RegenerAI · Roteamento ontológico

As cinco camadas da arquitetura

Cada camada tem uma responsabilidade única e versionável de forma independente. O prompt do sistema é a camada mais leve e estável. A camada de templates de raciocínio ontológico (CoT) é a hierarquicamente superior: é quem decide quando e como as outras três camadas técnicas são acionadas.

Clique em cada camada para abrir o detalhe.

Quem é dono de cada camada

CoT ontológico · a ontologia como estrutura de raciocínio

A cadeia que aparece logo no início do documento da ontologia não é só uma classificação. É um Chain of Thought. É exatamente como o agrônomo regenerativo pensa quando enfrenta um problema no campo. O método da Agricultura de Processo materializado em sequência de raciocínio.

Por que tratar isso como CoT muda tudo

Sem CoT explícito, o agente pula da pergunta para a recomendação. Pode até acertar, mas perde o método. Com CoT ontológico, o agente percorre a cadeia diagnóstica antes de sugerir intervenção. A resposta final continua sendo prosa de campo, mas a forma da resposta carrega o método regenerativo embutido.

Profundidade do CoT por padrão de consulta

Nem toda pergunta justifica percorrer a cadeia inteira. Forçar isso engessaria respostas simples e geraria verbosidade desnecessária. O classificador de padrões decide a profundidade do raciocínio em cada caso.

Como CoT e retrieval interagem

O CoT define a espinha do raciocínio. O retrieval alimenta cada passo do raciocínio com evidência específica. A interação é iterativa, não paralela.

// Loop interno do CoT diagnóstico

para cada passo da cadeia (sintoma, causa, processo, estrutura, intervenção, prática, indicador):

  1. Agente formula intenção do passo
     // "Quais causas prováveis explicam baixa nodulação em soja no Cerrado?"

  2. Roteador dispara retrieval com filtros
     // classe_ontologica=causa_provavel
     // bioma=cerrado, cultura=soja
     // sintomas_aplicaveis inclui "baixa_nodulacao"

  3. Retrieval devolve chunks relevantes

  4. Agente sintetiza o passo
     // "Considerando o contexto, as causas mais prováveis são X, Y, Z"

  5. Síntese do passo alimenta o próximo passo do CoT
     // X, Y, Z viram input do retrieval do próximo hop

ao final da cadeia:

  6. Contexto estruturado vai para o LLM
     // junto com o prompt do sistema, que renderiza em prosa natural

Diferença em relação ao multi-hop livre

Mapeamento da ontologia para Skills

As 16 classes da ontologia não viram todas Skills. As classes de contexto e perfil viram Skills, porque descrevem quem está perguntando e em que situação produtiva está. As classes de raciocínio diagnóstico e operacional não viram Skills: viram padrões de consulta detectados pelo roteador. As classes de conhecimento e evidência viram metadados da indexação.

Classes de contexto e perfil · viram Skills

Classes de processo e estrutura · podem virar Skills situacionais

Algumas subclasses de Sintomas e Processos são duradouras o suficiente para virar Skills situacionais, ativadas durante a transição e desativadas quando o problema é resolvido. Funcionam como diagnósticos persistentes no perfil.

Classes que NÃO viram Skills

Estrutura de uma Skill

// Exemplo · Skill derivada da classe Agroecossistema
{
  "id": "bioma_cerrado",
  "categoria": "contexto_territorial",
  "classe_ontologica": "Agroecossistema",
  "rag_bias": {
    "graphrag": 0.45,
    "casos_semelhantes": 0.30,
    "hibrida": 0.15,
    "raptor": 0.10
  },
  "filtros_indexacao": {
    "bioma": "cerrado",
    "agroecorregiao": "*"
  },
  "tier_minimo": "semente",
  "agente_inferencia": "diagnostico_territorial",
  "versao": "2026.05.01"
}

Os seis padrões de consulta ontológicos

A seção H da ontologia define seis grupos de perguntas que o sistema precisa responder. Cada grupo é um padrão de consulta com estrutura previsível, classes ontológicas envolvidas e estratégia RAG canônica. O roteador classifica cada consulta em um padrão antes de decidir a estratégia.

Sinalizações que disparam fallbacks

Matriz de estratégias RAG por padrão ontológico

Cada padrão tem uma estratégia canônica e duas alternativas. A política aprendida por reforço pode ajustar pesos com o tempo, mas o estado inicial é determinístico e auditável.

Como as Skills entram como prior · exemplo prático

Suponha que a pergunta seja "meu solo está com baixa nodulação no segundo ano de soja". O roteador detecta padrão Diagnóstico, cuja estratégia canônica é multi-hop guiado. Antes de executar, lê as Skills ativas do perfil:

// Perfil ativo
{
  "skills": [
    "bioma_cerrado",
    "graos_soja_milho",
    "transicao_em_curso",
    "produtor_rural"
  ]
}

// Distribuição inicial sobre estratégias RAG
{
  "multi_hop_guiado":    0.60,  // canônica do padrão diagnóstico
  "casos_semelhantes":   0.25,  // reforçada por "transicao_em_curso"
  "hibrida":             0.10,  // reforçada por "graos_soja_milho"
  "raptor":              0.05
}

// Filtros automáticos aplicados na recuperação
{
  "bioma": ["cerrado"],
  "cultura": ["soja"],
  "classe_ontologica": ["sintoma", "causa_provavel", "processo", "intervencao"]
}

Composição entre estratégias

Estratégias podem ser combinadas. O multi-hop guiado, por exemplo, pode usar busca híbrida em cada hop individual. Casos semelhantes podem complementar qualquer estratégia como contexto adicional. A política aprende quando vale a pena compor.

Indexação ontológica · metadados de cada chunk

Cada nugget de conhecimento ingerido recebe uma ficha estruturada de metadados derivada da ontologia. Esses metadados são filtrados antes da busca semântica e reduzem o espaço de busca de centenas de milhares de chunks para algumas dezenas relevantes.

Schema de metadados por chunk

// Metadados de um chunk · exemplo de prática regenerativa
{
  "chunk_id": "gaas_2025_0473_p12",
  "texto": "...",

  // Eixo ontologia
  "classe_ontologica": "intervencao",
  "subclasse": "estrutural",
  "praticas_associadas": ["plantio_direto", "plantas_cobertura"],
  "processos_afetados": ["agregacao", "infiltracao", "ciclagem"],
  "estruturas_fortalecidas": ["porosidade_funcional", "cobertura_viva"],
  "sintomas_aplicaveis": ["compactacao", "baixa_infiltracao", "erosao"],

  // Eixo Árvore do Conhecimento
  "ramo_taxonomia": "estruturas_fundamentais/estrutura_solo/estrutura_fisica",

  // Eixo contexto
  "bioma": ["cerrado"],
  "cultura": ["soja", "milho"],
  "escala": "talhao",
  "estagio_transicao": ["transicao_inicial", "transicao_intermediaria"],

  // Eixo evidência
  "tipo_evidencia": "caso_validado_gaas",
  "confiabilidade": 0.87,
  "fonte": "GAAS_relato_produtor_MG_2024",
  "validacao": "comite_curadoria_gaas_2025q1",
  "ano": 2024,

  // Eixo autonomia
  "origem_funcional": "propria",

  // Embedding
  "embedding_model": "openai-text-embedding-3-large",
  "versao_schema": "ontologia_v2_2026.05"
}

Como o roteador usa esses metadados

Dado o padrão de consulta detectado e as Skills ativas do perfil, o roteador monta um filtro estruturado e passa para o retriever:

Pipeline de ingestão · responsabilidade da curadoria

1. Captura: nugget vem de WhatsApp curado, artigo científico, relato de produtor, protocolo GAAS.
2. Classificação ontológica: agente classificador atribui classe, subclasse e relações.
3. Tagueamento contextual: bioma, cultura, escala, estágio são inferidos ou marcados na curadoria.
4. Validação humana: comitê GAAS aprova classes de alta criticidade (intervenções, dosagens, contraindicações).
5. Embedding e indexação: chunk vai para o índice vetorial com todos os metadados anexados.
6. Versionamento: cada chunk carrega versão do schema, permitindo reindexar quando a ontologia evolui.

Fluxo de execução · pipeline completo

O pipeline integra as cinco camadas em um ciclo de execução. Skills do perfil entram como prior que orienta o roteador antes do aprendizado por reforço atuar. O roteador classifica o padrão da consulta e ativa o template de CoT ontológico correspondente, que é a camada orquestradora, quem decide a sequência de raciocínio e dispara o retrieval a cada passo. A resposta volta como prosa natural, com fontes, e o feedback alimenta a evolução da política e dos próprios templates de CoT.

Classificador de padrão ontológico

Estratégia RAG selecionada por passo do CoT

O que muda em relação à versão anterior do fluxo

Diagnóstico passo a passo · CoT ontológico em execução

Aplicação concreta do pipeline geral para o padrão mais complexo: o diagnóstico. Cada passo do CoT é uma relação explícita da ontologia, e cada passo dispara um retrieval específico antes do próximo. Para o fluxo geral em todas as suas etapas, ver a aba Fluxo.

Skills ativas do perfil: bioma_cerrado, graos_soja_milho, transicao_em_curso, produtor_rural. Padrão detectado pelo roteador: Diagnóstico. Template de CoT ativado: cadeia diagnóstica completa (7 passos).

Execução passo a passo · CoT + retrieval

Clique em cada passo para abrir o detalhe do retrieval.

Síntese e prompt final do LLM

Os sete passos do CoT montam um contexto estruturado segundo o template diagnóstico. O LLM recebe esse contexto e o prompt do sistema conversacional, e gera uma resposta em prosa natural, com a continuação proativa exigida pelo prompt. O usuário não percebe os passos individualmente: vê uma explicação coerente que começa pelo sintoma, percorre as causas e os processos, e culmina na intervenção com os indicadores de acompanhamento. A regra-mãe da ontologia se cumpre estruturalmente, sem precisar estar escrita no prompt.

Quando o fluxo é interrompido

• Passo 1 inconclusivo: sintoma não identificado com clareza. Roteador devolve para pergunta de esclarecimento.
• Passo 2 muito amplo: causas prováveis sem convergência. Sistema solicita ao usuário 1 ou 2 perguntas de desambiguação (cor das folhas, idade do problema, histórico recente).
• Skill crítica ativa: se durante o diagnóstico aparece Skill como erosao_avancada ou produção em larga escala sem assistência técnica, Agente Guardião interrompe e escala.
• Risco de recomendação irreversível: dosagens, defensivos específicos, decisões de plantio. Resposta inclui ressalva e oferece escalonamento.

Roadmap de implementação em quatro fases

Cada fase entrega valor isolado e prepara terreno para a próxima. A ordem prioriza frugalidade. A Fase 0 demonstra o conceito de CoT ontológico imediatamente, com Skills fixas e um CoT primário engessado, antes de qualquer investimento em classificadores, bandit ou RL. É a prova de método antes da prova de escala.

Critérios de avaliação por fase