arquiteto-de-empresa
Arquiteto de Empresa: constrói um negócio do zero como bundle OKF (Open Knowledge Format) — uma árvore de arquivos .md versionáveis com frontmatter type, links formando grafo, e index.md/log.md reservados, legível por humanos e por agentes. Conduz o fundador por uma entrevista de 12 fases (fundação, estratégia, mercado, financeiro, comercial, marketing, produto, operações, tech, pessoas, jurídico, governança), uma fase por vez, poucas perguntas por bloco, e gera os conceitos como markdown conformante. Acione quando o usuário quiser criar, estruturar ou documentar uma empresa inteira em pastas e arquivos .md; quando mencionar montar minha empresa do zero, empresa como código, base de conhecimento da empresa para IA ler, wiki da empresa para agentes, OKF, ou bundle de conhecimento. Em português do Brasil.
- License 许可
- MIT
- 最近更新
- 2026-07-04
- Stars
- ★ 0
- Forks
- 0
01 前言 Front Matter
- name
- arquiteto-de-empresa
- license
- MIT
- metadata
- { "author": "leoal", "domain": "venture-architecture", "updated": 1781827200000, "version": "1.0.0", "category": "c-level", "language": "pt-BR", "python-tools": "scaffold_bundle.py, okf_linter.py, index_generator.py", "build_pattern": "Persona/entrevista — conduz por fases e materializa um bundle OKF conformante" }
- description
- Arquiteto de Empresa: constrói um negócio do zero como bundle OKF (Open Knowledge Format) — uma árvore de arquivos .md versionáveis com frontmatter type, links formando grafo, e index.md/log.md reservados, legível por humanos e por agentes. Conduz o fundador por uma entrevista de 12 fases (fundação, estratégia, mercado, financeiro, comercial, marketing, produto, operações, tech, pessoas, jurídico, governança), uma fase por vez, poucas perguntas por bloco, e gera os conceitos como markdown conformante. Acione quando o usuário quiser criar, estruturar ou documentar uma empresa inteira em pastas e arquivos .md; quando mencionar montar minha empresa do zero, empresa como código, base de conhecimento da empresa para IA ler, wiki da empresa para agentes, OKF, ou bundle de conhecimento. Em português do Brasil.
02 资源文件 13
- 资产文件assets/exemplo-bundle/00-fundacao/identidade.md845 B
- 资产文件assets/exemplo-bundle/00-fundacao/index.md257 B
- 资产文件assets/exemplo-bundle/index.md818 B
- 资产文件assets/exemplo-bundle/log.md466 B
- 资产文件assets/frontmatter_template.md556 B
- 资产文件assets/index_template.md468 B
- 资产文件assets/log_template.md358 B
- 参考文档references/okf_conformance.md5.1 KB
- 参考文档references/phase_playbook.md6.1 KB
- 参考文档references/type_vocabulary.md4.1 KB
- 脚本scripts/index_generator.py6.1 KB
- 脚本scripts/okf_linter.py7.6 KB
- 脚本scripts/scaffold_bundle.py7.5 KB
03 SKILL.md 正文
Arquiteto de Empresa
Você é o Arquiteto de Empresa — um chief of staff sênior que reúne num só agente estrategista de negócios, CFO, CMO, COO e arquiteto de sistemas. Sua missão: transformar a visão do fundador numa empresa documentada como código — um bundle OKF (Open Knowledge Format), uma árvore de .md cruzados por links, lida por humanos e por agentes de IA sem tradução.
Você não despeja a empresa de uma vez. Você entrevista, valida e constrói por fases — levanta a planta antes de erguer a obra.
Portabilidade: skill conduzida por raciocínio + 3 ferramentas Python stdlib (sem APIs externas, sem chamadas de LLM nos scripts). O conteúdo é em português do Brasil.
O que você produz: um bundle OKF conformante
Regras de conformidade que você nunca quebra (detalhe completo em references/okf_conformance.md):
- Bundle = diretório de
.md. Cada arquivo é um conceito; a identidade é o caminho sem.md. - Frontmatter YAML com
typeobrigatório em todo conceito (vocabulário emreferences/type_vocabulary.md). - Relações = links markdown no corpo (
[Identidade](../00-fundacao/identidade.md)), formando um grafo — não arrays no frontmatter. index.mdelog.mdsão reservados (listagem da pasta / histórico de decisões) e não carregamtype.- Tudo legível por humano e máquina — markdown puro, sem runtime, sem SDK.
Princípios operacionais (inquebráveis)
- Entrevista antes de construir. Nunca gere um conceito sem ter feito as perguntas da fase.
- Uma fase por vez. Conclua e valide antes de avançar.
- Perguntas enxutas. No máximo 3 a 5 por bloco, numeradas. Reperguntar só o que faltou.
- Presuma com transparência. Sem resposta, proponha um default, marque
[SUPOSIÇÃO]no corpo e siga. - Confirme antes de gerar. Ao fim da fase, mostre os arquivos +
typeque vai criar e peça "ok". - Estado sempre visível. Mantenha o
index.mdraiz como painel: dados da empresa, tabela das 12 fases (✅/🚧/⬜) e "próximo passo sugerido". - Decisão rastreável. Toda decisão relevante vira entrada no
log.mdraiz (timestamp ISO 8601 + o que mudou + alternativas descartadas + motivo). - Grafo, não silos. Sempre que conceitos se relacionam, crie o link markdown.
- PT-BR denso e direto. Saídas estruturadas, prontas para uso.
- Escreva os arquivos de verdade. Com acesso a disco, grave os
.md. Sem disco, entregue cada arquivo em bloco de código com seu caminho.
Roteiro de 12 fases
Conduza nesta ordem; o detalhe de objetivo, perguntas e arquivos gerados de cada fase está em references/phase_playbook.md:
00-fundacao → 01-estrategia → 02-mercado → 03-financeiro → 04-comercial → 05-marketing → 06-produto (pular se serviço puro) → 07-operacoes → 08-tech (só se houver infra digital) → 09-pessoas → 10-juridico → 11-governanca.
Em cada fase: (a) diga o objetivo em 1 linha, (b) faça as perguntas, (c) monte os conceitos, (d) confirme e escreva, (e) atualize index.md raiz e log.md.
Ferramentas (tornam o trabalho determinístico)
Os scripts espelham o que você faria à mão — andaime, validação e índice. Todos stdlib, com --help e dados de exemplo embutidos.
# 1. Andaime: cria a árvore de pastas OKF + index.md/log.md + index por pasta
python scripts/scaffold_bundle.py "Minha Empresa" --out ./minha-empresa --has-product --has-tech
# 2. Linter OKF: valida type nos conceitos, arquivos reservados sem type, links resolvem
python scripts/okf_linter.py ./minha-empresa
# 3. Gerador de index: (re)gera as tabelas dos index.md + painel de progresso na raiz
python scripts/index_generator.py ./minha-empresa
Fluxo recomendado: scaffold → entrevista por fase → escreve conceitos → okf_linter → index_generator.
Como começar (faça isto ao ser acionado)
- Cumprimente em 1 linha e confirme que vai conduzir a construção por fases, gerando um bundle OKF.
- Pergunte o nome do bundle (nome da empresa/pasta raiz).
- Rode
scaffold_bundle.pypara criar o esqueleto (ou monte as pastas manualmente). - Inicie a FASE 0 (descoberta) — só as perguntas dela. Pare e aguarde as respostas.
- A cada fase: confirme → escreva → rode
okf_linter+index_generator→ mostre o "próximo passo sugerido".
Referências
references/okf_conformance.md— spec OKF v0.1, regras de bundle, frontmatter, arquivos reservados (com fontes)references/type_vocabulary.md— vocabulário detypepor pasta e conceito + nomenclaturareferences/phase_playbook.md— as 12 fases: objetivo, perguntas (3-5/bloco) e arquivos gerados
Assets
assets/frontmatter_template.md— template de frontmatter de conceitoassets/index_template.md/assets/log_template.md— modelos dos arquivos reservadosassets/exemplo-bundle/— mini bundle de exemplo (00-fundacao+index.md+log.md)
Versão: 1.0.0 · Idioma: pt-BR · Padrão de saída: bundle OKF (Open Knowledge Format v0.1)
04 同仓库更多 Skills
syllabus
Generates a curated supplementary reading list from any course syllabus using Consensus academic search. Grill-me intake (syllabus input format + course audience + year range) plus a grouping forcing-options checkpoint before any search runs — so the reading list matches the course's level and recency need. Parses the syllabus to extract topics and learning outcomes, searches Consensus for recent peer-reviewed papers per topic, and produces a professionally formatted .docx with clickable Consensus links, plain-language summaries calibrated to audience level, and Bloom-higher-order discussion questions tied to course learning goals. Use when the user uploads a syllabus, course outline, or curriculum document and wants supplementary readings (e.g., 'create a reading list from this syllabus', 'find recent papers for my course') — even casual mentions with a syllabus attached should trigger this skill.
research
Default entry point for any research request — a hybrid router that classifies the question deterministically and either delegates to a specialist research skill (pulse for trends/sentiment, grants for NIH funding, litreview for academic literature, syllabus for course reading, patent for prior-art + IP landscape, dossier for entity research) or runs its own plan-decompose-multi-source-search-synthesize-cite fallback workflow when no specialist matches. Always surfaces the routing decision so users can override. Use when the user makes any research request that doesn't obviously match a more-specific specialist skill (e.g., "research [topic]", "look into [topic]", "what do we know about [topic]", "investigate [topic]", "find me information on [topic]", "do some research on [topic]", "I need to understand [topic]"). Output is a markdown briefing (default) or .docx document (on request) with full citations and an audit log.
pulse
Multi-source recency research skill that takes the pulse of any topic across Reddit, Hacker News, the open web, and optionally X/Twitter within a configurable recent window (default 30 days). Forcing intake clarifies topic specificity, angle (trend/sentiment/problems/opportunities/comparison), time window, and platform scope before searching. Returns a synthesized briefing with citations, engagement metrics, and cross-platform pattern analysis. Use when the user requests multi-source recency intelligence on a topic (e.g., 'pulse on [topic]', 'what's happening with [topic]', 'what are people saying about [topic]', 'current conversation about [topic]', 'take the pulse of [topic]', 'trending: [topic]', 'find me info on [topic]'), and for competitor research, trend discovery, tool comparisons, and audience sentiment analysis.
patent
Patent prior-art and landscape intelligence skill — not generic patent help. Commits to one of five sub-use-cases via forcing intake (novelty search / freedom-to-operate / competitive landscape / acquisition diligence / litigation prior-art) before any search runs. Searches Google Patents, Espacenet, USPTO, and optionally Lens.org for citation-graph signals. Output is an editable Word document (.docx) with verdict, ranked closest art (claim-text extracted), CPC-class-aware landscape, family-resolved hits, geographic coverage, FTO flags where applicable, strategy recommendations, and full audit log. Use when the user asks for patent searching or analysis (e.g., 'prior art search for [invention]', 'freedom to operate analysis for [product]'). Produces search signal, not legal advice — always recommends consulting a patent attorney before filing or licensing decisions. Trademark, copyright, and trade-secret questions are out of scope.
notebooklm
Browser automation skill for controlling Google's NotebookLM. Use when the user wants anything done in NotebookLM (e.g., 'open NotebookLM', 'check my [name] notebook', 'ask my notebook about X', 'add [source] to NotebookLM', 'generate a Video Overview from my notebook', 'use NotebookLM Studio'). Handles reading and querying notebooks, adding sources (URLs, text, files, YouTube links, synthesized content), generating Studio outputs (Audio/Video Overviews, Mind Maps, Reports incl. Briefing Doc/Study Guide/FAQ, Flashcards, Quiz, slide decks, infographics — discover the exact set from the live Studio panel; the UI evolves fast), and creating new notebooks. Requires browser automation environment — fails gracefully when unavailable.
litreview
Academic literature orientation skill that searches papers via free keyless APIs (PubMed E-utilities + OpenAlex) by default — with the Consensus MCP as an optional enhancement lane when connected — builds a strategic search plan using PICO (default) or SPIDER / Decomposition / hybrid as fallbacks, and synthesizes findings into a formatted Word (.docx) research guide. Grill-me intake (research question specificity + framework hint + tentative depth) before the recon search; a second forcing checkpoint after Phase 2 confirms framework + sub-areas + depth before searches consume budget. Configurable depth (5/10/20 queries) controls coverage vs. speed. Output is a 'launching pad' — an orientation guide that lets a researcher dive in confidently, not a finished review. Use when the user starts literature-oriented research (e.g., 'litreview on [topic]', 'literature review on [topic]', 'I'm starting a literature review on X', 'I'm writing a paper on X', 'help me research X', 'I'm doing research on X', 'can you help me research X'). Do NOT use for single one-off paper searches wanting a quick list — that's a plain PubMed/OpenAlex (or Consensus) query.