TRILHA 2

🧱 Técnica I — a base do OS

As três camadas de fundação, o "back of house" do seu OS: Identidade (o arquivo-alma), Substrato & Contexto (o caminhão de lixo em chamas) e Regras & Ganchos (as cercas). Sem essa base estática, os agentes não têm em que se apoiar.

3
Módulos
24
Tópicos
~2.5h
Duração
Intermed.
Nível
0%
0 de 0 tópicos lidos
Habilidades · Ferramentas · Agentes ↑ camadas de ação (Trilha 3) — apoiam-se na base 🪪 1 · Identidade o arquivo-alma (CLAUDE.md) 🗑️🔥 2 · Substrato & Contexto o caminhão de lixo em chamas 🚧 3 · Regras & Ganchos as cercas (sempre/nunca)

Como ler: a base se constrói de cima para baixo no entendimento, mas se empilha como alicerce: Identidade, Substrato e Regras formam o chão estável (em azul) sobre o qual as camadas de ação (em ciano, esmaecidas — Trilha 3) vão se apoiar. Esta trilha cobre só a fundação.

Mapa da trilha

Conteúdo detalhado

2.1
~50 min
0%

🪪 Identidade — o arquivo-alma (CLAUDE.md)

O primeiro arquivo que o OS lê. Quem ele é, a quem serve, o que nunca recusa — enxuto abaixo de 30 linhas, com prático de geração no final.

O que é:

A camada de Identidade mora no CLAUDE.md — o primeiro arquivo que o harness lê, antes de qualquer tarefa.

Por que aprender:

É a peça que mais muda o comportamento por menos esforço; um bom arquivo acerta o tom de primeira.

Conceitos-chave:

Arquivo-alma · lido 1º · Markdown · define o tom.

O que é:

Você, o negócio, o mercado, eventos atuais, preferências e o que sempre/nunca ver. Dado bruto NÃO entra.

Por que aprender:

Misturar identidade com substrato incha o arquivo; saber o limite mantém a alma curta.

Conceitos-chave:

Contexto estável · sempre/nunca · identidade ≠ dados.

O que é:

Manter o arquivo abaixo de ~30 linhas e cortar tudo que não muda o comportamento toda vez.

Por que aprender:

Identidade inchada dilui o sinal e gasta atenção do modelo; curto é decisão de design.

Conceitos-chave:

< 30 linhas · cortar até doer · apontar > colar.

O que é:

Se o OS serve um time, a identidade embute papéis, responsabilidades e limites por função.

Por que aprender:

O mesmo domínio gera identidades diferentes conforme o público; define cedo "você ou time".

Conceitos-chave:

A quem serve · papéis · limites por papel.

O que é:

Um cheat sheet dizendo quando o OS deve dar o benefício da dúvida em tarefas suas e legítimas.

Por que aprender:

Modelos ficam mais julgadores; antecipar recusas evita fricção em toda sessão.

Conceitos-chave:

Cheat sheet · benefício da dúvida · só o legítimo.

O que é:

Um arquivo global com o que é comum a você; cada OS aponta "sempre consulte X" em vez de repetir.

Por que aprender:

Conforme você cresce de 1 para 5 OS, centralizar o comum evita o pesadelo de manutenção.

Conceitos-chave:

Arquivo global · apontar não copiar · 1 ponto de edição.

O que é:

Um estranho lê o CLAUDE.md e descreve o propósito do OS + 1 coisa que ele recusa.

Por que aprender:

"Está bom" é vago; o teste do estranho é um critério objetivo de pronto.

Conceitos-chave:

Teste do estranho · descreve propósito · chat frio.

O que é:

Um prompt pronto que entrevista você em 3 perguntas e escreve um CLAUDE.md enxuto com cheat sheet de recusas.

Por que aprender:

Ler sobre identidade não substitui escrever uma; o prompt vira artefato real em minutos.

Conceitos-chave:

Copy-run · entrevista > despejo · done-check embutido.

Ver Completo
2.2
~55 min
0%

🗑️🔥 Substrato & Contexto — o caminhão de lixo em chamas

Do caos de 500–5.000 arquivos aos nuggets injetáveis: organizar antes da IA, colher o tácito, destilar com um modelo workhorse.

O que é:

Você começa com 500–5.000 arquivos caóticos de tipos variados; o Substrato transforma o caos em referência.

Por que aprender:

A maioria liga a IA em cima do caos e se frustra; aceitar e tratar o caos com método é o diferencial.

Conceitos-chave:

Substrato vs contexto · 500–5.000 arquivos · design.

O que é:

Mini engenharia de dados: separe por tipo de arquivo e depois por idade (recente vs antigo).

Por que aprender:

A qualidade do OS é limitada pela do Substrato; organizar primeiro multiplica tudo depois.

Conceitos-chave:

Mini eng. de dados · por tipo · por idade.

O que é:

Colher o que falta para criar o especialista dos sonhos — de YouTube, experts, leis, advogados.

Por que aprender:

O que você já tem raramente basta; harvesting fecha a lacuna de propósito.

Conceitos-chave:

Harvesting · especialista dos sonhos · fontes externas.

O que é:

O saber de prática, raramente escrito: atalhos, exceções, "o que dá errado" — que o modelo genérico não tem.

Por que aprender:

É o tácito que faz o OS parecer especialista e não chatbot; é o teste do não-genérico.

Conceitos-chave:

Tácito vs explícito · exceções · não-genérico.

O que é:

Agregar fontes num compendium.md (referência destilada) e playbooks (como se faz X).

Por que aprender:

É o formato em que o conhecimento vira utilizável; um bom playbook é quase uma Skill.

Conceitos-chave:

Compêndio · playbook · pergunta-objetivo (done-check).

O que é:

Pasta raw/ (cru, guardado) vs synthesized/ (nuggets). Injete só os nuggets.

Por que aprender:

É o padrão que se repete em todo domínio; injetar o cru estoura a janela e encarece.

Conceitos-chave:

raw/ · synthesized/ · despensa vs prato pronto.

O que é:

Um modelo barato (ex.: Gemini Flash) rodando em loop por todos os arquivos para destilar nuggets.

Por que aprender:

Destilar à mão não escala e usar o topo-de-linha é desperdício; o par barato+loop viabiliza o volume.

Conceitos-chave:

Workhorse · em loop · humano no loop.

O que é:

Prompt que varre raw/ com o workhorse e escreve um nugget por arquivo em synthesized/.

Por que aprender:

É o coração operacional do Substrato; generalizado, vira a skill "knowledge harvester".

Conceitos-chave:

raw/ intacto · 1 nugget/arquivo · compendium.md.

Ver Completo
2.3
~55 min
0%

🚧 Regras & Ganchos — as cercas

Regra = sugestão forte; gancho = determinístico. Reflex hooks, settings.json com deny de escrita, pre-commit de PII e o done-check do pior erro.

O que é:

Uma sugestão forte ao modelo — a placa "não entre". Não-determinística: pode escorregar.

Por que aprender:

Saber que regra é "mole" calibra a confiança e reserva os ganchos para o que não pode falhar.

Conceitos-chave:

Regra · não-determinística · boa p/ preferências.

O que é:

A porta trancada: sempre faz ou nunca deixa fazer, sem depender do julgamento do modelo.

Por que aprender:

PII, dinheiro e escrita em banco não podem depender de o modelo "lembrar".

Conceitos-chave:

Gancho · sempre/nunca · onde dói.

O que é:

Mover as linhas "sempre/nunca" do CLAUDE.md inchado para uma pasta rules/.

Por que aprender:

A base cresce sem virar bagunça: identidade enxuta, regras auditáveis.

Conceitos-chave:

Graduar · always/never · mover > duplicar.

O que é:

Um mecanismo que dispara na hora: subiu PII (SIN, cartão) pro GitHub? Ação bloqueada na hora.

Por que aprender:

Os erros mais caros são silenciosos; o reflexo torna "espero que não" em "não pode".

Conceitos-chave:

Reflex hook · PII · reflexo > memória.

O que é:

Banir comandos de escrita do Bash (ex.: nunca escrever numa tabela), salvo override explícito.

Por que aprender:

É onde "nunca escreva aqui" deixa de ser texto e vira regra de máquina — alto retorno.

Conceitos-chave:

settings.json · permissions.deny · salvo override.

O que é:

Um verificador que roda antes de cada commit e barra o envio se achar PII.

Por que aprender:

Backup sem guarda é porta de vazamento; o pre-commit deixa você versionar tranquilo.

Conceitos-chave:

Pre-commit · barra o commit · + .gitignore.

O que é:

Nomeie o pior erro do domínio, escreva-o como never-rule clara e reforce com 1 reflexo determinístico.

Por que aprender:

Critério acionável em 5 minutos: a pergunta certa, na dose certa (texto + gancho).

Conceitos-chave:

Pior erro · never-rule · cerca dupla.

O que é:

Um settings.json pronto que nega comandos de escrita e adiciona um PreToolUse hook (exit 2 bloqueia).

Por que aprender:

Transforma a teoria das cercas em proteção real, em minutos — o "1 reflexo" do done-check.

Conceitos-chave:

permissions.deny · PreToolUse · exit 2 · override.

Ver Completo