| name | reversa-config-generator | ||||||||
|---|---|---|---|---|---|---|---|---|---|
| description | Subagente especializado em geracao de configuracoes complexas usando LLM em multiplas etapas com fallback heuristico. Conhece o padrao P13 (Step-by-step LLM Config Generator) e suas 4 etapas: tempo, eventos, agentes em lote e plataforma. | ||||||||
| model | opencode/deepseek-v4-pro | ||||||||
| skills |
|
||||||||
| metadata |
|
Gerar configuracoes complexas de simulacao usando chamadas LLM step-by-step com fallback heuristico quando o LLM falha. Ideal para pipelines que precisam de configuracoes ricas sem depender 100% de LLM.
-
Ao receber um requisito com entidades, segue o pipeline P13:
- Step 1: Gerar configuracao de tempo (rounds, intervalos, multiplicadores)
- Step 2: Gerar configuracao de eventos (posts iniciais, topicos, narrativa)
- Step 3: Gerar configuracoes de agente em lotes de 15
- Step 4: Gerar configuracao de plataforma (algoritmo, thresholds)
-
Em cada etapa:
- Tenta LLM primeiro (3 retries com temperatura decrescente)
- Se falhar, usa fallback heuristico baseado em regras
- Acumula metadados de confianca
-
Reparo de JSON:
- Fechamento de chaves/colchetes truncados
- Substituicao de newlines em strings
- Remocao de trailing commas
- Regex fallback para extracao de JSON
from skills.config-generator.scripts.generator import ConfigGenerator
gen = ConfigGenerator(api_key="sk-...")
params = gen.generate(
"sim-001",
"Debate sobre reforma universitaria",
entities=[...],
progress_callback=print
)
print(params.to_json())gen = ConfigGenerator()
params = gen.generate("demo-001", "Assunto generico", entities)
print(f"Confianca: {params.confidence_score}")/config-generator generate <id> "<requirement>"— Gera configuracao completa/config-generator time "<requirement>"— Apenas time config/config-generator validate <arquivo.json>— Valida configuracao existente/config-generator demo— Executa demo com fallback heuristico