Pipeline de pontuação de sinais: triagem determinística de conhecimento

A maior parte da gestão de conhecimento funciona no feeling. Você salva uma nota porque ela “parece importante”. Seis meses depois, você tem 7.000 notas e nenhuma ideia de quais delas importam. Eu construí um pipeline de pontuação determinística que me diz. Este post faz parte do território da infraestrutura do gosto, onde o julgamento subjetivo é codificado em sistemas determinísticos.

Um pipeline de pontuação de sinais substitui a triagem subjetiva de notas por uma pontuação composta ponderada em quatro dimensões: relevância, acionabilidade, profundidade e autoridade. Cada nota recebida ganha uma classificação de 0,0 a 1,0 e é roteada automaticamente para uma pasta de domínio, para uma fila de revisão manual ou para o vazio. Mais de 7.700 notas processadas em 14 meses, sem nenhuma categorização manual.

O sistema tem 733 linhas de Python. Ele pontua cada sinal recebido em quatro dimensões ponderadas, calcula uma pontuação composta e roteia o sinal para uma de 12 pastas de domínio, para uma caixa de entrada de revisão manual ou para o vazio. Sem categorização manual. Sem aquele “revisar depois” que nunca acontece. O algoritmo decide.

TL;DR

Uma pontuação composta ponderada (relevância 35%, acionabilidade 30%, profundidade 20%, autoridade 15%) produz uma classificação de 0,0 a 1,0 para cada sinal. O roteamento usa três limiares: >= 0,55 grava automaticamente em uma pasta de domínio, >= 0,30 entra na fila de revisão manual, < 0,30 é descartado silenciosamente. Mais de 7.700 notas processadas ao longo de 14 meses, com Development (2.837) e Design (1.709) dominando a distribuição. A falha mais interessante: a dimensão de profundidade mede a riqueza dos metadados, não a qualidade do conteúdo, então um tweet bem tagueado sobre a foto de uma flor pontua 0,85.


O problema do feeling

Eu uso o Obsidian como base de conhecimento (a configuração completa está no guia do Obsidian). Os sinais chegam de feeds RSS, favoritos do Twitter, estrelas do GitHub, newsletters e captura manual. Antes do pipeline, todo sinal ia para uma única pasta de caixa de entrada. Em dois meses, essa caixa acumulou mais de 400 notas não processadas.

O conselho padrão (“revise semanalmente, categorize conforme avança, use um sistema de pastas”) pressupõe que a revisão aconteça. Ela não acontece. Caixas de entrada viram somente-escrita: os itens entram, mas nunca saem. O conhecimento que você capturou é, na prática, idêntico ao conhecimento que você nunca capturou. Clay Shirky definiu o problema com precisão: “Não é sobrecarga de informação. É falha de filtragem.”8

Eu precisava de um sistema capaz de avaliar mais de 7.700 notas mais rápido do que consigo lê-las, com critérios que defino uma vez e aplico de forma uniforme. Não um motor de recomendação. Um algoritmo de pontuação.


A pontuação composta

A fórmula de pontuação é uma combinação linear ponderada de quatro dimensões, uma abordagem padrão em análise de decisão multicritério (MCDA):9

composite = (
    relevance     * 0.35 +
    actionability * 0.30 +
    depth         * 0.20 +
    authority     * 0.15
)

Cada dimensão produz um float entre 0,0 e 1,0. A fórmula arredonda a pontuação composta para três casas decimais. Os pesos refletem uma ordem de prioridade deliberada: o que importa para mim (relevância) pesa mais do que o que eu consigo usar (acionabilidade), que pesa mais do que quão ricos são os metadados (profundidade), que pesa mais do que quão confiável é a fonte (autoridade).1

Considerei e descartei duas dimensões adicionais. Atualidade (sinais mais novos pontuam mais) ficou de fora porque gestão de conhecimento não é feed de notícias: um ensaio de 2019 sobre design de APIs não vale menos do que um de 2026. Prova social (curtidas, retweets, estrelas) ficou de fora porque popularidade se correlaciona com apelo, não com utilidade para o meu fluxo de trabalho específico. Quatro dimensões bastam para rotear sinais com precisão. Acrescentar mais aumentaria a complexidade de ajuste sem melhorar de forma significativa a qualidade do roteamento.


As quatro dimensões

Relevância (35%): correspondência de interesses

A relevância responde a uma única pergunta: este sinal tem a ver com algo que me interessa? Um dicionário de palavras-chave curado à mão, com 43 entradas, associa cada interesse a uma pontuação que vai de 0,15 (nft, pouco relevante, mas quero acompanhar o que está acontecendo) a 1,0 (claude code, swiftui, o núcleo do meu trabalho diário). A pontuação combina a melhor correspondência com a média de todas as correspondências:

# 60% best match, 40% average of all matches
return min(1.0, best_score * 0.6 + avg_score * 0.4)

Itens sem nenhuma correspondência recebem uma linha de base de 0,25, não 0,0. O sistema penaliza um tópico desconhecido com menos rigor do que um irrelevante. A linha de base é o parâmetro ajustado com mais frequência: alta demais, e conteúdo irrelevante inunda a caixa de entrada; baixa demais, e interesses genuinamente novos são filtrados antes que eu os veja.2

Acionabilidade (30%): potencial de aprendizado

A acionabilidade responde: dá para fazer algo com isso? Um ensaio teórico sobre a arquitetura do SwiftUI é relevante, mas não acionável. Um tutorial que mostra passo a passo como construir um componente em SwiftUI é as duas coisas. A dimensão faz a correspondência com 22 palavras-chave orientadas à ação: tutorial, guide, how-to, build, github.com. URLs recebem tratamento especial:

if "github.com" in url:
    hits += 2  # Repositories are inherently actionable
if "/docs" in url or "/tutorial" in url:
    hits += 1

A pontuação segue uma função degrau, não linear: 0 acertos → 0,10, 1 acerto → 0,40, 2 acertos → 0,60, 3 ou mais → min(1.0, 0.70 + hits * 0.05). A função degrau recompensa a presença de sinais de acionabilidade mais do que a sua quantidade. Um link de tutorial vale mais do que a diferença entre três e quatro palavras-chave.3

Profundidade (20%): riqueza de metadados

A profundidade é puramente estrutural. Ela mede a presença e o tamanho dos campos, não a qualidade do conteúdo:

Sinal Pontuação
Tem título +0,20
Tem descrição +0,20
Descrição > 50 caracteres +0,15
Descrição > 150 caracteres +0,15
Tem alguma tag +0,15
Tem 3+ tags +0,10
Tem URL +0,05
Máximo 1,00

A profundidade é a dimensão em que menos confio. Um tweet sobre a foto de uma flor, com descrição completa e quatro tags, pontua 0,85 em profundidade. Metadados ricos, conteúdo irrelevante. A profundidade funciona como indicador indireto de “a fonte forneceu dados estruturados”, o que se correlaciona com qualidade, mas não a garante.4

Autoridade (15%): credibilidade da fonte

A autoridade parte de uma linha de base de 0,40 e é ajustada pelo tipo de fonte:

if source in ("twitter", "x"):        score = 0.50
elif source in ("blog", "newsletter"): score = 0.60
elif source in ("github", "docs"):     score = 0.70

Uma allowlist de domínios sobrescreve a pontuação para cima (nunca para baixo): github.com, anthropic.com, apple.com, arxiv.org, docs.python.org e outros elevam a autoridade a pelo menos 0,75. A allowlist codifica o julgamento de que essas fontes merecem, por padrão, mais confiança.


Roteamento por limiares

Três faixas de roteamento determinam o destino de cada sinal pontuado:

THRESHOLD_AUTO_WRITE = 0.55   # → domain folder
THRESHOLD_INBOX      = 0.30   # → 00-Inbox (manual review)
# Below 0.30 → silently skipped

O pipeline grava sinais com pontuação >= 0,55 diretamente em uma das 12 pastas de domínio, inferida a partir da correspondência de tags e título. Sinais da faixa intermediária (0,30-0,55) vão para uma caixa de entrada para revisão manual. Nada abaixo de 0,30 chega ao vault. O limiar de 0,55 surgiu de ajuste empírico: em 0,50, sinais demais, apenas marginalmente relevantes, eram roteados automaticamente para as pastas de domínio e diluíam a utilidade delas. Em 0,60, a caixa de entrada crescia demais, porque sinais úteis no limite ficavam de fora do roteamento automático. O piso de 0,30 garante que qualquer sinal bem estruturado de um tipo de fonte conhecido chegue, no mínimo, à caixa de entrada para revisão humana.

A faixa de 0,30-0,55 é a “zona ambígua”, onde o sistema tem menos confiança. Uma flag opcional --llm-triage envia esses sinais para avaliação do Claude, que pode ajustar a pontuação composta em até ±0,20, potencialmente levando um sinal para o outro lado do limiar de gravação automática. O Claude só vê sinais ambíguos, nunca os de pontuação alta ou baixa. Gastar tokens de API com sinais que o pontuador determinístico já resolveu seria desperdício.5

A inferência de domínio usa um sistema de votação. Cada tag corresponde a um domínio, e cada palavra-chave do título soma um voto. Vence o domínio com mais votos. Empates são decididos pela ordem das chaves no dicionário (na prática, arbitrária). Fallback padrão: “Inspiration”.


Os resultados

Depois de mais de 7.700 notas processadas ao longo de 14 meses:

Domínio Notas % do total
Development 2.837 36,8%
Design 1.709 22,2%
Inspiration 565 7,3%
Claude-Code 414 5,4%
AI-Tools 414 5,4%
Productivity 346 4,5%
Ideas 296 3,8%
Science 231 3,0%
Health-Life 191 2,5%
Architecture 142 1,8%
Startups 26 0,3%
Tools 22 0,3%
Caixa de entrada 420 5,5%
Descartados silenciosamente (< 0,30) ~87 ~1,1%

As linhas da tabela somam 7.613 sinais roteados. Os cerca de 87 itens restantes (com pontuação abaixo do limiar de 0,30 da caixa de entrada) foram descartados silenciosamente, o que leva o total processado a mais de 7.700. A distribuição reflete a realidade: eu consumo mais conteúdo de desenvolvimento e design do que de qualquer outra coisa. Os itens da caixa de entrada (420) representam a zona ambígua, ou seja, sinais que o algoritmo não conseguiu rotear automaticamente com confiança.6


Onde o algoritmo errou

A armadilha da profundidade

Um tweet com uma foto de nemófilas pontuou composite 0.36, relevance 0.25, actionability 0.10, depth 0.85, authority 0.50. Ele foi parar na caixa de entrada porque a profundidade (0,85) e a autoridade (0,50) compensaram a relevância e a acionabilidade quase nulas. Metadados ricos, conteúdo irrelevante: uma foto bonita de flores.

O exemplo ilustra a limitação fundamental de pontuar usando metadados como indicador indireto. A profundidade mede “a fonte forneceu dados estruturados”, não “o conteúdo tem valor”. O Twitter fornece descrições completas e tags para todo tweet. Um tweet bem tagueado sobre café da manhã pontua 0,85 em profundidade. A pesquisa em recuperação de informação chama essa tensão de trade-off entre precisão e revocação: otimizar para revocação (capturar tudo o que é relevante) inevitavelmente deixa passar falsos positivos.10

A correção que considerei e descartei: reduzir o peso da profundidade de 0,20 para 0,10 diminuiria os falsos positivos vindos de conteúdo irrelevante bem tagueado, mas também penalizaria conteúdo realmente profundo de fontes com metadados escassos. O peso atual é um meio-termo. Uma abordagem mais sofisticada trocaria a verificação estrutural de profundidade por uma heurística leve de qualidade de texto, por exemplo contar substantivos únicos, medir a diversidade de vocabulário com uma razão type-token ou usar a abordagem de embeddings de topologia do conhecimento para medir a distância semântica em relação a exemplares de alta qualidade já conhecidos. Não implementei isso porque o sistema atual roteia corretamente 93% dos sinais, e os 7% que chegam à caixa de entrada para revisão manual são uma carga administrável. A dimensão de profundidade é honesta sobre a própria limitação: ela mede estrutura, não substância.

O problema da linha de base da relevância

Uma linha de base de 0,25 para relevância sem correspondência significa que qualquer sinal bem estruturado de uma fonte razoável pontua pelo menos 0,30 e cai na caixa de entrada. A linha de base cria um piso de falsos positivos: a caixa de entrada acumula sinais bem tagueados, de fontes razoáveis, mas que não têm nada a ver com os meus interesses.

A correção de fato: a revisão periódica da caixa de entrada continua necessária. O pipeline reduz a superfície de revisão de 7.700 itens para 420 (uma redução de cerca de 95%), mas não consegue eliminar a revisão manual da zona ambígua.


Notas de implementação

O pipeline roda como uma ferramenta de CLI. A entrada é um array JSON de sinais (vindos de RSS, da API do Twitter ou de entrada manual). A saída são arquivos markdown compatíveis com o Obsidian, gravados nas pastas de domínio.

python triage.py --input signals.json --vault ~/obsidian-signals/
python triage.py --input signals.json --vault ~/obsidian-signals/ --llm-triage
python triage.py --input signals.json --min-score 0.60  # Stricter routing

Uma pré-filtragem roda antes da pontuação: deduplicação de URLs em relação às notas já existentes no vault, filtragem de conteúdo vazio e uma blocklist de fontes de ruído. Notas duplicadas e fontes de spam nunca chegam à etapa de pontuação.

As funções de pontuação são puras: sem efeitos colaterais, sem chamadas de API, sem acesso ao sistema de arquivos. Cada função recebe um dicionário de sinal e devolve um dicionário de pontuações. Essa abordagem pura permite testá-las isoladamente e compô-las com a etapa de triagem por LLM, que só roda no subconjunto ambíguo.7

Função de pontuação mínima

A lógica central de pontuação cabe em uma única função. Aqui está uma versão simplificada que captura o padrão essencial:

def score_signal(signal: dict, keywords: dict[str, float]) -> dict:
    """Score a signal across four weighted dimensions. Returns composite 0.0-1.0."""
    title = signal.get("title", "").lower()
    desc = signal.get("description", "").lower()
    text = f"{title} {desc}"

    # Relevance: best keyword match blended with average
    matches = [v for k, v in keywords.items() if k in text]
    relevance = (max(matches) * 0.6 + sum(matches) / len(matches) * 0.4
                 if matches else 0.25)

    # Actionability: step function based on action keyword hits
    action_words = {"tutorial", "guide", "how-to", "build", "example", "github.com"}
    hits = sum(1 for w in action_words if w in text)
    actionability = {0: 0.10, 1: 0.40, 2: 0.60}.get(hits, min(1.0, 0.70 + hits * 0.05))

    # Depth: metadata richness (structure, not quality)
    depth = sum([
        0.20 if signal.get("title") else 0,
        0.20 if signal.get("description") else 0,
        0.15 if len(desc) > 50 else 0,
        0.15 if len(desc) > 150 else 0,
        0.15 if signal.get("tags") else 0,
        0.10 if len(signal.get("tags", [])) >= 3 else 0,
        0.05 if signal.get("url") else 0,
    ])

    # Authority: source-based baseline
    source = signal.get("source", "").lower()
    authority = {"twitter": 0.50, "blog": 0.60, "github": 0.70, "docs": 0.70}.get(source, 0.40)

    composite = round(relevance * 0.35 + actionability * 0.30 + depth * 0.20 + authority * 0.15, 3)
    return {"relevance": relevance, "actionability": actionability,
            "depth": depth, "authority": authority, "composite": composite}

A versão de produção acrescenta a allowlist de domínios, bônus específicos por URL e a pré-filtragem. Mas a lógica de pontuação acima mostra o padrão completo: quatro funções puras, uma soma ponderada, saída determinística.

Conjunto de exemplo: cinco sinais, cinco pontuações

Rode a função score_signal acima com estes cinco sinais para verificar o comportamento da pontuação. O dicionário de palavras-chave usado: {"claude code": 1.0, "swiftui": 1.0, "fastapi": 0.85, "design": 0.60, "python": 0.75}.

# Sinal Composta Rota
1 {"title": "Building a SwiftUI Component Library", "description": "A step-by-step tutorial showing how to build reusable SwiftUI views with previews and documentation. Includes working example code and a GitHub repository at github.com/example.", "tags": ["swiftui", "ios", "tutorial", "components"], "source": "blog", "url": "https://example.com/swiftui-lib"} 0,910 Gravação automática
2 {"title": "Python 3.13 Release Notes", "description": "Official release notes documenting new features, deprecations, and breaking changes in Python 3.13 including improved error messages and typing enhancements.", "tags": ["python", "release"], "source": "docs", "url": "https://docs.python.org/3.13/whatsnew"} 0,578 Gravação automática
3 {"title": "Beautiful nemophila photos from Hitachi Seaside Park", "description": "Spring bloom season produces stunning blue flower fields stretching to the horizon. Best visited in late April through early May for peak color.", "tags": ["photography", "japan", "flowers", "travel"], "source": "twitter"} 0,353 Caixa de entrada
4 {"title": "Thread about tech hiring", "description": "", "tags": [], "source": "twitter"} 0,232 Descartado
5 {"title": "FastAPI Guide: Build Production APIs", "description": "A comprehensive tutorial showing how to build, test, and deploy a production FastAPI application. Covers authentication, rate limiting, background tasks, and CI/CD. Full example code on github.com.", "tags": ["fastapi", "python", "tutorial", "guide", "api"], "source": "blog", "url": "https://example.com/fastapi-prod"} 0,872 Gravação automática

Aritmética do sinal 1 (passo a passo): Relevância: “swiftui” corresponde (1,0). Uma só correspondência, então 1.0 * 0.6 + 1.0 * 0.4 = 1.0. Acionabilidade: “tutorial” + “build” + “example” + “github.com” = 4 acertos → min(1.0, 0.70 + 4 * 0.05) = 0.90. Profundidade: título (0,20) + descrição (0,20) + mais de 50 caracteres (0,15) + mais de 150 caracteres (0,15) + tags (0,15) + 3 ou mais tags (0,10) + URL (0,05) = 1.00. Autoridade: “blog” → 0.60. Composta: 1.0*0.35 + 0.90*0.30 + 1.00*0.20 + 0.60*0.15 = 0.35 + 0.27 + 0.20 + 0.09 = 0.910.

O sinal 1 pontua alto em todas as dimensões: correspondência exata de palavra-chave (SwiftUI = 1,0), quatro palavras-chave de ação (“tutorial”, “build”, “example”, “github.com”), metadados completos e uma fonte confiável. O sinal 2 fica logo acima do limiar de gravação automática: relevância forte (Python = 0,75) e autoridade alta (docs = 0,70), mas acionabilidade zero (notas de versão são informativas, não tutoriais). O sinal 3 é o tweet das nemófilas da seção sobre a armadilha da profundidade sem a URL, por isso a profundidade fica em 0,80 em vez de 0,85; autoridade moderada (0,50) com relevância e acionabilidade quase nulas produz uma composta que cai na caixa de entrada em vez de ser roteada automaticamente. O sinal 4 não tem descrição, nem tags, nem correspondência de palavra-chave: fica abaixo do piso de 0,30 e é descartado silenciosamente. O sinal 5 mostra como várias correspondências elevam a relevância: tanto “fastapi” (0,85) quanto “python” (0,75) batem, e cinco palavras-chave de ação levam a acionabilidade a 0,95.

Você pode colar a função score_signal e esses cinco sinais em um REPL do Python para conferir cada número da tabela.


Principais conclusões

Para engenheiros que constroem sistemas de triagem:

  • Em escala, a pontuação determinística supera a curadoria manual. 7.700 notas em 14 meses. Uma triagem manual de aproximadamente 25 segundos por sinal (ler o título, passar os olhos na descrição, escolher a pasta) exigiria mais de 53 horas de revisão. O pipeline processou tudo em minutos, com uma taxa de roteamento automático de cerca de 93% (5,5% enviados à caixa de entrada para revisão manual, cerca de 1,1% descartados silenciosamente abaixo do limiar de 0,30). Aproximadamente 95% de todos os sinais não exigiram nenhuma intervenção manual (roteados automaticamente + descartados).

  • Metadados como indicador indireto têm modos de falha conhecidos. A profundidade mede estrutura, não qualidade. A autoridade mede a fonte, não a exatidão. Os dois indicadores funcionam na escala agregada, mas produzem falsos positivos previsíveis no nível de cada sinal. Reconhecer esses modos de falha é mais honesto do que afirmar que o algoritmo “funciona”.

Para quem pratica gestão de conhecimento:

  • Pontuações compostas ponderadas expõem suas prioridades reais. Pesos de 35/30/20/15 não são arbitrários. Eles codificam um julgamento específico: relevância importa mais do que acionabilidade, que importa mais do que riqueza de metadados, que importa mais do que credibilidade da fonte. Tornar os pesos explícitos e ajustáveis é a diferença entre um sistema e um hábito.

  • A zona ambígua é irredutível. Sinais entre 0,30 e 0,55 são genuinamente ambíguos: o pontuador determinístico não consegue resolvê-los. A triagem por LLM ajuda, mas não elimina a zona. A revisão manual do subconjunto ambíguo continua necessária.

Exercício: ajuste seus próprios pesos. Comece com pesos iguais (25/25/25/25). Processe 50 sinais. Revise as 10 decisões de roteamento mais surpreendentes, ou seja, os sinais que foram parar no lugar errado. Para cada um, identifique qual peso de dimensão teria corrigido o roteamento. Ajuste um peso por vez, reprocesse os mesmos 50 sinais e compare. Reajuste no máximo uma vez por semana.


Perguntas frequentes

Por que usar pontuação composta ponderada em vez de machine learning para a triagem de conhecimento?

A pontuação composta é determinística: a mesma entrada sempre produz a mesma pontuação, e você consegue explicar exatamente o porquê. Um classificador de ML pode até alcançar uma acurácia maior, mas traz opacidade: não é fácil explicar por que um sinal pontuou 0,62 e não 0,54. Na gestão de conhecimento pessoal, em que a confiança no sistema importa mais do que ganhos marginais de acurácia, a pontuação determinística conquista essa confiança. Os pesos são explícitos, ajustáveis e auditáveis. Classificadores de ML também exigem dados de treinamento rotulados, o que significa revisar manualmente centenas de sinais antes que o sistema funcione, justamente o fardo de revisão manual que o pipeline existe para eliminar.

Posso ajustar os pesos dinamicamente ao longo do tempo?

Pode, e deve. Os pesos começaram em 25/25/25/25 (iguais) e evoluíram para 35/30/20/15 ao longo de seis meses, com base nos modos de falha observados. O principal sinal para reajustar: quando sua caixa de entrada passa a conter de forma consistente um tipo específico de falso positivo (por exemplo, conteúdo irrelevante bem tagueado), aumente o peso da dimensão que o teria filtrado (relevância, nesse caso). Reajuste no máximo uma dimensão por vez e passe uma semana de sinais pelos pesos antigos e novos antes de adotar a mudança.

Como funciona a etapa de triagem por LLM?

A flag opcional --llm-triage envia ao Claude apenas os sinais ambíguos (pontuação composta de 0,30-0,55). O LLM recebe o título, a descrição, as tags e a URL do sinal e devolve um ajuste de pontuação (de -0,20 a +0,20) e uma classificação de domínio. O ajuste pode levar um sinal acima do limiar de gravação automática de 0,55 ou abaixo do limiar de descarte de 0,30. O custo é de aproximadamente US$ 0,02-0,04 por sinal. Rodar a triagem por LLM só no subconjunto ambíguo (420 de 7.700) custa US$ 8-17, em vez de US$ 150-300 para o conjunto inteiro.

A pontuação composta ponderada funciona para tickets de suporte, moderação de conteúdo ou qualificação de leads?

A arquitetura é genérica. A pontuação composta com dimensões ponderadas se aplica a qualquer domínio em que itens precisem de roteamento determinístico: triagem de tickets de suporte (urgência, nível do cliente, complexidade do tema, status do SLA), moderação de conteúdo (gravidade, confiança, sensibilidade do contexto, credibilidade de quem denunciou), qualificação de leads (aderência ao perfil, nível de engajamento, sinais de intenção, porte da empresa) e detecção de anomalias (magnitude do desvio, frequência histórica, impacto no negócio, confiabilidade da fonte). Os pesos e limiares específicos mudam de domínio para domínio, mas o padrão de composta ponderada em quatro dimensões se transfere diretamente. O princípio da engenharia composta se aplica: uma vez que a arquitetura de pontuação existe, adaptá-la a um novo domínio exige apenas redefinir os dicionários de palavras-chave e reajustar os pesos.


A pontuação composta se aplica a qualquer domínio em que itens precisem de roteamento determinístico. Meus pesos e limiares específicos codificam prioridades pessoais, mas a arquitetura é genérica. Para saber mais sobre como o conhecimento acumulado gera valor não linear, veja Juros compostos mentais. Cada componente do pipeline (pontuação, roteamento, triagem) é útil por si só e se compõe com os demais, seguindo o padrão da engenharia composta. Em escala, o pipeline alimenta o recuperador híbrido que torna o conhecimento pontuado pesquisável, e os padrões agregados aparecem em dezessete mil sinais.



  1. Não derivei a distribuição dos pesos matematicamente. Ajustei-a ao longo de seis meses de uso. Os pesos iniciais eram iguais (25/25/25/25). A relevância subiu para 35% depois que observei sinais de alta profundidade e baixa relevância (conteúdo irrelevante bem tagueado) inundando a caixa de entrada. A acionabilidade subiu para 30% depois que observei conteúdo teórico de alta relevância, mas sem aplicação prática, se acumulando sem uso. ↩

  2. A linha de base de 0,25 para relevância sem correspondência é uma escolha de design deliberada. Defini-la como 0,0 significaria que qualquer sinal fora da lista curada de palavras-chave pontuaria no máximo 0,65 (0 + ação + profundidade + autoridade, sem contribuição da relevância), o que tornaria quase impossível que tópicos genuinamente novos chegassem ao limiar de gravação automática. ↩

  3. Escolhi uma função degrau em vez de uma pontuação linear para a acionabilidade porque a acionabilidade está mais próxima de um booleano do que de uma variável contínua. Um tutorial é acionável. Uma notícia sobre um tutorial não é. A função degrau captura essa natureza binária melhor do que um gradiente. ↩

  4. Originalmente, chamei a dimensão de profundidade de “qualidade” e pretendia que ela medisse a riqueza do conteúdo. Depois de observar que ela media, na verdade, a riqueza dos metadados, renomeei-a para “profundidade” para refletir seu comportamento real. A mudança de nome é uma honestidade deliberada sobre o que a métrica captura. ↩

  5. A triagem por LLM usa o Claude Code CLI (claude --print --model opus) com um prompt estruturado que pede um ajuste de pontuação (de -0,20 a +0,20) e uma classificação de domínio. Estimativa de custo do autor: aproximadamente US$ 0,02-0,04 por sinal. Rodar a triagem por LLM nos 7.700 sinais custaria US$ 150-300. Rodá-la apenas nos 420 sinais ambíguos custa US$ 8-17. ↩

  6. Dados de distribuição por domínio do autor, referentes a fevereiro de 2026. As contagens refletem o roteamento acumulado desde dezembro de 2024. A distribuição está estável desde o terceiro mês, com Development e Design respondendo de forma consistente por 55-60% dos sinais roteados. ↩

  7. Escolhi funções de pontuação puras como uma decisão de arquitetura deliberada. A alternativa (funções de pontuação que consultam o sistema de arquivos em busca de duplicatas ou chamam APIs para enriquecimento) seria mais precisa, mas impossível de testar sem mocks. A abordagem pura sacrifica um pouco de precisão em troca de testabilidade e composabilidade. ↩

  8. Clay Shirky, “It’s Not Information Overload. It’s Filter Failure”, palestra principal no Web 2.0 Expo, 2008. youtube.com/watch?v=LabqeJEOQyI. O enquadramento de Shirky se aplica diretamente: uma caixa de entrada com mais de 400 notas não processadas não é uma sobrecarga de informação, e sim uma ausência de filtragem. Veja também Alvin Toffler, Future Shock, Random House, 1970, que cunhou “sobrecarga de informação” como a dificuldade de tomar decisões quando se está exposto a informação demais. ↩

  9. Combinações lineares ponderadas são uma técnica padrão em análise de decisão multicritério (MCDA). A abordagem aqui é um Modelo de Soma Ponderada (WSM) simplificado, um dos métodos de MCDA mais antigos. Saaty, T.L., The Analytic Hierarchy Process, McGraw-Hill, 1980, oferece uma metodologia rigorosa para derivar pesos a partir de comparações pareadas, uma abordagem mais formal do que o ajuste empírico usado aqui. O modelo aditivo mais simples usado neste pipeline segue Fishburn, P.C., “Additive Utilities with Incomplete Product Set”, Journal of Mathematical Psychology, 4(1), pp. 104-110, 1967. ↩

  10. O trade-off entre precisão e revocação é um conceito fundamental em recuperação de informação. Aumentar a revocação (capturar mais itens relevantes) necessariamente deixa passar mais itens irrelevantes, o que reduz a precisão. A dimensão de profundidade otimiza para revocação ao recompensar qualquer sinal bem estruturado, e é por isso que conteúdo irrelevante, mas bem tagueado, passa do limiar. Veja Manning, C.D., Raghavan, P., & Schütze, H., Introduction to Information Retrieval, Cambridge University Press, 2008, capítulo 8. nlp.stanford.edu/IR-book/ ↩

Artigos relacionados

O Manifesto No-Build: Publicando Sem um Bundler

FastAPI + HTMX + CSS puro com zero ferramentas de build e pontuações perfeitas no Lighthouse. Números reais de produção,…

17 min de leitura

Como os LLMs enxergam texto: o que meu sistema de i18n me ensinou sobre economia de tokens

Traduzir meu site para 6 idiomas revelou que coreano custa 2,8x mais tokens que ingles para conteudo identico. Um visual…

9 min de leitura

Códigos de Hamming: como os computadores corrigem seus próprios erros

Toda vez que você usa memória RAM, lê um QR code ou recebe dados do espaço, os códigos de Hamming corrigem erros. Uma ex…

7 min de leitura