Skip to content

PROJECTS.md

Latest commit

 

History

History
156 lines (112 loc) · 11.2 KB

PROJECTS.md

File metadata and controls

156 lines (112 loc) · 11.2 KB

OpenCode Ecosystem — Painel de Projetos (v4.2.3)

Este documento apresenta o planejamento, o status de desenvolvimento e a rastreabilidade das tarefas do OpenCode Ecosystem v4.6, estruturado na forma de um painel Kanban de Projetos. Cada seção é detalhada didaticamente, associando as atividades aos agentes, skills e diagramas arquiteturais correspondentes.

🗺️ Mapa de Roteiro (Roadmap Visual)

O ecossistema é guiado por uma arquitetura de 6 camadas que conecta desde a infraestrutura de baixo nível até os ciclos evolutivos de IA. Os dois diagramas abaixo fornecem a base visual para as tarefas listadas no painel:

Visão Geral da Arquitetura OpenCode Figura 1: Visão Geral da Arquitetura em 6 Camadas (L1 a L6) 10 Padrões Arquiteturais OpenCode Figura 2: Os 10 Padrões Arquiteturais Mapeados por Camada

📊 Quadro Kanban (Status dos Projetos)

📥 Backlog (Futuro) 📋 A Fazer (To Do) ⚙️ Em Progresso 🔍 Em Revisão (Quality) ✅ Concluído (Done)
[DATA-ORCH-01] Expansão para dados de Saúde e Genômica [MISH-02] Otimização de reconexões SSE no MiroFish Local [CORR-03] Otimização da velocidade de processamento do Corrector CJK [AUD-05] Validação de NashSolver N-Dimensional com 50 indicadores [DI-MIG-01] Migração Completa do Container DI (Fases 1-7)
[VQC-100] Expansão para VQC de 100 Qubits [TS-BRIDGE-02] Roteamento Dinâmico de Eventos no EventBus [EVO-LOOP-04] Mecanismo de Ejeção de Skills Inativas no AutoEvolve [QUAL-A1-09] Auditoria Estatística Cohen's d e Bonferroni no MASWOS [SAN-BOM-02] Limpeza estrutural de arquivos de Agentes (BOM/YAML)
[AGENT-LAW-01] Geração Autônoma de Petições com RAG Jurídico [CLI-05] Interface Gráfica Interativa para o Terminal [LLM-PARSER-01] Substituir parser de keywords por LLM local [HEAL-03] Teste de Resiliência e Autocura com Injeção de Falhas [DIAG-10] Geração e Validação de 10 Diagramas Arquiteturais SVGs
[PYPI-SCOUT-01] PyPI Scout + Catálogo Curado ✅
[DATA-ORCH-00] DataOrchestrator + 10 Hooks ✅

🔍 Detalhamento Didático dos Projetos (Cards & Issues)

Abaixo, cada tarefa importante do quadro é explicada didaticamente, conectando seus objetivos técnicos aos recursos visuais, agentes e skills do ecossistema.

1. ⚙️ Em Progresso — Otimização de Reconexões SSE no MiroFish Local [MISH-02]

  • Status: Em Progresso
  • Objetivo: Resolver o erro ConnectionAbortedError 10053 que ocorre no backend MiroFish quando o painel desconecta abruptamente do fluxo Server-Sent Events (SSE).
  • Explicação Didática: O MiroFish simula um ambiente multiagente baseado na Teoria dos Jogos. O servidor local transmite métricas em tempo real para a interface via SSE. A tarefa foca em implementar um tratamento de exceções robusto no loop assíncrono para liberar os recursos da porta local quando um cliente se desconecta sem finalizar o socket.
  • Agentes Envolvidos: reversa-architect, debugger
  • Skills Utilizadas: reasoning-orchestrator, test-driven-dev
  • Diagrama Arquitetural Associado:
MiroFish & PhD Auditor Pipeline

Figura 3: Pipeline P14-P18 de debate multiagente, integração DocIR e PhD Auditor

2. 🔍 Em Revisão — Validação Estatística de Rigor Acadêmico no MASWOS [QUAL-A1-09]

  • Status: Em Revisão (Quality Gate Final)
  • Objetivo: Auditar os artigos gerados pelo ecossistema para certificar que cumprem o score Qualis A1 (≥ 95/100).
  • Explicação Didática: O pipeline de escrita MASWOS gera o manuscrito e o submete a uma banca simulada (5 revisores e 4 orientadores). O script AUTO_SCORE_QUALIS.py avalia critérios como o tamanho de efeito de Cohen (Cohen's d) e o ajuste de Bonferroni para evitar falsos positivos em testes estatísticos de hipóteses múltiplos. Se o score ponderado for menor que 95, o loop é acionado novamente para correção cirúrgica automática.
  • Agentes Envolvidos: 49 agentes MASWOS (A00-A45, scheduler e revisores)
  • Skills Utilizadas: academic-export-abnt, edicao-cirurgica
  • Diagrama Arquitetural Associado:
MASWOS Academic Pipeline

Figura 4: Os 8 estágios de produção científica com loop de validação

3. 📥 Backlog — Expansão para Variational Quantum Circuits de 100 Qubits [VQC-100]

  • Status: Backlog (Pesquisa de Longo Prazo)
  • Objetivo: Expandir a simulação VQC / QML de 50 qubits para 100 qubits utilizando a otimização de Matrix Product State (MPS) com menor bond dimension.
  • Explicação Didática: Atualmente, o módulo quantum/ processa imagens médicas (dataset HAM10000) com alta precisão simulando 50 qubits quânticos. Para dobrar a quantidade de qubits sem estourar a memória RAM (limitação física do hardware local), é necessário otimizar a contração de tensores do MPS, fixando a dimensão de ligação (bond dimension $\chi$) em no máximo 32 ou 64 e empregando técnicas avançadas de mitigação de erro (Zero-Noise Extrapolation e Probabilistic Error Cancellation).
  • Agentes Envolvidos: quantum-nexus-phd, optimizer
  • Skills Utilizadas: academic-ml-pipeline
  • Definição de Pronto (DoD): Acurácia final no dataset dermatológico ≥ 89.5% e tempo de contração por circuito ≤ 50ms por camada.

4. 📋 A Fazer — Roteamento Dinâmico de Eventos no EventBus [TS-BRIDGE-02]

  • Status: A Fazer (Próxima Sprint)
  • Objetivo: Implementar o roteamento dinâmico de eventos entre componentes TypeScript (plugins) e scripts Python através do barramento de eventos central do Container DI.
  • Explicação Didática: O ecossistema opera em um modelo híbrido (Node.js/Bun e Python). Para que uma alteração no estado gerido por um plugin TS seja notificada instantaneamente ao orquestrador Python (Nexus NMA v6.2), o CommandRegistry e a ponte de infraestrutura do DI precisam mapear dinamicamente os payloads de eventos serializados em JSON sobre sockets IPC ou streams stdio.
  • Agentes Envolvidos: architect, docs-writer
  • Skills Utilizadas: mcp-builder, agentic-mcp
  • Diagrama Arquitetural Associado:
Arquitetura de Comunicação MCP

Figura 5: Arquitetura de comunicação Host-Client-Server via JSON-RPC

5. ✅ Concluído — Migração Completa do Container de Injeção de Dependência [DI-MIG-01]

  • Status: Concluído e Validado (Fases 1 a 7)
  • Objetivo: Centralizar o gerenciamento de estado, cache, barramento de eventos e gerenciamento de skills sob um único container singleton IoC (Inversion of Control).
  • Explicação Didática: Anteriormente, os scripts do Nexus instanciavam de forma isolada e acoplada seus gerentes de contexto (como o SkillManager e PluginManager). A migração implementou o padrão DI, permitindo que qualquer parte do sistema consuma instâncias compartilhadas por meio da factory from_container(), garantindo consistência, facilidade de mock em testes unitários e modularidade máxima.
  • Agentes Envolvidos: reversa-architect, reversa-scout, security-auditor
  • Skills Utilizadas: test-driven-dev, reasoning-orchestrator
  • Resultados: 88/88 testes integrados aprovados e total compatibilidade com códigos legados preservada.

6. ⚙️ Em Progresso — Mecanismo de Ejeção de Skills no AutoEvolve [EVO-LOOP-04]

  • Status: Em Progresso
  • Objetivo: Prevenir o inchaço (context bloat) do modelo base removendo ou migrando para referências externas as skills geradas automaticamente que possuem baixa taxa de ativação.
  • Explicação Didática: O motor manus-evolve.ts gera novas skills em evolution/ a partir de iterações anteriores de sucesso (ciclo PLAN-ACT-REFLECT-EXTRACT-EVOLVE). No entanto, o limite de skills ativas deve ser controlado para não estourar o limite de 2.500 bytes por arquivo. Esta tarefa desenvolve um coletor de lixo (garbage collector) de skills que analisa logs históricos e move as menos utilizadas para arquivos secundários em references/.
  • Agentes Envolvidos: optimizer, docs-writer
  • Skills Utilizadas: token-efficiency, writing-plans
  • Diagrama Arquitetural Associado:
Orquestração de Agentes e AutoEvolve

Figura 6: Ciclo ReAct dos subagentes integrado ao motor evolutivo AutoEvolve

7. ✅ Concluído — Ciclo de Autocura do Ecossistema [HEAL-01]

  • Status: Concluído e Estabilizado
  • Objetivo: Implementar o loop de detecção e autocura contínua de anomalias operacionais (como contaminações CJK e erros de parsing YAML).
  • Explicação Didática: O script self_healer.py atua como um sistema imunológico, rodando varreduras programadas nas configurações do repositório. Ao encontrar anomalias estruturais, ele as resolve por meio de correções cirúrgicas locais, assegurando que o ecossistema mantenha um score de integridade elevado e previna falhas em tempo de execução.
  • Agentes Envolvidos: security-auditor, debugger
  • Skills Utilizadas: token-efficiency
  • Diagrama Arquitetural Associado:
Ciclo de Autocura do Ecossistema

Figura 7: O ciclo de 5 fases da Autocura Contínua

🛠️ Critérios Gerais de Conclusão de Tarefas (Quality Gates)

Para que uma tarefa saia da coluna "Em Revisão" para "Concluído", ela deve passar com sucesso por 4 portões de qualidade (Quality Gates):

  1. G0 — Detecção de Intenção (100%): O barramento de comandos valida que a intenção do comando coincide com o objetivo da tarefa.
  2. GR — Roteamento Adequado (≥ 85%): Os agentes corretos são ativados via Container DI.
  3. GE — Execução Correta (≥ 90%): Testes unitários e funcionais integrados executam sem levantar exceções.
  4. GF — Validação Final (≥ 95%): O PhD Auditor valida a saída sob critérios estatísticos rigorosos e garante que não há qualquer leak de caracteres indesejados.

Ecosystem Project Board v4.2.1 — Documentação gerada dinamicamente com base nas metas do Reversa Framework e do Nexus PhD Strategist.