Ryanzucchi/Eldritch_Lich / .agents/skills/extracao-autonoma-relacoes-literarias
extracao-autonoma-relacoes-literarias
VerifiedExtrai automaticamente relacionamentos e fatos de manuscritos usando pipeline multiagente local para popular o grafo do universo.
extracao-autonoma-relacoes-literarias
Descrição
A skill extracao-autonoma-relacoes-literarias realiza a extração não-supervisionada de relacionamentos, eventos e fatos a partir dos rascunhos de manuscritos e notas de worldbuilding do autor. Ela utiliza um pipeline de extração conjunta de entidades e relações acoplado a uma orquestração multiagente local para povoar o Grafo do Universo Ficcional (GUF), prevenindo a multiplicação indesejada de nós redundantes.
Quando usar
Gatilhos concretos e observáveis:
- O escritor importa um arquivo de texto (.docx, .txt, .md) contendo notas de planejamento ou rascunhos de capítulos.
- O autor salva um capítulo concluído no editor.
- O usuário dispara uma ação de "Varredura Automática de Relacionamentos" no painel da wiki ou do grafo.
Quando NÃO usar:
- Para realizar buscas lexicais simples sem extração estruturada de arestas (relação sujeito-verbo-objeto).
- Durante o fluxo de digitação em tempo real (deve rodar de forma assíncrona sob demanda para evitar alta latência e consumo de CPU/GPU).
Pré-requisitos
- Modelo de linguagem local (LLM local de tamanho intermediário, ex: Llama-3-8B quantizado, ou Qwen-2.5-7B) rodando via Triton ou llama.cpp.
- Pipeline de classificação conjunta de entidades e relações (Joint Entity-Relation Extraction).
- Acesso de leitura/escrita ao banco de dados relacional de grafos do romance.
Processo (passo a passo executável)
- Pipeline de Extração Conjunta (Joint Extraction):
- Receber o texto bruto de entrada.
- Executar a predição simultânea de nomes e arestas relacionais por meio do classificador conjunto, gerando triplas temporárias do tipo:
(entidade_1, relacao, entidade_2). Isso evita erros cumulativos (quando o NER erra a marcação da palavra e invalida o detector de relações).
- Orquestração Multiagente (Loop KnoBuilder):
- Instanciar e executar três agentes especializados baseados no LLM local:
- Agente A (Extrator de Lore): Recebe o bloco de texto e gera as triplas e metadados contextuais (tipo de relação, local, tempo narrativo) em formato JSON bruto.
- Agente B (Auditor de Duplicidade): Compara as entidades do JSON geradas pelo Agente A contra os nós já cadastrados no banco de dados local. Se "Arthur de Pendragon" for extraído, mas "Arthur" já existir, unificar as menções sob o mesmo identificador (canonical ID).
- Agente C (Integrador de Grafo): Avalia se as novas triplas contradizem ou duplicam as arestas existentes. Atualiza as quádruplas temporais e salva no banco de dados do romance.
- Instanciar e executar três agentes especializados baseados no LLM local:
- Filtro de Subjetividade Contextual (CTiKG):
- Analisar orações subordinadas e verbos mentais (ex: achar, pensar, sonhar).
- Se o texto indicar uma crença subjetiva (ex: "João acreditava que Lúcia era uma espia"), categorizar a aresta sob a classe
MentalRelationem vez de criar uma aresta factualEspiaDe(Lúcia, FactionX).
Parâmetros e configuração
EXTRACTION_CONCURRENCY_AGENTS: Número de agentes concorrentes rodando no loop de consistência. Padrão:3.SUBJETIVE_VERB_LIST: Lista de verbos que qualificam a aresta como mental/subjetiva. Padrão:["pensar", "achar", "acreditar", "sonhar", "imaginar", "suspeitar"].FUSION_CONFIDENCE_THRESHOLD: Limiar mínimo de similaridade semântica para fusão automática de nós feita pelo Agente B. Padrão:0.80.
Armadilhas e como evitá-las
- Armadilha: Propagação de Nós Duplicados: a extração automática gera dezenas de nós para o mesmo personagem sob apelidos ou variações gramaticais (ex: "Valerius", "Lorde Valerius", "Valerius da Masmorra" tratados como 3 personagens distintos). Mitigação: Bloquear a inserção direta de novas entidades no grafo central sem a aprovação do Agente B (Auditor). Caso a similaridade caia na zona cinzenta ($0.60$ a $0.80$), apresentar uma janela pop-up na UI perguntando ao autor: "Valerius da Masmorra é o mesmo que Lorde Valerius?" antes de atualizar o banco de dados.
Critérios de validação (Definition of Done)
- O pipeline atinge F1-score mínimo de 85% na extração conjunta de triplas literárias sobre os dados do corpus de validação de worldbuilding.
- O loop de unificação do Agente B resolve duplicidades simples em 100% dos testes unitários de integração.
Fundamentação científica
- KnoBuilder (2025) - LLM-Agent for Autonomous KG Construction - NeurIPS NORA 2025
- CTiKG (2026) - Context-aware Entity-Relation Extraction - arXiv 2026
- Chen, Y. et al. (2025) - Joint Entity-Relation Extraction for KG Construction - Applied Sciences 2025
Requisitos do projeto relacionados
- RF-18 (auto-extrair)
- RF-107 (identificar entidades)
- RF-147 (sugerir fusão)
- RF-108 (atualizar entidades)
Maturidade e riscos de adoção
Nível: Emergente. Risco: O processamento multiagente síncrono local via LLM é pesado e pode demorar de 15 a 30 segundos por capítulo longo, consumindo até 6 GB de VRAM. Fallback para v1: Executar a extração de forma puramente linear em background (single-agent), permitindo ao autor revisar e aprovar cada relacionamento sugerido em uma fila de notificações, eliminando o loop de auto-refinamento concorrente.
Exemplos
Entrada:
{
"text": "Arthur suspeitava que seu padastro Morgan havia roubado a chave do cofre da taverna em Dover."
}
Saída esperada:
[
{
"subject": "Morgan",
"predicate": "RelacaoParentesco",
"object": "Arthur",
"is_factual": true
},
{
"subject": "Arthur",
"predicate": "SuspeitaDeRoubo",
"object": "Morgan",
"is_factual": false,
"target_item": "chave do cofre"
}
]
Caso de falha conhecido:
Criar uma aresta factual de roubo Roubou(Morgan, chave_do_cofre) quando o texto expressa apenas uma suspeita subjetiva do personagem Arthur.
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| writing-skillsobra/superpowersUse when creating new skills, editing existing skills, or verifying skills work before deployment | Stars: 322k | Updated | Claude CodeCodex | Verified | Install |
| xlsxanthropics/skillsUse this skill any time a spreadsheet file is the primary input or output. This means any task where the user wants to: open, read, edit, or fix an existing .xlsx, .xlsm, .xltx, .csv, or .tsv file (e.g., adding columns, computing formulas, formatting, charting, cleaning messy data); create a new spreadsheet from scratch or from other data sources; or convert between tabular file formats. Trigger especially when the user references a spreadsheet file by name or path — even casually (like "the xlsx in my downloads") — and wants something done to it or produced from it. Also trigger for cleaning or restructuring messy tabular data files (malformed rows, misplaced headers, junk data) into proper spreadsheets. The deliverable must be a spreadsheet file. Do NOT trigger when the primary deliverable is a Word document, HTML report, standalone Python script, database pipeline, or Google Sheets API integration, even if tabular data is involved. | Stars: 198k | Updated | Claude CodeCodex | Verified | Install |
| shipping-and-launchaddyosmani/agent-skillsPrepares production launches. Use when preparing to deploy to production, or when asking what needs to be in place before shipping. Use when you need a pre-launch checklist, when setting up monitoring, when planning a staged rollout, or when you need a rollback strategy. | Stars: 119k | Updated | Claude CodeCodex | Verified | Install |
| childhoodthedotmack/claude-memBabysit a shipped release after merge, publication, or deployment. Verify published packages, production behavior, installed plugins, and late CI or user reports until the observation window is clean; use babysit for PR readiness before release. | Stars: 118k | Updated | Claude CodeCodex | Verified | Install |