📚 Camada de Conhecimento

Arquivo .md ou tabela com KPIs/resumo de uma área. Pré-processado para o agente.

É a ponte entre dado bruto e agente útil — sem ela, agente alucina lendo PDFs.

Resumo estruturado, KPI, contexto pronto.

vendas.csv, campanhas.xlsx, contratos.pdf → financeiro.md, marketing.md → leitura do agente.

Define onde o pré-processamento mora.

ETL, summarization, freshness.

Resumo executivo, KPIs, alertas, oportunidades, perguntas em aberto.

Padrão evita reinventar a roda toda semana.

Template, schema implícito, frescor.

Numbers e KPIs vêm de Python (sem LLM). Texto e narrativa vêm do agente.

LLM não soma — Python soma.

Deterministic compute, hallucination prevention.

Cada Silver Platter tem TTL e timestamp. Stale platters são marcados.

Dado velho mata análise.

TTL, timestamp, regeneration trigger.

Wiki Markdown persistente compilada incrementalmente pelo agente — entidades, contradições, sínteses.

É o futuro dos Silver Platters: vivos, evolutivos.

Incremental synthesis, entity pages, cross-links.

Bancos, sistemas, APIs, planilhas vivas, Drive, Notion, integrações.

Mapa do que existe ANTES de qualquer agente.

Source of truth, freshness, ownership.

Onde dado bruto vira Silver Platter — limpeza, agregação, sumarização.

É a fábrica do contexto.

ETL, sumarização, normalização.

Onde a informação preparada vira brief, decisão, alerta, automação executada.

Sem Plate, dado não vira ação — só relatório.

Outcome, brief, decision support.

Diagrama com 3 colunas: pantry, prep, plate. Conexões entre dados, processos, saídas.

Visual elimina ambiguidade.

Data flow diagram, ownership, latency.

Pantry (fresh), Prep (1h-1dia), Plate (segundos).

Identifica quem precisa cron, quem precisa real-time.

Latency, freshness budget, batch × stream.

Marco (Shopify+Meta+CSV → KPIs → brief). Sally (iManage+Outlook → case scaffold). Sana (EHR → biopsy summary).

Ver o método aplicado ancora o aprendizado.

Domain-specific kitchen, persona-driven design.

Processo reutilizável com entrada, passos, saída e exemplos. Slash command no Claude Code.

É a forma de não pedir tudo do zero toda vez.

SOP, slash command, declarative behavior.

Sequência de passos que sempre funciona. Resultado da iteração.

Sem critical path, agente perde tempo procurando.

Happy path, error branches, idempotência.

name, description, instructions, when_to_use, examples — markdown estruturado.

Padronização permite reuso e auditoria.

Frontmatter, declarative, examples-driven.

Você nunca termina uma skill — itera. Cada erro é insumo para melhorar.

Mentalidade certa evita "uma e pronto".

Living document, error → improvement.

Claude Code Skills (.skill.md), OpenAI Agent Skills (Codex). Conceito convergente, sintaxe diferente.

Suas skills devem rodar onde você precisar.

Portability, convergence, vendor difference.

Cada skill tem casos-exemplo com saída esperada. Eval automatizado quando possível.

Skill sem teste regride silenciosamente.

Eval, regression, fixture.

Protocolo padronizado para conectar agentes a tools, dados e prompts externos.

Sem MCP, cada integração é custom — não escala.

Server, client, transport, capability.

Anthropic (origem), OpenAI (mar/2025), Google DeepMind (abr/2025), Cursor, Windsurf, Zed, JetBrains.

Não é hype. É padrão consolidado.

Multi-vendor, governance (Linux Foundation), adoption curve.

MCP server expõe capacidades. Agente é client. Transport: stdio, SSE, HTTP.

Saber quando usar stdio (local), SSE (cloud).

Stdio, SSE, HTTP, JSON-RPC.

Tools (ações), resources (leitura de dados), prompts (templates reutilizáveis).

Saber qual usar para qual caso evita anti-padrões.

Tool × resource × prompt, idempotência.

Centenas de servers oficiais e da comunidade — instalação em 1 comando.

Evita reescrever integrações conhecidas.

Server marketplace, composability.

Use mcp-builder skill ou SDK Python/TypeScript. Ideal para sistemas internos.

Empresa séria tem dados internos — MCP server é o jeito.

SDK, FastMCP, custom server.

Prompt engineering era para 1 prompt → 1 resposta. Agente faz centenas de chamadas — outra disciplina.

Quem fica em prompt engineering perde a era atual.

Multi-turn, agent loop, evolution.

Cada token na janela compete por atenção. Cada token custa.

Janela inflada perde sinal e queima dinheiro.

Token budget, attention dilution, recency.

Em vez de mandar tudo, mande paths. Agente carrega sob demanda via Read.

Reduz custo + aumenta foco.

Lazy loading, file pointers, retrieval.

Sumarizar tool outputs longos, comprimir histórico, descartar ruído.

Sessão longa sem compactação degenera.

Summarize, prune, post-compaction hook.

Anthropic mantém prefixo do prompt em cache por 5 min — desconto de 90%.

Saber organizar contexto em ordem cacheable.

Cache breakpoint, stable prefix, hit rate.

Right context, right time, right format. Three Rs do context engineering.

Heurística que cabe na cabeça.

Right-time × right-amount × right-format.

Memória precisa hierarquia, paths, permissões, TTL — características de filesystem.

Sem essa estrutura, memória vira pilha desorganizada.

Hierarchy, paths, ACL, TTL.

Core memory (in-context = RAM), archival memory (indexada = disco), recall memory (histórico).

É a implementação acadêmica mais rigorosa.

Core × archival × recall, swap-in/out.

~/.claude/CLAUDE.md, projeto/CLAUDE.md, subpasta/CLAUDE.md. Cascata.

Mapeia direto para filesystem hierárquico.

Cascade, scope, override.

Agente compila memória em wiki Markdown — entidades, contradições, sínteses, cross-links.

Memória que se enriquece sozinha.

Incremental, entity-graph, contradiction tracking.

Embeddings + vector DB para busca semântica em arquivos grandes.

Quando filesystem hierárquico não basta.

Embedding, similarity, hybrid search.

Cada item de memória tem dono, escopo, expiração e quem pode ler.

É o que separa memória de poluição.

TTL, scope, ACL, ownership.