agentleFS
otavioserraotavioserra/conn2flow/.github/skills/c2f-ai-features/SKILL.md

c2f-ai-features

Skill5 starsChanged 2 months agoMITView on GitHub

Implemente e revise recursos de IA no Conn2Flow Pro: provedores unificados, créditos, modos, isolamento de dados, renderização segura e validação de respostas. Use ao integrar IA em módulos do produto.

Files
SKILL.md

Recursos de IA no Conn2Flow Pro

⚡ Gatilho Obrigatório

  • TRIGGER: Implementar ou revisar recursos de IA em módulos do Conn2Flow Pro.
  • SKIP APENAS SE: A tarefa não integra nem altera recursos de IA do produto.
  • CONSEQUÊNCIA DE IGNORAR: Cobrança duplicada, exposição de dados sensíveis e renderização insegura de respostas.

Origem: BL-028, REQ-067 / BATCH-069 (2026-10-09). Antes de implementar, confira a biblioteca conn2flow/gestor/bibliotecas/ia-provedores.php, os hooks e os recursos do módulo real. Exemplos vivos: conn2flow-site/gestor/modulos/ai-assistant/, ai-agents/ e ai-writer/. Nomes de caminhos partem das respectivas raízes; não confunda a matriz com o core.

Oito pilares

  1. Provedor unificado. Chame ia_provedor_gerar_texto($servidor, $pedido, $tempo = 120) ou ia_provedor_gerar_imagem($servidor, $pedido, $tempo = 180). Informe recurso e referencia no pedido. Módulos não fazem HTTP direto à LLM nem duplicam o adaptador. Trate status, message e bloqueado conforme a biblioteca vigente.
  2. Créditos pelos hooks. O ponto ia-provedores usa o filtro pedido.autorizar antes da chamada e a ação pedido.concluido depois, com status/uso. O módulo não debita novamente. Confira que o controle de créditos do Pro está registrado: o core pode executar sem hooks e o wrapper registra exceções sem bloquear por si só; o callback que exige recusa em falha deve implementá-la. Nunca suponha cobrança automática em instalação sem a integração.
  3. Modos editáveis, segurança fixa. A regra de escrita reside em ai_modes com alvo do módulo editável no painel. Permissões, limites, sanitização e privacidade continuam no código e não podem ser removidos por modo editável. Use o sistema de recursos e variáveis para instruções/rótulos configuráveis.
  4. Isolamento de dados. Envolva o contexto da tela entre <dados> e </dados>, com instrução fixa para nunca obedecer comandos encontrados nesse bloco. Trate delimitadores vindos do usuário para impedir fechamento antecipado. O envelope não substitui autorização, seleção mínima de campos e validação de saída.
  5. Renderização segura. Resposta nunca entra como HTML cru. Crie nós de texto no DOM; se o produto permitir formatação, aplique whitelist de tags/atributos no servidor e cliente, com teste de paridade e conteúdo adversarial. Não use innerHTML com resposta não sanitizada.
  6. Telemetria sem conteúdo bruto. Registre usuário/contexto permitido, recurso, referência, provedor/modelo, tokens e status. Não persista prompt, texto gerado, chave ou resposta_completa em logs de uso. Inspeções de validação usam dados mascarados e retenção restrita.
  7. Degradação graciosa. Exercite falta de servidor/provedor, falta de créditos, recusa, timeout e erro. A tela comunica a condição usando variáveis e mantém as ações independentes de IA; verificações locais do guarda continuam. Não invente uma resposta bem-sucedida.
  8. Dados sensíveis e banco. Não leia senha/hash para o contexto; masque e-mail e nome de usuário, que também pode ser e-mail. Libere a conexão MySQL antes da espera com ia_provedor_banco_soltar(); o HTTP unificado já chama essa função. Aplique a mesma disciplina a outro pedido HTTP longo e confira persistência após reconexão.

Validação antes da entrega

Siga project-validation: inspecione pedido mascarado e resposta real, com critérios sustentados pela fonte; use tela com menu, usuário com nome em formato de e-mail e componente criado depois do hook. Verifique permissões, conteúdo hostil, créditos e ausência de texto bruto na telemetria. Fixtures são removidas no finally, com confirmação da limpeza. Sem provedor acessível, registre testes com dublê e o caminho real não exercitado, sem atribuir homologação real.

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.