Doc Idea Miner

Doc Idea Miner

Transforma um documento longo e denso numa lista de ideias publicáveis, cada uma já com o material bruto necessário para virar conteúdo: o ângulo, a tensão, o insight e — crucialmente — a citação/dado âncora tirada do próprio documento.

A razão de existir: ler um PDF de 80 páginas e "ter boas ideias" é trabalho que se perde se não for estruturado. Uma ideia solta ("falar sobre prescrição") não vira conteúdo; uma ideia ancorada ("o STJ fixou que o prazo só corre da ciência inequívoca — pág. 12 — isso contraria o que 90% dos contratos assumem") vira. Esta skill força a segunda forma.

Quando usar

• O usuário tem um documento extenso (jurídico, técnico, acadêmico) e quer extrair pautas/ideias de conteúdo.
• O usuário quer "aproveitar" um material denso para redes sociais, newsletter, vídeos.
• Como estágio 1 do horus-conteudo-pipeline (orquestrador). Pode rodar sozinha.

Não use para: resumir um doc curto (faça direto), gerar o post final (isso é o multicanal-formatter), ou pesquisar um tema sem documento-fonte (use content-structure).

Workflow

Passo 1 — Extrair o texto do documento

Não tente ler o PDF "no olho". Rode o script, que entrega texto limpo + um índice de seções:

python scripts/extract.py "<caminho-do-documento>"

Ele imprime um JSON com out_path (texto limpo), words, headings[] e long_doc. Leia o out_path.

• Se long_doc for true (>8000 palavras): não tente segurar tudo na cabeça de uma vez. Navegue por seção usando os headings, minere ideias seção a seção, e só então consolide. Densidade > cobertura: 12 ideias fortes valem mais que 40 rasas.
• Markdown/TXT também passam pelo script (normaliza e indexa). PDF exige pypdf (py -m pip install pypdf).

Passo 2 — Minerar ideias (o coração)

Leia references/extraction-heuristics.md antes de começar. Ele lista os gatilhos de ideia publicável — onde, num texto denso, moram as ideias que viram conteúdo (afirmações contraintuitivas, números surpreendentes, frameworks, erros comuns, antes/depois, definições que mudam decisão). Caçar esses gatilhos é mais produtivo que "resumir".

Para cada ideia encontrada, extraia os campos do banco de ideias. O schema completo está em references/banco-de-ideias-schema.md. Em resumo, cada ideia tem:

• núcleo — a ideia central em uma frase memorável
• ângulo — a perspectiva específica que a torna interessante
• tensão — o conflito/problema/surpresa que prende atenção
• insight — a verdade não-óbvia que o leitor leva
• âncora — a citação, número ou trecho literal do documento que sustenta a ideia (com referência: "pág. 12" / seção)
• público — para quem essa ideia fala
• canal_sugerido — onde ela rende mais (instagram / linkedin / tiktok / youtube) e por quê

A âncora é obrigatória e é o que separa esta skill de "inventar conteúdo": toda ideia tem que ser rastreável ao documento. Se você não acha uma âncora, a ideia provavelmente não está no documento — descarte ou marque como âncora: [não encontrada — hipótese do agente].

Passo 3 — Montar o banco de ideias

Use templates/banco-de-ideias-template.md como estrutura de saída. Entregue:

1. Um cabeçalho com o documento-fonte, data e nº de ideias.
2. As ideias numeradas, cada uma com os campos acima.
3. Uma seção final "Máquina de Ideias": 3–5 eixos temáticos que agrupam as ideias, para o usuário ver padrões e planejar uma série.

Salve em banco-de-ideias.md (ou no caminho que o orquestrador indicar). Se rodando dentro do horus-conteudo-pipeline, este arquivo é a interface que o multicanal-formatter consome.

Princípios

• Ancoragem acima de volume. Uma ideia sem âncora no documento não é mineração, é invenção. Prefira menos ideias, todas rastreáveis.
• Ângulos diversos sobre o mesmo núcleo. Um bom documento rende vários ângulos para o mesmo fato — explore-os; é daí que sai uma série de conteúdo, não um post avulso.
• Pensa em quem consome, não em quem escreveu. O autor do documento otimizou para precisão; você minera para relevância. "Por que isso importa para um advogado/empresário/leigo?" é a pergunta que separa ideia boa de citação seca.
• Não formate ainda. Aqui você produz matéria-prima estruturada, não posts. A voz e o formato por canal são responsabilidade do multicanal-formatter — manter os estágios separados deixa cada um testável e reusável.