Traduza para pt: AGENTS.md Esquema para Bases de Conhecimento Compiladas por LLM com Camada de Aprendizado

Um desenvolvedor publicou o AGENTS.md v1.0, um padrão de esquema para construir bases de conhecimento pessoal compiladas por LLM usando o Claude. A abordagem envolve colocar fontes brutas em uma pasta e fazer com que o Claude compile artigos conceituais, backlinks e arquivos de índice diretamente em markdown sem RAG ou bancos de dados vetoriais.

Detalhes do Esquema

O arquivo AGENTS.md é versionado e contém 14 seções que abrangem layout de diretório, fluxos de trabalho de compilação, fluxos de trabalho de consulta, fluxos de trabalho de linting, camada de aprendizagem, regras de qualidade e mitigação de contaminação. Quando colocado em qualquer diretório, o Claude o lê no início de cada sessão para entender como estruturar o wiki, nomear arquivos, fazer linting para contradições, lidar com níveis de confiança e evitar contaminar o wiki com saída de agente de baixa qualidade.

Adição da Camada de Aprendizagem

Além do fluxo de trabalho de arquivo original de Karpathy, esta implementação adiciona uma camada de aprendizagem onde o Claude gera automaticamente flashcards de cada artigo conceitual que escreve. Ele mantém uma fila de revisão por repetição espaçada usando o algoritmo FSRS e rastreia lacunas de conhecimento detectadas durante o linting.

Implementação do Claude Code

O desenvolvedor usou o Claude Code para:

• Iterar no esquema AGENTS.md em dezenas de sessões até que o comportamento do agente fosse consistente
• Escrever todos os 50 arquivos do repositório, incluindo modelos, documentação e um wiki de exemplo trabalhado sobre alinhamento de IA
• Detectar inconsistências no esquema, como diferenças nas convenções de caminho de frontmatter entre a especificação e os artigos de exemplo
• Compilar o wiki de exemplo trabalhado (5 artigos conceituais, flashcards, fila de revisão, rastreador de lacunas) em uma única sessão

Conteúdo do Repositório

O repositório do GitHub inclui:

• Especificação AGENTS.md v1.0
• Modelos para cada tipo de arquivo (conceito, resumo, tópico, flashcard, relatório de linting, relatório de saída)
• Wiki de exemplo trabalhado totalmente preenchido com o tópico de alinhamento de IA
• Documentação cobrindo por que não usar RAG, design da camada de aprendizagem, mitigação de contaminação e caminho de fine-tune

O projeto é licenciado sob MIT e está disponível para desenvolvedores que trabalham com agentes de codificação de IA para estruturar e dominar suas bases de conhecimento pessoal.