — mesma profundidade que PC High
Already Exists	NAO	So cross-reference nos artefatos da propria sessao
Better Implementation	NAO	Documentar superioridade, nao duplicar

Fluxo

Phase 6: Curriculum Deep Integration
  ├── 6a. Gap analysis — cruzar classification com arquivos do curriculum/
  │     Para Missing: identificar quais core concepts, checklists e playbooks
  │     tratam do mesmo dominio e devem ganhar a nova mecanica.
  │     Para Partial Coverage: identificar quais arquivos ja tratam do tema
  │     e onde falta a mecanica, nome, teste ou gate.
  │     Em ambos os casos: secoes e linhas exatas onde o tema aparece.
  ├── 6b. Insertion plan — mapear arquivo + secao + linha para cada padrao
  │     Respeitar a taxonomia e formato de cada documento do curriculo.
  │     Para Missing: a profundidade e a mesma de Partial Coverage — o conceito
  │     novo merece subsecoes, checklists, gates e exemplos nos modulos existentes.
  ├── 6c. Executor prompt — construir prompt autocontido com instrucoes de `edit`
  │     cirurgicas, sem `write` (nunca reescrever arquivos inteiros)
  ├── 6d. Delegated execution — agente `deep` modifica arquivos do curriculum/
  └── Gate: git diff --stat mostra apenas curriculum/ + system-of-record.md

Regras

• NUNCA criar arquivos novos no curriculum/ — apenas modificar existentes.
• NUNCA modificar os canonicos em docs/canonical/ (ja sao a verdade).
• Respeitar formato, estilo e idioma (PT-BR) de cada arquivo do curriculo.
• Usar edit para insercoes cirurgicas, nunca write.
• Preservar a ordem de dependencia entre padroes (ex: stable harness antes de head-tail truncation).
• Missing e Partial Coverage recebem a mesma profundidade de integracao. A diferenca e o ponto de partida: Missing parte do zero (conceito novo), Partial Coverage parte do que ja existe (enriquece).

Delegacao

Delegue para deep:

task(
  category="deep",
  load_skills=[],
  run_in_background=false,
  prompt="TASK: Execute curriculum deep integration for Missing and Partial Coverage patterns.

TARGET_REPOSITORY:
  path: <absolute-path-to-repo>
  name: <repo-name>
  output_dir: docs/analysis/<date>-<source-slug>/
  system_of_record: docs/system-of-record.md

Read docs/analysis/<date>-<source-slug>/<date>-<source-slug>-classification.md for patterns to integrate:
- ALL Missing patterns (regardless of Integration Value)
- ALL Partial Coverage patterns with Integration Value High or Medium

PHASE 6a — Gap Analysis:
For each target pattern, cross-reference with curriculum files:
- Search curriculum/ for related content (grep by concept name, mechanism keywords)
- Read matching files to understand format, style, and existing coverage
- Identify exact insertion points: file + section + line range
- For Missing: find the core concepts, checklists, and playbooks that should
  teach this new concept. The bar is: 'se um aluno lesse so os core concepts,
  ele sairia sabendo que esse padrao existe e por que importa?'

PHASE 6b — Insertion Plan:
Map every pattern to specific edit locations. Output a plan with:
- File path, section name, line range
- What to add (subsection, checklist item, test case, dataclass, gate, example)
- How it connects to existing content
- For Missing patterns: plan must include subsections in core concepts (not just
  cross-references), checklist items in harness design, and gates in playbooks —
  same depth as Partial Coverage.

PHASE 6c — Executor Prompt:
Build a self-contained prompt for the execution agent. Include:
- Exact `edit` instructions with oldString/newString pairs
- Order of operations (respect pattern dependencies)
- Verification steps after each edit

PHASE 6d — Execute:
Apply all edits to curriculum files. After all edits:
- Run git diff --stat (only curriculum/ files should be modified)
- Verify docs/canonical/ is untouched
- Report summary of changes grouped by classification (Missing vs Partial)

MUST NOT:
- Create new files in curriculum/
- Modify any file in docs/canonical/
- Use write (use edit for surgical insertions)
- Add shallow 1-line cross-references for Missing — Missing merece a mesma
  profundidade que Partial Coverage (subsecoes, exemplos, checklists, gates)
- Commit changes"
)

Gate

• Apenas arquivos em curriculum/ foram modificados (confirmar com git diff --name-only)
• docs/canonical/ nao foi alterado
• Nenhum arquivo novo foi criado no curriculum/
• Formato e estilo de cada arquivo foram preservados
• Missing patterns tem integracao com mesma profundidade que Partial Coverage
• Commit Gate executado apos esta fase (perguntar ao usuario)

---

Anti-Patterns

• Executar fases diretamente em vez de delegar. Toda fase deve ser uma sub-task via task() com categoria adequada — o orquestrador supervisiona, nao executa.
• Pular a Phase 0. Sem modelo mental do repositorio, as fases subsequentes classificam sem contexto e produzem duplicacao.
• Esquecer o bloco TARGET_REPOSITORY em uma delegacao. Sem ele, o sub-agente nao sabe onde escrever outputs nem qual repo commitara.
• Usar paths relativos no TARGET_REPOSITORY ou nos prompts. Sempre use paths absolutos. Sub-agentes podem resolver paths relativos a partir de diretorios de trabalho diferentes, escrevendo arquivos no local errado.
• Pular a classificacao e gerar melhorias sem evidencia do que ja existe. Isso produz duplicacao.
• Criar artefatos para Already Exists. So cross-reference.
• Delegar extracao de padroes para quick. Precisa de ultrabrain — e trabalho de sintese.
• Esquecer o YAML mirror. Toda analise e classificacao deve ter .md + .yaml. O YAML permite consumo programatico futuro.
• Ignorar system-of-record.md. A precedencia importa — nao classifique como Missing sem verificar canonical/ e decisions/.
• Criar exercises sem esqueleto de codigo. O formato do curriculo exige codigo Python com dataclasses e asserts.
• Atualizar system-of-record sem atualizar a data. A data de ultima atualizacao no rodape e o unico sinal de frescor.
• Invocar a skill sem fornecer o parametro source. A skill nao tem como adivinhar qual documento analisar.
• Agregar multiplos sources sem preservar proveniencia. Quando source for array, o analysis.yaml deve incluir meta.original_sources com os paths originais. Sem isso, a rastreabilidade e perdida.
• Executar Phase 6 para Already Exists ou Better Implementation. So cross-reference — o curriculo ja cobre ou supera o padrao.
• Tratar Missing com cross-reference raso na Phase 6. Missing e o gap mais importante — merece a mesma profundidade que Partial Coverage: subsecoes, exemplos, checklists, gates nos modulos existentes.
• Criar arquivos novos no curriculum/ durante a Phase 6. A integracao profunda modifica modulos existentes, nunca cria novos. Exercicios novos sao criados na Phase 4, nao na Phase 6.
• Confundir criacao de arquivos entre Phase 4 e Phase 6. Phase 4 PODE criar novos arquivos (exercises, skills, canonical docs). Phase 6 NUNCA cria novos arquivos — apenas modifica existentes com cirurgico.

---

Verification Gates

Depois de completar as fases (0-5 obrigatorias, 6 executada por default — pode ser pulada):

• O parametro source foi fornecido e validado antes de qualquer execucao
• Se source for array: agregacao produziu arquivo temporario com metadados de proveniencia
• docs/analysis/<date>-<source-slug>/ contem os 4 pares .md+.yaml (mental-model, analysis, patterns, classification)
• docs/analysis/<date>-<source-slug>/<date>-<source-slug>-artifacts.yaml existe e lista todos os artefatos Phase 4
• docs/analysis/<date>-<source-slug>/<date>-<source-slug>-artifacts.md existe e contém Integration Map
• docs/canonical/ contem docs para padroes Missing, P1 e P2
• .opencode/skills/ contem skills para padroes Missing
• curriculum/ contem exercises para padroes Missing
• docs/system-of-record.md reflete o novo estado com data atualizada
• curriculum/INDEX.md lista os novos exercicios (se houver)
• Se Phase 6 executada: apenas curriculum/ foi modificado; docs/canonical/ intocado
• git status mostra apenas arquivos relacionados a essa sessao
• Commit Gate: usuario foi perguntado antes de commitar e antes de dar push
• Commits seguem o estilo type(scope): short description
• Toda delegacao usou task() com categoria adequada — nenhuma fase foi executada inline pelo orquestrador
• Se incremental=true: delta-report.md existe e o modelo anterior foi carregado com sucesso (ou fallback documentado)

---

Reference Implementations

O workflow completo foi executado em duas sessoes no repositorio long-running-agents:

Sessao 1: 12-Factor Agents (2026-06-09)

Fonte: Raw-Knowledge/sources/2026-06-09-12-factor-agents.md (Dex Horthy talk) — single source

Artefatos gerados:

Fase	Arquivos
Mental Model	docs/analysis/2026-06-09-12-factor-agents/2026-06-09-12-factor-agents-mental-model.md + .yaml
Knowledge Extraction	docs/analysis/2026-06-09-12-factor-agents/2026-06-09-12-factor-agents-analysis.md + .yaml
Pattern Extraction	docs/analysis/2026-06-09-12-factor-agents/2026-06-09-12-factor-agents-patterns.md + .yaml
Classification	docs/analysis/2026-06-09-12-factor-agents/2026-06-09-12-factor-agents-classification.md + .yaml
Improvements	docs/canonical/{error-context-hygiene,deterministic-tool-dispatch,owned-agent-control-loop,serializable-pause-resume-state}.md
	.opencode/skills/error-context-hygiene/SKILL.md
	curriculum/.../exercise-04-error-context-hygiene.md
	docs/analysis/2026-06-09-12-factor-agents/2026-06-09-12-factor-agents-integration-roadmap.md (formato legacy)
Integration	docs/system-of-record.md, curriculum/INDEX.md, curriculum/README.md

Resultado da classificacao: 3 Already Exists, 4 Partial Coverage, 1 Missing (Error Context Hygiene)

Nota sobre Phase 6: Na sessao 1, a Phase 6 ainda nao existia. Com a skill v3.0, o padrao Missing (Error Context Hygiene) tambem receberia integracao profunda — subsecao em 01-context-management.md, item no 03-harness-design-checklist.md, e gate no 06-harness-evolution-playbook.md.

Sessao 2: Context Management in Agents (2026-06-10)

Fonte: Multi-source aggregation de 4 arquivos do Raw-Knowledge:

• sources/2026-06-09-how-we-solved-context-management-in-agents.md (video transcript)
• concepts/smart-truncation.md (concept page)
• concepts/long-session-evals.md (concept page)
• entities/alex.md (entity page)

Artefatos gerados:

Fase	Arquivos
Mental Model	docs/analysis/2026-06-09-how-we-solved-context-management-in-agents/2026-06-09-how-we-solved-context-management-in-agents-mental-model.md + .yaml
Knowledge Extraction	docs/analysis/2026-06-09-how-we-solved-context-management-in-agents/2026-06-09-how-we-solved-context-management-in-agents-analysis.md + .yaml
Pattern Extraction	docs/analysis/2026-06-09-how-we-solved-context-management-in-agents/2026-06-09-how-we-solved-context-management-in-agents-patterns.md + .yaml
Classification	docs/analysis/2026-06-09-how-we-solved-context-management-in-agents/2026-06-09-how-we-solved-context-management-in-agents-classification.md + .yaml
Improvements	docs/canonical/{head-tail-context-truncation,addressable-memory-catalog,n-plus-one-long-session-evals,stable-harness-prompt,late-failure-regression-suite}.md
	docs/analysis/2026-06-09-how-we-solved-context-management-in-agents/2026-06-09-how-we-solved-context-management-in-agents-integration-roadmap.md (formato legacy)
Integration	docs/system-of-record.md
Phase 6 (Curriculum)	8 arquivos em curriculum/ modificados (+218 linhas): checklist, core concepts, exercicio windowing, server-side compaction, harness improvements, evolution playbook, rubric template

Resultado da classificacao: 1 Already Exists, 5 Partial Coverage, 1 Better Implementation, 0 Missing

Nota sobre formato: Sessões a partir de 2026-06-14 usam o artifacts manifest (<date>-<source-slug>-artifacts.{md,yaml}) em vez de integration-roadmap.md. O formato e o contrato entre fases evoluíram; o conteúdo (rastreabilidade classificação → artefatos → integração) é preservado.

---

Skill version: 3.2 | Reference sessions: 2026-06-09, 2026-06-10, 2026-06-11