---

⭐ Se o Data Agents foi útil para você, deixe uma estrela — ajuda o projeto a crescer!

📋 Índice

• O que é o Data Agents?
• Arquitetura
• Início Rápido
• Agentes Especialistas
• Comandos Disponíveis
• Protocolo DOMA & Workflows Colaborativos
• Migração de DW On-Premise para Databricks
• Catalog Intelligence
• Ontology Engineer
• Knowledge Base de Indústria
• Confiabilidade e Proteção de Qualidade
• Plataformas e MCPs
• Camada de Proteção
• Sistema de Memória
• Interfaces
• Qualidade e CI/CD
• Configurações Avançadas
• Sobre o Autor
• Licença

---

O que é o Data Agents?

Data Agents é um sistema multi-agente construído sobre o Claude Agent SDK da Anthropic com integração nativa via Model Context Protocol (MCP) ao Databricks e Microsoft Fabric. Em vez de um único assistente genérico, o sistema orquestra 14 agentes especialistas que operam diretamente nas suas plataformas de dados, cada um com seu domínio de conhecimento, ferramentas e regras corporativas declarativas.

---

Arquitetura

Você envia uma mensagem — seja pelo terminal, pela interface web ou com um comando slash. O Supervisor lê a solicitação, consulta as bases de conhecimento do projeto, planeja a solução e delega para os agentes especialistas certos. Cada agente usa as ferramentas MCP para operar diretamente no Databricks ou no Microsoft Fabric e devolve o resultado para o Supervisor consolidar.

O Supervisor nunca escreve código ou acessa dados diretamente — ele coordena. Os especialistas executam.

---

Início Rápido

# 1. Clone e entre no diretório
git clone git@github.com:ThomazRossito/data-agents.git && cd data-agents

# 2. Crie o ambiente
conda create -n data-agents python=3.12 && conda activate data-agents

# 3. Instale dependências
pip install -e ".[dev,ui,monitoring]"

# 3a. (Opcional) Habilitar Ontology Engineer — rdflib + owlready2
pip install -e ".[ontology]"

# 4. Configure credenciais (escolha uma)
make bootstrap         # wizard interativo: cria .env mínimo em ~2 min
cp .env.example .env   # ou copie e edite manualmente com suas chaves

# 5. Smoke test end-to-end (só precisa de ANTHROPIC_API_KEY, ~$0.005)
make demo

# 6a. Web UI (Chainlit + Monitoring)
./start.sh             # http://localhost:8503 (Chat) + http://localhost:8501 (Monitoring)

# 6b. Terminal
python main.py         # ou: make run

Primeira vez? make bootstrap && make demo valida seu setup em <5 minutos, sem precisar configurar Databricks ou Fabric.

Credenciais no .env

Variável	Obrigatória	Plataforma
ANTHROPIC_API_KEY	Sim	Claude API
DATABRICKS_HOST, DATABRICKS_TOKEN	Não	Databricks
AZURE_TENANT_ID, FABRIC_WORKSPACE_ID	Não	Microsoft Fabric
DATABRICKS_GENIE_SPACES	Não	Databricks Genie (Conversational BI)
FABRIC_SQL_LAKEHOUSES	Não	Fabric SQL Analytics Endpoint
KUSTO_SERVICE_URI	Não	Fabric Real-Time Intelligence (KQL)
TAVILY_API_KEY	Não	Busca web
GITHUB_PERSONAL_ACCESS_TOKEN	Não	GitHub MCP
FIRECRAWL_API_KEY	Não	Web scraping
POSTGRES_URL	Não	PostgreSQL MCP
MIGRATION_SOURCES	Não	Migration Source MCP (SQL Server/PostgreSQL de origem)
TIER_MODEL_MAP	Não	Override de modelo por tier (T1/T2/T3)

O sistema ativa automaticamente apenas as plataformas com credenciais configuradas. context7 e memory_mcp são ativados sempre, sem credenciais.

---

Agentes Especialistas

Agente	Comando	Tier	O que faz
Supervisor	/plan	—	Coordena, planeja e valida tudo contra a Constituição
Business Analyst	/brief, /ship	T3	Converte reuniões e briefings em backlog P0/P1/P2; gera SHIPPED docs
SQL Expert	/sql	T1	SQL (Spark SQL, T-SQL, KQL), schemas, Unity Catalog; auto-revisão de DDL/DML
Spark Expert	/spark	T1	PySpark, Delta Lake, pipelines Medallion
Pipeline Architect	/pipeline	T1	ETL/ELT, orquestração, cross-platform Databricks ↔ Fabric
dbt Expert	/dbt	T2	dbt Core: models, testes, snapshots, seeds, docs
Data Quality Steward	/quality	T2	Validação de dados, profiling, alertas, SLAs
Governance Auditor	/governance	T2	Auditoria de acessos, linhagem, PII, LGPD/GDPR
Semantic Modeler	/semantic, /genie	T2	DAX, Direct Lake, Genie Spaces, AI/BI Dashboards; Genie Health Check
Catalog Intelligence	/catalog	T2	Documenta catálogo com AI, calcula Data Maturity Score, Business Value Engine e alinhamento a indústria
Migration Expert	/migrate	T1	Assessment e migração de SQL Server/PostgreSQL para Databricks ou Fabric (Medallion); auto-revisão de DDL
Python Expert	/python	T1	Python puro: pacotes, automação, APIs, CLIs, testes, pandas/polars
Ontology Engineer	/ontology	T2	Design de ontologias OWL 2, import/export de arquivos OWL/RDF/Turtle no Fabric OneLake, conversão entre formatos, triples → Delta Lake
Business Monitor	/monitor	T2	Q&A interativo sobre alertas emitidos pelo daemon de monitoramento (scripts/monitor_daemon.py)
Geral	/geral	T0	Respostas conceituais diretas — zero MCP, ~95% mais barato

Refresh de Skills é um script independente — python scripts/refresh_skills.py (não é mais um agente).

Party Mode — Múltiplos Especialistas em Paralelo

O comando /party convoca 2 a 8 agentes simultaneamente para a mesma pergunta. Cada um responde de forma independente, com sua perspectiva de domínio.

/party qual a diferença entre Delta Lake e Iceberg?
# → sql-expert + spark-expert + pipeline-architect respondem em paralelo

/party --quality como garantir qualidade em dados incrementais?
# → data-quality-steward + governance-auditor + semantic-modeler

/party --engineering como processar um CSV de 10 GB com eficiência?
# → python-expert + spark-expert + pipeline-architect

/party --migration como avaliar complexidade de migração de SQL Server?
# → migration-expert + sql-expert + spark-expert

/party --full explique o Unity Catalog
# → todos os 8 agentes especialistas (T1 + principais T2)

---

Comandos Disponíveis

Comando	Descrição
/sql <query>	SQL direto para o sql-expert
/spark <tarefa>	PySpark/DLT direto para o spark-expert
/pipeline <tarefa>	Pipeline ETL direto para o pipeline-architect
/dbt <tarefa>	dbt Core direto para o dbt-expert
/quality <tarefa>	Qualidade de dados direta
/governance <tarefa>	Auditoria e governança direta
/semantic <tarefa>	Modelagem semântica direta
/migrate <fonte> para <destino>	Assessment e migração de banco relacional para Databricks/Fabric
/python <tarefa>	Python puro direto para o python-expert
/ontology <tarefa>	Web semântica: design OWL 2, import/export OneLake, conversão de formatos, triples → Delta
/monitor <pergunta>	Q&A sobre alertas do daemon de monitoramento de negócio
/genie <tarefa>	Criar/atualizar Genie Spaces no Databricks
/dashboard <tarefa>	Criar/publicar AI/BI Dashboards no Databricks
/catalog comments <schema>	Gera comentários de AI para tabelas e colunas de um schema
/catalog scan [schema]	Calcula Data Maturity Score (0–100, A–F) e exporta relatório em output/catalog/
/catalog discover [schema]	Descobre casos de uso de negócio para tabelas existentes
/catalog industry <schema>	Alinha tabelas a KPIs e casos de uso da indústria detectada
/catalog value [schema]	Business Value Engine: ranking de tabelas por valor com custo estimado de downtime
/brief <texto>	Converte transcript/briefing em backlog estruturado
/ship <feature>	Gera SHIPPED doc — decisões, trade-offs e próximos passos de uma feature entregue
/plan <objetivo>	Planejamento completo com thinking habilitado (8k tokens)
/review <artefato>	Review de código ou pipeline
/party <query>	Multi-agente paralelo (flags: --quality, --arch, --engineering, --migration, --full)
/workflow <wf-id> <query>	Executa workflow colaborativo pré-definido (WF-01 a WF-05) com context chain
/fabric <tarefa>	Pipeline Architect com foco em Microsoft Fabric
/geral <pergunta>	Resposta direta sem Supervisor — mais rápido e barato
/health	Status das plataformas configuradas
/status	Estado da sessão atual
/memory <query>	Consulta à memória persistente (/memory clear para limpar com confirmação)
/mcp [filtro]	Status em tempo real dos MCP servers — quais estão ativos e quais precisam de credenciais
/eval [all]	Histórico de avaliações de qualidade das sessões (1–5 estrelas)
/sessions [all|<id>]	Lista sessões registradas (transcript + checkpoint)
/resume [last|<id>]	Retoma sessão anterior reconstruindo contexto do transcript
/export	Exporta o histórico da sessão para HTML (abra no browser → Cmd+P para PDF)

---

Protocolo DOMA & Workflows Colaborativos

O Protocolo DOMA (Data Orchestration Method for Agents) é o método de 7 passos que o Supervisor segue para toda tarefa complexa — de KB-First até Validação final. Os Workflows Colaborativos (WF-01 a WF-05) encadeiam agentes automaticamente para projetos end-to-end, desde pipelines Bronze→Gold até migrações relacionais para a nuvem.

---

Migração de DW On-Premise para Databricks

O fluxo de migração orquestra 7 fases em sequência — do briefing inicial ao relatório de divergências — usando os agentes certos em cada etapa. As fases 4/5 rodam em paralelo (governança + pipeline, semântica) e a fase 6 é iterativa por domínio (Low → Medium → High). O atalho /workflow WF-05 encadeia tudo automaticamente.

---

Catalog Intelligence

O agente catalog-intelligence transforma catálogos de dados brutos em ativos documentados, avaliados e alinhados ao negócio. Opera sobre Unity Catalog (Databricks) e Fabric Lakehouse.

Comandos /catalog

Subcomando	O que entrega
comments	Comandos COMMENT ON TABLE/COLUMN prontos para aplicar — granularidade, PII, Medallion layer
scan	Data Maturity Score em 5 dimensões (Catalogação, Qualidade, Governança, Performance, Adoção) com notas A–F e plano de ação priorizado; exporta output/catalog/scan_<schema>_<date>.md
discover	Casos de uso de negócio inferidos a partir de tabelas existentes cruzados com as KBs de indústria
industry	Mapa tabela → caso de uso → KPI com gaps identificados (o que está faltando para cobrir os use cases da vertical)
value	Business Value Engine — ranking de tabelas por score 0–100 (acesso, usuários, dependências, criticidade, Medallion) e estimativa de custo de downtime em R$/h

/catalog scan production.silver
# → 📊 Score: 69/100 (C) + relatório exportado em output/catalog/scan_silver_2026-04-30.md

/catalog value production.gold
# → 💰 fct_transactions: Score 94/100 | Downtime est.: R$ 48.000/h

/catalog industry production.silver
# → 🏭 Verticais detectadas: Financial Services | 3 use cases cobertos, 2 com gap

---

Ontology Engineer — Web Semântica no Fabric

O agente ontology-engineer traz suporte a OWL 2 (Web Ontology Language) ao ecossistema de dados — design de ontologias de domínio, import/export de arquivos para o Microsoft Fabric OneLake e integração com Delta Lake para consultas SQL sobre grafos semânticos.

Escopo atual: OWL 2. Roadmap: SKOS → SPARQL endpoint → SHACL → Linked Data.

O que o agente faz

Tarefa	O que entrega
Design de ontologia	T-Box em Turtle: classes, properties, axiomas, namespace canônico https://ontologia.empresa.com.br/<dominio>/, rdfs:label pt/en
Import — arquivo local	Valida (zero ERRORs obrigatório) → normaliza para Turtle → upload OneLake → notebook Spark → Delta ontology_triples com schema canônico
Import — ontologia pública	Busca com Tavily → scrape com Firecrawl → valida → upload em Files/ontologies/raw/ (namespace original preservado)
Import — item nativo Fabric	Descobre via list_items (tipo Ontology) → inspeciona com get_item_schema → exporta via Spark lendo Delta do Lakehouse gerado automaticamente
Export (Fabric → arquivo)	Reconstrói grafo rdflib a partir do Delta → serializa em Turtle, RDF/XML, N-Triples ou JSON-LD
Conversão de formatos	.owl → .ttl → .nt → .jsonld — valida que nenhum triple é perdido na conversão
Validação	Detecta namespace placeholder (ERROR), owl:Thing como range (ERROR), owl:Ontology/versionInfo/labels ausentes (WARN)
Views SQL	Gera vw_ontology_classes, vw_class_hierarchy, vw_ontology_labels sobre o Delta de triples

Fabric Ontology Nativo

O Fabric tem um tipo de item nativo Ontology (criado pela UI do Fabric). Quando criado, ele provisiona automaticamente: Lakehouse (<nome>_lh), SQL Endpoint, GraphModel (<nome>_graph) e opcionalmente um SemanticModel. O agente sabe descobrir e exportar esses itens — use list_items (não onelake_list_files).

Exemplo de uso

/ontology crie uma ontologia OWL para o domínio de RH com as classes Employee,
Department e Role, e gere o notebook Spark para ingestão no Fabric.

O agente: (1) cria o Turtle com namespace https://ontologia.empresa.com.br/hr/, (2) valida com zero ERRORs, (3) faz upload para Files/ontologies/domain/ via MCP OneLake, (4) gera o notebook Spark completo com schema canônico (graph, loaded_at), (5) cria as views SQL.

Infraestrutura

• Bibliotecas: rdflib>=7.0, owlready2>=0.47 — instalar com pip install -e ".[ontology]"
• Armazenamento: OneLake Files (Files/ontologies/) + Delta Table ontology_triples com colunas subject, predicate, object, graph, datatype, lang_tag, source_file, loaded_at
• MCPs usados: fabric_official (OneLake file ops + workspace items), fabric_community (descoberta), context7 (docs rdflib), tavily/firecrawl (ontologias públicas W3C, OBO, Schema.org)
• Escalação: spark-expert para notebooks em escala, governance-auditor para propriedades PII

---

Knowledge Base de Indústria

O sistema inclui 10 verticais de indústria com casos de uso, schemas de referência, KPIs e anti-padrões específicos — consultadas pelos agentes antes de qualquer análise:

Vertical	Domínio de Conhecimento
Financial Services	Crédito (ECL/PD/LGD), AML/KYC, IFRS 9, Churn, NBO, Open Finance
Retail	Demand Forecasting, RFM, Dynamic Pricing, Omnichannel
Manufacturing	OEE, Manutenção Preditiva, SPC, S&OP, IoT
Healthcare	Readmissão, Sepse, Leito Inteligente, Sinistralidade ANS
Energy	Smart Meter Analytics, SAIDI/SAIFI (ANEEL), Oil & Gas Upstream, Geração Renovável
Telecom	CDR Analytics, Churn, Network KPIs (ANATEL), ARPU, Fraude SIM Swap
Agribusiness	Monitoramento de Safra, Mark-to-Market, EUDR/RTRS, Carbon Credits
Insurance	Pricing GLM/ML, Detecção de Fraude, IBNR, Telemática UBI, SUSEP
Logistics	OTIF, Track & Trace, Gestão de Frota, Acuracidade de Inventário, CTe/ANTT
Education	Early Warning de Evasão, LMS Analytics, Inadimplência, NPS Acadêmico, LGPD+ECA

Cada KB inclui esquemas SQL comentados com boas práticas de PII, checklists de anti-padrões com severidade e benchmarks regulatórios locais (ANEEL, ANATEL, SUSEP, BACEN, INEP, MEC).

---

Confiabilidade e Proteção de Qualidade

Failover de Modelo em Três Camadas

Quando um modelo está sobrecarregado ou retorna rate limit, o sistema degrada automaticamente:

Opus → Sonnet → Haiku

Detectado por padrões: rate limit, overloaded, 529, too many requests, throttle. O failover ocorre na mesma sessão sem interromper o fluxo — o usuário vê um aviso e a resposta continua com o modelo alternativo.

Auto-Revisão de DDL (LLM-as-Reviewer)

O sql-expert executa 10 verificações antes de entregar qualquer DDL/DML:

• Bloqueia DROP sem confirmação explícita do usuário
• Rejeita UPDATE/DELETE sem WHERE
• Substitui SELECT * por colunas explícitas + LIMIT 1000
• Alerta para tabelas > 1GB sem particionamento
• Mascara PII detectada em exemplos e comentários

O migration-expert executa 10 verificações específicas de migração:

• Converte FLOAT/REAL para DECIMAL(19,4) em colunas monetárias
• Remove IDENTITY/SERIAL (Delta não usa auto-increment)
• Normaliza DATETIMEOFFSET/TIMESTAMPTZ para UTC
• Adiciona _ingestion_date e _source_system no Bronze
• Garante namespace completo catalog.schema.table

Genie Health Check

O semantic-modeler inclui um playbook de 20 verificações para Genie Spaces:

Dimensão	Checks	O que avalia
Cobertura	4	Tabelas e campos mapeados no Space
Qualidade	4	Comentários, sinonímia, curated questions
Calibração	4	Queries geradas vs. esperadas, SQL correto
Governança	4	RLS, PII, acesso restrito
Adoção	4	DAUs, query volume, feedback negativo

Score 0–100 com nota A–F e plano de ação corretiva por dimensão.

---

Plataformas e MCPs

O sistema conecta diretamente às plataformas via Model Context Protocol (MCP):

MCP	Plataforma	Principais capacidades
databricks	Databricks	SQL, listagem de tabelas, clusters, jobs, model serving
databricks_genie	Databricks Genie	Conversational BI, espaços Genie
fabric	Microsoft Fabric	REST API, workspaces, itens, pipelines
fabric_official	Microsoft Fabric (OneLake)	OneLake file ops — upload/download/list/delete — e API specs oficiais (npx @microsoft/fabric-mcp, auth via az login)
fabric_sql	Fabric SQL Analytics	Queries diretas ao Lakehouse via TDS (resolve limitação do schema dbo da REST API)
fabric_rti	Fabric RTI	KQL, Kusto, Real-Time Intelligence
fabric_community	Fabric	Linhagem de dados, dependências entre itens
fabric_semantic	Power BI / Fabric	Introspecção de Semantic Models: TMDL, DAX, RLS, relacionamentos
context7	Docs de bibliotecas	Documentação atualizada de qualquer lib — ativo automaticamente (sem credenciais)
tavily	Web	Busca web para LLMs
github	GitHub	Repos, issues, PRs
firecrawl	Web	Scraping estruturado de páginas
postgres	PostgreSQL	Queries readonly em bancos externos
memory_mcp	Local	Knowledge graph persistente de entidades — ativo automaticamente (sem credenciais)
migration_source	SQL Server / PostgreSQL	Conexão direta ao banco de origem — DDL, views, procedures, functions, stats

---

Camada de Proteção

Hooks automáticos protegem todas as operações:

Hook	Proteção
security_hook	Bloqueia 22 padrões destrutivos (DROP, rm -rf, git reset --hard, force push, etc.)
check_sql_cost	Bloqueia SELECT * sem WHERE ou LIMIT
audit_hook	Registra todas as chamadas de ferramentas em JSONL (6 categorias de erro)
cost_guard_hook	Classifica operações por custo (HIGH/MEDIUM/LOW) e alerta após 5 HIGH
output_compressor	Trunca outputs verbosos para não desperdiçar contexto
context_budget_hook	Alerta a 80% e 95% do limite de contexto por agente
workflow_tracker	Rastreia delegações, Clarity Checkpoint e cascade PRD→SPEC
memory_hook	Captura contexto da sessão para memória persistente
session_logger	Registra métricas finais de custo/turns/duração por sessão
transcript_hook	Persiste transcript completo por sessão em logs/sessions/<id>.jsonl (append-only) — usado pelo /resume
checkpoint	Save/restore automático do estado da sessão
session_lifecycle	Injeção de memórias no início, config snapshot ao encerrar

---

Sistema de Memória

Arquitetura multi-camada com custo de retrieval zero (sem chamada LLM).

Camada	Backend	Função
Short-term	SQLite + FTS5 (TTL 3 dias)	Captura contexto da sessão atual
Long-term	SQLite + FTS5 + embeddings opcionais	Índice persistente de memórias compiladas
Ledger	JSONL + HMAC-SHA256	Audit log tamper-proof de todas as tool calls
Knowledge Graph	memory_mcp/	Grafo de entidades nomeadas (tabelas, pipelines, decisões)

Pipeline: sessão → memory_hook captura → ShortTermMemory (SQLite) → flush → extractor (Haiku) → MemoryStore (arquivos .md) → LongTermMemory (índice FTS5) → MemoryManager.inject_context() → injetado no prompt do Supervisor.

Retrieval: BM25 lexical via FTS5 + rerank por cosine similarity quando fastembed instalado. Sem chamada Sonnet lateral — latência < 5ms, custo $0.

MEMORY_ENABLED=true
MEMORY_RETRIEVAL_ENABLED=true
MEMORY_CAPTURE_ENABLED=true

# Embeddings semânticos locais (opcional — requer pip install ".[memory]")
SHORT_TERM_EMBEDDER_ENABLED=false
LONG_TERM_EMBEDDER_ENABLED=false

---

Interfaces

Web UI Chainlit (porta 8503)

Interface com steps expandíveis em tempo real mostrando cada delegação e tool call. Dois modos: Data Agents (sistema completo) e Dev Assistant (Claude direto com ferramentas de código).

Use /export em qualquer momento para baixar o histórico completo da sessão como HTML formatado — abre no browser com Cmd+P (macOS) ou Ctrl+P (Windows/Linux) para salvar como PDF.

./start.sh              # Chainlit (8503) + Monitoring (8501)
./start.sh --chat-only  # somente Chainlit

Dashboard de Monitoramento (porta 8501)

9 páginas: Overview, Agentes, Workflows, Execuções, MCP Servers, Logs, Configurações, Custo e Tokens. Novidades: tier badge nos cards de agentes, WF-05 nos workflows, download CSV, timezone configurável e indicador de freshness.

./start.sh --monitor-only

---

Qualidade e CI/CD

make lint             # ruff check + format
make type-check       # mypy
make test             # pytest com cobertura mínima 80%
make health-databricks
make health-fabric

CI (push/PR): lint + format + mypy + pytest (cobertura 80%) + bandit security scan CD (tags): deploy via Databricks Asset Bundles

---

Configurações Avançadas

Variável	Default	Descrição
DEFAULT_MODEL	claude-sonnet-4-6	Modelo do Supervisor
MAX_BUDGET_USD	5.0	Limite de custo por sessão (USD)
MAX_TURNS	50	Limite de turnos por sessão
TIER_MODEL_MAP	{}	Override de modelo por tier — ex: {"T1": "claude-opus-4-6", "T2": "claude-sonnet-4-6", "T3": "claude-sonnet-4-6"} (T0 não deve constar — protege o Haiku do geral)
TIER_TURNS_MAP	T0=3, T1=20, T2=12, T3=5	Override de número máximo de turns por tier
TIER_EFFORT_MAP	high/medium/low	Nível de raciocínio por tier (high, medium, low)
INJECT_KB_INDEX	true	Injeção automática de KBs nos agentes
IDLE_TIMEOUT_MINUTES	30	Reset automático por inatividade
MEMORY_ENABLED	true	Sistema de memória persistente
CONSOLE_LOG_LEVEL	WARNING	Nível de log no terminal (WARNING oculta logs operacionais)
SKILL_REFRESH_INTERVAL_DAYS	3	Intervalo de refresh das Skills
AGENT_PERMISSION_MODE	bypassPermissions	acceptEdits para pedir confirmação antes de writes

---

Manual Técnico Completo

Manual_Relatorio_Tecnico_Projeto_Data_Agents.md

---

Sobre o Autor

Thomaz Antonio Rossito Neto — Data & AI Solutions Architect | Specialist @ CI&T · Databricks & Microsoft Fabric Partner CoE

Com 8+ anos em Engenharia e Arquitetura de Dados, atua na intersecção entre Big Data, Arquitetura Lakehouse e Agentic AI — aplicando agentes autônomos e GenAI no ciclo completo de dados: pipelines, discovery, migrações, governança e orquestração autônoma. Certificado 10x (Databricks 5x · Azure 4x · AWS 1x).

Projetos open-source:

• 🤖 Data Agents — framework de orquestração multi-agente para dados corporativos com 14 agentes especialistas, integrações nativas Databricks + Fabric via MCP e protocolo DOMA
• 🧭 SifTools — engenharia de contexto via pruning semântico de tools por embeddings: entrega exatamente os MCPs que cada agente precisa, sem custo extra de inferência → github.com/ThomazRossito/siftools

"Dados sem estratégia são apenas ruído. Agentes sem governança são apenas caos."

---

Licença

MIT License