Communitygithub.com

alphasafal/pesquisa-para-decisão

Name: alphasafal/pesquisa-para-decisão
Author: Community

O que é pesquisa-para-decisão?

Esta skill orienta o agente a converter pesquisas em decisões técnicas ou de produto bem documentadas e auditáveis. Quando o usuário precisa escolher entre tecnologias (como "Kafka vs SQS" ou "construir vs comprar"), a skill estrutura o processo: primeiro define a decisão e suas restrições, depois coleta evidências com fontes confiáveis, separando claramente o que é evidência do que é suposição. Em seguida, compara as alternativas com base em critérios explícitos e, por fim, gera um Architecture Decision Record (ADR) formal. É útil não só para orientar novas decisões, mas também para documentar o raciocínio por trás de uma decisão já tomada. Não deve ser usada para implementar a opção escolhida (isso é outra skill) ou para pesquisas abertas sem uma decisão final.

Funciona com~Claude Code~Codex CLI~Cursor

npx skills add https://github.com/alphasafal/production-agent-skills/tree/main/skills/research-to-decision

Ver original→Navegar por todas as habilidades

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

ChatGPT Claude Gemini Grok Perplexity DeepSeek

Documentação

O que pesquisa-para-decisão faz?

Transforma pesquisa em uma decisão técnica ou de produto auditável: define a decisão e restrições, coleta evidências com fontes, separa evidências de suposições, compara alternativas com base em critérios explícitos e produz um ADR. Use ao escolher entre tecnologias/abordagens ("Kafka vs SQS", "construir vs comprar"), documentando o raciocínio por trás de uma decisão já tomada, ou quando for solicitado a "pesquisar isso e recomendar um." Não use para implementar a opção escolhida (isso é uma skill separada), ou para pesquisa aberta sem uma decisão a ser tomada no final.

Individual skills in this repo

This repo contains 7 individual skills — each has its own dedicated page.

alphasafal/data-scientist

Runs an end-to-end structured tabular data science workflow: problem framing, schema/leakage/missingness checks, EDA, baseline before modeling, feature engineering, model comparison against the baseline, and error/slice analysis. Use when asked to analyze a dataset, build a predictive model, evaluate a model's performance, or investigate a data quality issue in tabular data. Do not use for pure data engineering/ETL with no analysis or modeling question, for unstructured data (images/audio/free text at scale) without a tabular framing, or when the task is answerable by a single summary statistic with no need for the full workflow — say so and just answer it.