🗄️ Pantry do Marco — Onde os dados moram
Antes de qualquer agente existir, você precisa saber onde cada dado vive. Marco tem dados espalhados em 5 fontes diferentes — mapeá-las explicitamente é o pré-requisito zero de todo Agentic OS. Sem esse mapa, o agente trabalha no escuro.
🗺️ Mapa de fontes do Marco
Pedidos, SKUs, receita por produto. Atualiza em tempo real. Owner: Marco.
Campanhas, ROAS, CPM, audiência. Freshness: 1h delay. Owner: agência.
Mensagens de chat, donações, whales identificados. Freshness: live.
P&L consolidado, custo de mercadoria, margem. Freshness: semanal.
💡 Dica prática — Source Mapping Canvas
Antes de escrever uma linha de CLAUDE.md, faça este inventário em papel:
📊 Por que o mapa importa antes do agente
Marco perdia 3h/semana porque não tinha automação — mas a causa raiz era que os dados estavam em formatos incompatíveis e sem ciclo de atualização definido. O agente só funciona se souber onde buscar e com qual frequência. Source mapping é o trabalho de design que precede todo o código.
🍽️ Prep Table — Silver Platters do Marco
Com as fontes mapeadas, o próximo passo é criar os Silver Platters: arquivos Markdown pré-processados que alimentam os agentes com contexto pronto. Marco tem 4 Silver Platters semanais que rodam toda segunda-feira às 5h da manhã.
📋 Os 4 Silver Platters da SlabHaus
P&L da semana: receita bruta, custo de mercadoria, margem por SKU tier, comparativo vs semana anterior. Gerado pelo Python aggregator via QuickBooks API.
ROAS por canal (Meta/TikTok), CPM, top 3 criativos, audiências que converteram. Puxado via API das plataformas.
Estoque por SKU tier, velocidade de saída, alertas de ruptura. Fonte: Shopify + planilha de compras.
Top mensagens de whales no chat, reclamações, pedidos de SKU. Extraídas via Twitch API + filtro NLP.
💡 Weekly cadence — o ciclo certo
Silver Platters não são ETL. São resumos curados para LLMs. A diferença: um ETL preserva dados brutos; um Silver Platter já pré-interpreta, normaliza vocabulário e remove ruído. O Python aggregator roda em cron e deposita os .md em /resumos/semanal/.
⏰ Plate — Brief das 6h (Segunda automática)
O coração do sistema de Marco: um cron que roda toda segunda às 6h e entrega um relatório consolidado no Telegram antes de Marco tomar café. Três agentes especializados colaboram para produzir esse relatório em menos de 4 minutos.
🔄 Fluxo de segunda às 6h
📊 Resultado: 3h manuais → 4 minutos
Marco recebia o brief às 6h04. O tempo de 3h que ele gastava compilando planilhas virou 0. Mais importante: a qualidade do relatório aumentou — os agentes identificam anomalias que Marco não pegava manualmente por causa do viés de confirmação.
🎮 /pre-stream prep — Skill antes da live
Além do relatório semanal, Marco tem uma skill acionada manualmente: /pre-stream prep. Rodada 30 minutos antes de cada live, ela gera o playbook completo da transmissão — estoque disponível, top whales esperados, mensagens de alta-performance passadas.
📝 Output da /pre-stream prep
# Playbook Live — Segunda 20h
## Estoque Disponível
- Tier Gold: 47 unid. | Tier Platinum: 12 unid. | Tier Diamond: 3 unid.
## Top Whales Esperados
- @GamerKing99: histórico R$2.4k, prefere Platinum. Última compra: -14d
## Alerta de Estoque
- Diamond acabará em ~8 min de live se taxa de sexta-feira se repetir.
💡 Skill vs Script — por que importa
Um script Python produz saída estática. Uma skill com LLM interpreta contexto, adapta o formato, e evolui conforme o CLAUDE.md é atualizado. Marco adicionou uma seção de "análise de sentimento das mensagens" ao CLAUDE.md semanas depois — a skill incorporou automaticamente sem reescrita.
🐳 Análise de Whales — Pergunta vira cadeia
Marco queria saber: "Whale tier vale o custo do pull garantido?" Essa pergunta simples aciona uma cadeia completa de orquestração — o caso de uso mais sofisticado do sistema e o que melhor demonstra o poder do modelo multi-agente.
🔗 Question → Chain → Synthesis
"Whale tier vale o custo do pull garantido esta semana?"
LTV médio de whales (R$8.2k), custo de pull garantido (R$400/unid), margem resultante (38%). Conclusão: viável se LTV > 3 meses.
Retenção de whales (87% em 6 meses), taxa de evangelismo (1 whale traz 2.3 mid-tiers), impacto de chat engagement.
"Sim, vale. ROI 3 meses: 6.2x. Recomendo manter tier. Ação: add 15 unid no pull desta semana."
📊 Por que o padrão multi-agente brilha aqui
Um único agente generalista responderia com menos profundidade. Dois especialistas (CFO + CMO) trabalhando em paralelo produzem análises independentes que o orquestrador sintetiza. Conflitos entre as análises ficam explícitos e Marco pode decidir com mais informação.
📈 Resultado e Iteração — 4 semanas depois
Quatro semanas após a implantação completa, os resultados de Marco foram documentados. O mais importante não é o ROI pontual — é que o sistema continuou evoluindo sozinho, com Marco adicionando novos agentes conforme identificava novos gargalos.
📊 Métricas após 4 semanas
💡 O sistema que evolui sem intervenção
Na semana 3, Marco percebeu que precisava de suporte durante a live. Em vez de contratar um assistente, ele criou um Live Support Agent — um agente que monitora o chat em tempo real e sinaliza whales entrando, estoque baixo, e mensagens que merecem resposta ao vivo. Esse agente não existia no plano inicial. O Agentic OS é expansível por design.
✅ Resumo do Módulo 6.1
Próximo módulo: Caso Sally Tan — boutique law firm. Mesma metodologia, contexto radicalmente diferente: M&A small-cap, compliance corporativa e AWS Bedrock para dados que não podem sair da conta AWS.