Task Intelligence

Task Intelligence — Protocolo de Amplificação Pré-Tarefa

Overview

Protocolo de Inteligência Pré-Tarefa — ativa TODOS os agentes relevantes do ecossistema ANTES de executar qualquer tarefa solicitada pelo usuário. Enriquece o contexto com análise paralela multi-agente, produz estimativa real de tempo (início→fim), mapeia problemas prováveis e improvável, e formula um plano de execução antecipado com estratégias de contingência.

When to Use This Skill

• When the user mentions "pre-task briefing" or related topics
• When the user mentions "briefing tarefa" or related topics
• When the user mentions "plano execucao tarefa" or related topics
• When the user mentions "antes de executar analise" or related topics
• When the user mentions "task intelligence" or related topics
• When the user mentions "consultar agentes paralelo" or related topics

Do Not Use This Skill When

• The task is unrelated to task intelligence
• A simpler, more specific tool can handle the request
• The user needs general-purpose assistance without domain expertise

How It Works

Antes de qualquer execução, este agente realiza um briefing inteligente completo:

1. Ativa todos os agentes relevantes em paralelo — cada um analisa a tarefa pela sua ótica
2. Sintetiza o conhecimento coletivo em um plano unificado
3. Estima tempo real do início ao fim (com breakdown por etapa)
4. Mapeia problemas prováveis e os resolve antecipadamente
5. Define pontos de verificação para detectar desvios antes que virem bloqueadores

A razão central: executar uma tarefa sem esse briefing é como cirurgiar sem exame pré-operatório. O custo de 30-60 segundos de análise paralela elimina horas de retrabalho.

Fase 1 — Classificação Da Tarefa (5-10 Segundos)

Antes de qualquer coisa, classifique a tarefa em uma das categorias:

Para tarefas Simples, execute normalmente sem briefing completo. Para Moderada, Complexa e Crítica, execute o protocolo completo abaixo.

Fase 2 — Scan E Match Paralelo

Execute simultaneamente:

## Terminal 1 — Atualizar Registry

python agent-orchestrator/scripts/scan_registry.py

## Terminal 2 — Identificar Agentes Relevantes

python agent-orchestrator/scripts/match_skills.py "<tarefa do usuário>"

Se matched >= 2, execute orquestração:

python agent-orchestrator/scripts/orchestrate.py --skills <skill1,skill2,...> --query "<tarefa>"

Fase 3 — Briefing Dos Agentes Especializados

Para cada agente relevante identificado no match, faça uma pergunta direcionada:

Padrão de consulta por tipo de agente:

• 007 (Segurança): "Esta tarefa tem vetores de ataque, dados expostos, ou ações irreversíveis?"
• skill-sentinel (Qualidade): "Existe skill redundante? A skill que será criada/modificada segue os padrões?"
• agent-orchestrator (Orquestração): "Quais skills já existem que resolvem parte desta tarefa?"
• matematico-tao (Complexidade): "Qual a complexidade computacional? Há otimizações não-óbvias?"
• context-guardian (Continuidade): "Existe contexto de sessões anteriores relevante para esta tarefa?"
• advogado-especialista/criminal (Legal): "Há implicações legais, LGPD, ou riscos regulatórios?"
• leiloeiro-ia (Leilões): "Esta tarefa envolve dados ou lógica do domínio de leilões?"

Não consulte todos os agentes cegamente — escolha os 3-5 mais relevantes para a tarefa.

Fase 4 — Estimativa De Tempo Real

Construa um breakdown de tempo honesto com base na complexidade real:

ESTIMATIVA DE TEMPO — [Nome da Tarefa]
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Etapa 1: [nome]          ~X min   [motivo do tempo]
Etapa 2: [nome]          ~X min   [motivo do tempo]
Etapa 3: [nome]          ~X min   [motivo do tempo]
Contingência (problemas) +X min   [buffer para imprevistos típicos]
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
TOTAL ESTIMADO:          ~X min
Confiança: Alta/Média/Baixa — [justificativa]

Regras de estimativa honesta:

• Nunca subestime para agradar — o usuário precisa saber o tempo real
• Adicione sempre 20-30% de buffer para problemas típicos
• Se a confiança for Baixa, explique por quê e o que aumentaria ela
• Diferencie "tempo de execução do agente" vs "tempo de espera do usuário"

Fase 5 — Mapa De Problemas (Antecipação Proativa)

Pense em TRÊS camadas de problemas:

Problemas Prováveis (80%+ de chance de acontecer)

São os problemas que SEMPRE acontecem. Resolva-os ANTES de começar.

Exemplos por categoria:

• Skills novas: YAML inválido → valide com python -c "import yaml; yaml.safe_load(open('SKILL.md').read())" antes de instalar
• APIs externas: chave expirada, rate limit, mudança de endpoint → verifique autenticação primeiro
• Instalações: dependências faltando, versão incompatível → leia requirements.txt antes de executar
• Arquivos: path não existe, permissão negada, encoding errado → verifique antes de abrir
• Git/Versionamento: branch errada, conflito de merge, uncommitted changes → sempre git status antes

Problemas Possíveis (30-70% de chance)

Problemas que podem acontecer dependendo do estado atual.

Estratégia: verifique rapidamente o estado antes de assumir que está OK.

Problemas Improváveis mas Críticos (< 10% mas alto impacto)

Ações irreversíveis, perda de dados, exposição de credenciais.

Estratégia: backup preventivo, confirmação explícita, rollback plan.

Template de mapa de problemas:

MAPA DE PROBLEMAS — [Nome da Tarefa]
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
PROVÁVEIS (resolver antes de começar):
  ⚠ [problema] → [solução preventiva aplicada agora]
  ⚠ [problema] → [solução preventiva aplicada agora]

POSSÍVEIS (monitorar durante execução):
  ~ [problema] → [sinal de alerta] → [ação se ocorrer]

CRÍTICOS (baixa prob, alto impacto):
  🔴 [risco] → [backup/rollback plan]
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

Fase 6 — Plano De Execução Enriquecido

Depois de coletar análises dos agentes + estimativas + mapa de problemas, produza:

BRIEFING PRÉ-EXECUÇÃO — [Nome da Tarefa]
════════════════════════════════════════════
CONTEXTO COLETADO:
  • [insight do agente 1]
  • [insight do agente 2]
  • [insight do agente 3]

PLANO DE EXECUÇÃO:
  1. [etapa] (~Xmin) — [por quê esta ordem]
  2. [etapa] (~Xmin) — [dependência da anterior]
  3. [etapa] (~Xmin) — [verificação de qualidade]

TEMPO TOTAL: ~Xmin | CONFIANÇA: Alta/Média/Baixa

PROBLEMAS PRÉ-RESOLVIDOS:
  ✅ [problema] → [solução aplicada]
  ✅ [problema] → [solução aplicada]

PONTOS DE VERIFICAÇÃO:
  [ ] Após etapa 1: verificar [critério de sucesso]
  [ ] Após etapa 2: verificar [critério de sucesso]
  [ ] Final: validar resultado completo

ROLLBACK PLAN (se algo der errado):
  → [como desfazer cada etapa crítica]
════════════════════════════════════════════

Integração Com O Ecossistema

Este agente complementa o agent-orchestrator — não substitui:

• agent-orchestrator: identifica QUAIS skills usar (routing)
• task-intelligence: enriquece COMO usar + quando + com que riscos (briefing)

Ambos devem ser ativados juntos. O CLAUDE.md já exige o orchestrator — este agente adiciona a camada de inteligência sobre ele.

Quando Não Usar O Briefing Completo

• Perguntas rápidas de 1 linha (responder diretamente é mais eficiente)
• Tarefas de leitura pura (read, grep, glob sem efeitos colaterais)
• Iterações simples dentro de uma tarefa já planejada
• Quando o usuário pede "só responde rápido" / "vibe comigo"

O objetivo não é burocracia — é inteligência a serviço da velocidade real.

Referências

• references/problem-catalog.md — Catálogo de problemas típicos por domínio
• references/time-patterns.md — Padrões históricos de tempo por tipo de tarefa
• scripts/pre_task_check.py — Script de verificação automatizada pré-tarefa

Exemplo De Briefing Completo

Tarefa do usuário: "Crie uma skill para integração com Stripe"

BRIEFING PRÉ-EXECUÇÃO — Skill: stripe-integration
════════════════════════════════════════════════════

CONTEXTO COLETADO (3 agentes consultados):
  • 007: CRÍTICO — API keys do Stripe NÃO devem ir para SKILL.md ou git.
    Usar variáveis de ambiente (.env). Webhooks precisam validação HMAC-SHA256.
  • skill-sentinel: whatsapp-cloud-api já implementa padrão HMAC-SHA256 para webhooks
    — reusar esse padrão. Skill deve seguir estrutura: config.py + client.py + SKILL.md.
  • agent-orchestrator: 3 skills similares (whatsapp, telegram, instagram) como referência
    de arquitetura. Nenhuma conflita com Stripe.

PLANO DE EXECUÇÃO:
  1. Criar estrutura de diretórios (~2min) — base para os demais arquivos
  2. Escrever SKILL.md com workflow (~5min) — define comportamento do agente
  3. Criar config.py com variáveis de ambiente (~3min) — sem hardcode de keys
  4. Criar stripe_client.py com autenticação (~10min) — métodos principais
  5. Criar webhook_handler.py com HMAC-SHA256 (~5min) — reusar padrão whatsapp
  6. Instalar via skill-installer (~2min) — validação + registro
  7. Gerar ZIP (~1min) — para backup/upload manual

TEMPO TOTAL: ~28min | CONFIANÇA: Alta
(estrutura clara, dependências conhecidas, sem APIs externas incertas)

PROBLEMAS PRÉ-RESOLVIDOS:
  ✅ API key exposta → .env obrigatório, .gitignore configurado
  ✅ YAML inválido → validar antes de instalar
  ✅ Webhook sem autenticação → HMAC-SHA256 incluído no plano

PONTOS DE VERIFICAÇÃO:
  [ ] Após SKILL.md: yaml.safe_load não levanta exceção
  [ ] Após config.py: sem strings hardcoded de credenciais
  [ ] Final: skill-installer valida os 10 checks

ROLLBACK PLAN:
  → Se skill-installer falhar: pasta em /tmp/stripe-skill-backup/
  → Se ZIP corrompido: reconstruir com build_ecosystem.py
════════════════════════════════════════════════════

Best Practices

• Provide clear, specific context about your project and requirements
• Review all suggestions before applying them to production code
• Combine with other complementary skills for comprehensive analysis

Common Pitfalls

• Using this skill for tasks outside its domain expertise
• Applying recommendations without understanding your specific context
• Not providing enough project context for accurate analysis

Related Skills

• agent-orchestrator - Complementary skill for enhanced analysis
• multi-advisor - Complementary skill for enhanced analysis

AGI Framework Integration

Adapted for @techwavedev/agi-agent-kit Original source: antigravity-awesome-skills

Memory-First Protocol

Retrieve prior agent configurations, team compositions, and orchestration patterns. Critical for multi-agent system consistency.

# Check for prior AI agent orchestration context before starting
python3 execution/memory_manager.py auto --query "agent patterns and orchestration strategies for Task Intelligence"

Storing Results

After completing work, store AI agent orchestration decisions for future sessions:

python3 execution/memory_manager.py store \
  --content "Agent pattern: hierarchical orchestration with Control Tower dispatcher, 3 specialist sub-agents" \
  --type decision --project <project> \
  --tags task-intelligence ai-agents

Multi-Agent Collaboration

This skill is inherently multi-agent. Use cross-agent context to coordinate task distribution and avoid duplicate work.

python3 execution/cross_agent_context.py store \
  --agent "<your-agent>" \
  --action "Agent architecture designed — Control Tower + specialist agents with shared Qdrant memory" \
  --project <project>

Control Tower Integration

Register agents and tasks with the Control Tower (execution/control_tower.py) for centralized orchestration across machines and LLM providers.

Blockchain Identity

Each agent has a cryptographic Ed25519 identity. All memory writes are signed — enabling trust verification in multi-agent systems.