agentleFS
ffidelis16ffidelis16/GEO-OS/AGENTS.md

GEO-OS

AGENTS.md0 starsChanged 5 months agoMITView on GitHub

Manter um sistema operacional modular, auditável e seguro para publicação pública. O repositório deve separar metodologia, execução, evidência, avaliação, otimização e documentação. O repositório funciona em dois modos:

The file

Files
AGENTS.md

AGENTS.md

Objetivo do repositório

Manter um sistema operacional modular, auditável e seguro para publicação pública. O repositório deve separar metodologia, execução, evidência, avaliação, otimização e documentação.

Regras de arquitetura

  • Manter cada skill focada em um único trabalho.
  • Usar skills/ como fonte canônica e .agents/skills/ apenas como camada de descoberta.
  • Usar modules/ para metodologia operacional compartilhada; skills devem apontar para módulos em vez de duplicá-los.
  • Evitar prompts monolíticos, duplicação de regras e dependências pesadas.
  • Preferir instruções em Markdown; usar scripts apenas para comportamento determinístico.
  • Preservar compatibilidade com o padrão Agent Skills: diretório em kebab-case e SKILL.md com name e description.
  • Não criar novos módulos, adapters ou automações sem necessidade demonstrada.

Orquestração

  • Usar geo-os-orchestrator quando o pedido não indicar uma skill única ou permitir mais de uma rota plausível.
  • Tratar o orquestrador como roteador: classificar o pedido, selecionar o menor fluxo suficiente, registrar inputs faltantes e entregar o próximo comando.
  • Selecionar um fluxo principal e adicionar somente skills que desbloqueiem inputs essenciais.
  • Não executar todas as skills por padrão, não duplicar a metodologia das skills executoras e não reescrever conteúdo final.
  • Se o pedido for ambíguo, escolher a rota mais conservadora, marcar a suposição e solicitar apenas o próximo input mínimo.
  • Validar que toda skill e todo template recomendados existem no repositório.
  • Usar o overlay privado apenas como contexto complementar; nunca expor seu conteúdo, caminho ou síntese fechada no output público.

Política de evidência

  • Marcar claims não triviais como [FATO], [INFERÊNCIA], [HIPÓTESE], [RECOMENDAÇÃO] ou [FRAMEWORK PRÓPRIO].
  • Exigir URL ou referência identificável, data de acesso e tipo de fonte para claims técnicos.
  • Priorizar documentação oficial, papers revisados por pares e fontes primárias.
  • Tratar preprints, cursos, relatórios de vendors e estudos observacionais como evidência limitada.
  • Não converter correlação, teste isolado ou opinião de mercado em causalidade.
  • Registrar conflitos entre fontes; não escolher silenciosamente a versão mais conveniente.
  • Em evidence ledgers, registrar confiabilidade da fonte, confiança na relação claim-evidência, uso permitido e risco como campos distintos.

Limites de promessa e ética

  • Nunca prometer ranking, citação, inclusão, recomendação ou tráfego em sistemas de IA.
  • Não apresentar schema, llms.txt, keyword stuffing ou qualquer técnica isolada como garantia.
  • Não recomendar conteúdo oculto, claims sem suporte, avaliações falsas, spam de comunidade ou manipulação adversarial.
  • Comunicar GEO como melhoria de recuperabilidade, selecionabilidade, citabilidade, autoridade e capacidade de mensuração.
  • Informar que outputs de engines são variáveis e que benchmarks são fotografias controladas, não verdades permanentes.

Publicação e privacidade

  • Tratar o repositório como artefato público por padrão.
  • Nunca incluir caminhos pessoais, secrets, tokens, dados identificáveis ou outputs de projetos reais.
  • Não publicar apostilas, slides, prints, transcrições, PDFs, DOCX, PPTX ou imagens de materiais fechados.
  • Fontes privadas podem ser registradas genericamente no source ledger como influência não publicável.
  • Exemplos devem ser fictícios, usar domínios .invalid e declarar seu caráter demonstrativo.
  • Antes de publicar, revisar git ls-files, executar testes, validador e busca por caminhos pessoais.
  • Não criar linguagem de venda, proposta comercial ou promessa de resultado como parte da arquitetura principal.
  • Seguir docs/publishing-notes.md e docs/limitations-and-ethics.md.

Overlay privado local

O repositório funciona em dois modos:

  • Modo público: usar somente arquivos versionados no geo-os. Nenhuma tarefa deve falhar, perder contrato ou produzir resultado incompleto porque o overlay não existe.
  • Modo privado/local: procurar primeiro ../geo-os-private/README.md, usando o repositório privado versionado. Consultar private/README.md somente como fallback de compatibilidade. Se um deles existir, ler suas instruções antes de trabalhos metodológicos extensos.

Regras:

  • Tratar o overlay privado como fonte complementar e opcional, nunca como dependência obrigatória.
  • Não tornar o overlay uma dependência obrigatória em SKILL.md, módulos, templates, scripts ou testes públicos; referências devem limitar-se ao uso opcional e seguro.
  • Tratar qualquer uso do overlay como síntese interna, não como citação pública.
  • Não copiar automaticamente conteúdo, caminhos, números voláteis ou fontes fechadas para outputs públicos ou arquivos rastreados pelo Git.
  • Ao promover conhecimento privado para o núcleo público, criar síntese autoral, registrar a decisão em docs/source-ledger.md e exigir fonte primária para claims técnicos.
  • Seguir docs/private-overlay.md para armazenamento, migração e conferência de publicação.

Contratos das skills

Cada SKILL.md deve conter:

  • name e description no frontmatter;
  • objetivo;
  • quando usar e quando não usar;
  • inputs mínimos e opcionais;
  • processo;
  • outputs;
  • critérios de qualidade;
  • erros comuns.

A descrição deve ser curta, ter escopo claro e permitir acionamento correto. Não duplicar metodologia extensa dentro de todas as skills.

Contratos da camada de conteúdo

  • Criar intent map antes de redigir quando houver múltiplas intenções ou contextos.
  • Não criar answer block com claim bloqueado, sem evidência ou sem uso público permitido.
  • Tratar cada linha do evidence ledger como claim atômico.
  • Em citation engineering, descrever a evidência necessária antes de sugerir uma fonte específica.
  • Manter atribuição próxima ao claim e preservar ressalvas materiais.
  • Usar templates/evidence-ledger.csv, templates/citation-opportunity-map.csv e templates/answer-block-template.md.

Sequência de planejamento estratégico

Usar o seguinte ciclo, adaptando apenas quando o escopo justificar:

  1. Confirmar intent map, entity map e evidence ledger.
  2. Criar um draft do content brief com lacunas explícitas.
  3. Executar topical-authority para cobertura, profundidade e clusters.
  4. Executar competitor-analysis somente com páginas comparáveis.
  5. Consolidar o content brief final.
  6. Executar citation-engineering para claims e provas.
  7. Executar answer-blocks somente com claims liberados.
  8. Validar por revisão humana e benchmark.

Regras:

  • content-brief é o artefato central; topical authority e competitor gaps devem alimentá-lo.
  • Não criar cluster, gap ou ação sem entidade, intenção e evidência observável.
  • Não usar word count, backlinks, ranking ou schema isolados como conclusão competitiva.
  • Toda análise deve registrar data, URLs, suposições, limitações e estados não avaliáveis.
  • Skills estratégicas devem incluir restrições, critérios de qualidade, modos de falha e exemplo.

Sequência da camada de avaliação

Executar avaliação sobre conteúdo fornecido, preservando esta ordem:

  1. Confirmar ativo, versão, intenção, público, entidade e escopo.
  2. Executar extractability-audit para estrutura e autonomia dos blocos.
  3. Executar trust-signal-audit para autoria, fontes, frescor, método e transparência.
  4. Consolidar no geo-scorecard.
  5. Transformar gaps em ações para content brief, citation engineering, answer blocks ou refresh.
  6. Reavaliar somente sob protocolo compatível.

Regras:

  • Auditar antes de produzir recomendações de otimização.
  • Não afirmar crawl, acesso ou inspeção de uma URL quando somente a URL foi fornecida.
  • Toda nota deve ter justificativa e evidência observável.
  • Usar N/A para dimensão não avaliada no scorecard; não converter ausência de input em nota zero.
  • Informar cobertura e denominador ao apresentar score total.
  • Não usar score como probabilidade de ranking, seleção, citação ou tráfego.
  • Recomendações devem indicar problema, evidência necessária, prioridade e resultado esperado.
  • Skills de avaliação devem incluir restrições, critérios de qualidade, modos de falha e exemplo.

Sequência da camada de otimização

Executar otimização como ciclo fechado:

  1. Confirmar ativo, versão, intenção, entidades e auditorias.
  2. Normalizar gaps e registrar origem.
  3. Criar rewrite-plan quando houver intervenção por seção.
  4. Criar content-refresh quando houver manutenção de ativo existente.
  5. Executar schema-opportunity apenas sobre conteúdo visível.
  6. Registrar ações no optimization-cycle-template.md.
  7. Aprovar direção editorial antes de qualquer reescrita final.
  8. Reavaliar sob protocolo compatível.
  9. Decidir entre manter, revisar, expandir ou abandonar.

Regras:

  • Não criar skill ou output de reescrita final nesta camada.
  • Toda ação deve registrar origem do gap.
  • Separar [FATO], [INFERÊNCIA], [HIPÓTESE] e [RECOMENDAÇÃO].
  • Toda ação deve incluir impacto, esforço, prioridade, risco e critério de reavaliação.
  • Não recomendar expansão, consolidação, remoção ou republicação sem justificativa observável.
  • Schema deve corresponder ao conteúdo visível e à documentação oficial aplicável.
  • Não prometer ranking, citação, rich result ou presença em mecanismos generativos.
  • Não criar referência a skill inexistente; usar apenas contratos presentes no repositório.

Rubricas

  • Usar escala ordinal de 0 a 4.
  • Declarar pesos, evidências exigidas, interpretação e limitações.
  • Pontuar somente o que tiver evidência observável.
  • Usar 0 para ausência de evidência, não como sinônimo automático de baixa qualidade.
  • Não comparar scores entre projetos com escopos ou métodos incompatíveis.

Benchmarks

  • Usar prompts versionados, locale, engine, data, condições de execução e repetição.
  • Avaliar critérios de comportamento, não respostas textuais rígidas.
  • Separar presença, citação, suporte da citação, absorção, precisão da entidade e comparação competitiva.
  • Registrar falhas, ausência de busca web e indisponibilidade da engine como dados, sem imputar zero artificial.
  • Nunca inferir evolução a partir de uma única execução.

Validação

Antes de concluir mudanças:

python -m unittest discover -s tests -v
python scripts/validate_output.py --root .

O validador verifica estrutura e contratos de arquivo. Ele não substitui revisão estratégica, checagem factual nem análise humana.

Atualizações

  • Atualizar docs/source-ledger.md ao adicionar ou alterar claims metodológicos.
  • Seguir docs/update-policy.md para mudanças de versão.
  • Documentar mudanças incompatíveis nos contratos de CSV, JSON ou YAML.
  • Atualizar módulos canônicos antes de ajustar skills que dependem deles.
  • O validador não detecta drift semântico entre módulo e skill. Enquanto a consolidação estiver adiada, revisar manualmente a skill correspondente sempre que o processo de um módulo mudar.
  • Revisar content briefs quando intent, evidência, mapa tópico ou cenário competitivo mudar materialmente.
  • Revisar planos de otimização quando gaps, fontes, conteúdo, owners ou critérios de sucesso mudarem.
  • Atualizar CHANGELOG.md e revisar higiene pública antes de cada release.
  • Manter nomes de arquivos em inglês e conteúdo em português brasileiro.

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.