Sprint 24 (10-jul-2026): fechamento de loops — o pipeline deixou de ser feed-forward. A origem foi um report executivo de deep research (Meta-Harness & Loop Engineering: harness move +7,3pp com modelo fixo; autocorreção só funciona com sinal externo — Reflexion 91% vs 80%; reward hacking 43× maior com scoring visível) somado a uma auditoria de código que achou 2 mecanismos implementados e mortos. Agora o router pondera sinal duplo (0.40 transporte + 0.30 qualidade + 0.20 custo + 0.10 latência), o record_feedback foi LIGADO (canal morto desde a Sprint 18), o judge tem consequência (REPROVADO → re-executa as 2 piores → re-julga → entrega flagged com quality_flag + exit code 3), o código gerado RODA num verifier com subprocess isolado, a cascata converge, o replan aborta com PlanCollapseError e um breaker de qualidade tira alias reincidente da frente da chain. Smoke real: US$ 0,24 — 7/7 tasks OK com o Google totalmente fora do ar (429). Tudo atrás de flags GEO_* com kill-switch (todas off = Sprint 23 byte-igual); 531 testes verde. Parque intocado: 5 providers / 13 modelos. Herança da Sprint 23: o GPT-5.6 Sol segue code primary e julgador cross-family por evidência de benchmarking (AA Coding Agent Index 80), com Luna no volume, COPY PREMIUM ONLY intacto e o tier frontier Claude Fable 5 preservado.
Painel executivo · pronto para apresentação
Snapshot do orquestrador: 15 sprints lançadas no período (Sprint 10 → 24), parque atual de 13 LLMs canônicos / 5 providers, tier frontier com o Claude Fable 5 e — no fecho — as Sprints 22 (SDK call-level), 23 (GPT-5.6 Sol + Luna, inserção evidence-driven) e 24 (fechamento de loops — meta-harness e qualidade com consequência). Estilizado para captura de tela — copie a imagem direto para slides.
Ping + doctor + finops + plan + run + board executados em sequência. Bug crítico Sonnet 4.6 dependencies-as-dicts resolvido. AVG_COST_PER_CALL Perplexity recalibrado 6× (real $0,05/call). Cap Perplexity de 0,50 → 0,35 protegeu wall time. 218/220 verde.
Grok 4.3 / 4.20-multi-agent / 4.20-non-reasoning adicionados com busca live em X/Twitter via search_parameters. 6 task types exclusivos. Diversity guarantee 4/6 providers em planos COMPLEX 5+. Upgrades simultâneos: Opus 4.6 → 4.7, Llama 3.3 → Llama 4 Scout (5× barato).
writing/copywriting/seo agora só GPT-5.5 → Opus 4.7 → Gemini Pro (Sonnet/Haiku/Flash banidos de copy). Cap Perplexity 0,35 → 0,50 restaurado. FALLBACK_CHAINS['research']: perplexity → gemini Pro → claude Opus → gpt-5.5. OpenAI gpt-4o → gpt-5.5 canônico.
Gemini 2.5 Pro ativado em analysis/fact_check/data_processing (era Flash). Sonnet 4.6 promovido a review primary (era Groq Heavy). Diversity target dinâmico min(plan, 5). Perplexity com return_citations + recency=year. model_id + citations persistidos no audit. thinkingBudget guard. UX wave preview no stdout.
Cap de thinkingBudget estendido a TODOS os Gemini *-pro, cobrindo o default gemini-3.1-pro-preview que rodava sem teto. Teto ajustável por env GEMINI_THINKING_BUDGET. Task code roteada de Gemini Pro para GPT-5.5 (Pro vira fallback) — Gemini era ~91% do custo LLM do pipeline de pesquisa.
claude-fable-5 (13º modelo canônico, primeira classe Mythos pública, SOTA — SWE-Bench Pro 80.3%) primary de architecture/critical_review em complexity high, com fallback imediato Opus 4.8 em refusal dos classificadores de segurança. Pricing oficial corrigido: Opus 4.8 $5/$25, Haiku 4.5 $1/$5. 261 testes verde.
Groq Inc e xAI Grok removidos do roteamento — Groq era bulk substituível a custo neutro; a xAI descontinuou a busca live na timeline X (HTTP 410 desde 29-mai). Novo Sonar Pro (perplexity_fast) assume realtime/social. QualityJudge migrou para Gemini Flash com anti-self-judging. Invariante TASK_TYPES == FALLBACK_CHAINS testado nos 23 task types + 37 sentinelas. Perdas documentadas: timeline X sem substituto, teto de contexto 2M → 1M. 312 testes verde.
As duas sprints foram especificadas pelo próprio orquestrador (run de 13 tasks em 7 waves, 4/4 providers, US$ 0,4638). Sprint 17: verificador em cascata pós-geração pontua outputs economy que alimentam waves seguintes — score < 6.0 escala para o tier medium antes de propagar (teto 3/run); painel de juízes 2-de-3 cross-family em gates premium. Sprint 18: janela deslizante de 50 amostras domina o scoring do router, bateria canário semanal, priors de cold-start e shadow-routing (rampa da reintegração do xAI). 335 testes verde.
A rampa da Sprint 18 concretizada — parque volta a 5 providers / 11 modelos (Groq segue fora). Grok 4.5 vira primary de social_listening/brand_monitoring: o único do parque com busca LIVE na timeline do X (via Agent Tools API /v1/responses com x_search), restaurando a perda documentada do Sprint 16. Grok 4.20 Reasoning assume multi_perspective. Decisão ancorada em bench independente (Snorkel GDPval+: Grok líder em julgamento profissional) e validada contra a API viva (search_parameters legado depreciado; multi-agent não chamável). xAI ADITIVO — nunca primary de SWE nem copy premium; cap 0,35 (outage 1,75 ≥ 1,40). 383 testes verde no CI Linux.
Incidente real de deep research (sonar-pro vs prompt de ~17k chars estourando timeout) expôs um bug latente sistêmico: o ConnectionPool cacheia um cliente por provider e CONGELAVA o read timeout do 1º chamador, tornando TIMEOUT_BY_TASK_TYPE letra morta em runtime — research (600s) e architecture/critical_review (720s) eram cortados no default silenciosamente. Fix: timeout POR-REQUEST em cada .post() (pooling TCP/TLS intacto) + override explícito em decompose/summarizer/verifier. Folga generosa (bandas ~2x, DEFAULT 300s, GEO_TIMEOUT_MULTIPLIER); janela de contexto entre waves 2000→12000 chars. Três evoluções: timeout adaptativo no retry (estica o teto quando a chamada é comprovadamente lenta), sentinela de cobertura timeout_coverage no cli doctor e comando cli.py timeouts. 367 testes verde no CI Linux.
Revisão de engenharia com as lentes do /cto-fable (Nuvini · decision-discriminators + intended-vs-implemented) sobre a tese: a máquina roda autônoma 24/7 (cron + Telegram + manual) e nem toda garantia declarada sobrevivia à concorrência e ao reroute em runtime. 5 achados corrigidos, 1 commit por achado, cada verify do relatório virou teste: (F1·HIGH) escrita atômica dos state files — o padrão do FinOps (SQLite WAL) propagado a router stats/calibração/índice do cache via tmp+os.replace com modo best_effort; (F2) redirect por budget re-verifica PROVIDER_SHARE_CAP, violação logada explicitamente; (F4) cache semântico exact-only para copy/research — colisão de público (dentistas↔advogados) impossível; (F3) ConnectionPool.shutdown real nos 6 call-sites do CLI; (F7) byte-identity do prompt via .gitattributes — o CRLF do Windows invalidava o prompt cache Anthropic entre plataformas. Suíte local Windows == CI Linux pela primeira vez: 383 testes verde, 0 falhas de artefato.
O orquestrador vira biblioteca sem perder a governança: call_llm() expõe uma chamada avulsa que HERDA timeout por task_type, fallback chain e FinOps do pipeline — consumidores externos deixam de reimplementar retry/timeout na mão. Primeiro consumidor: curso-factory, em modo opt-in (CURSO_FACTORY_LLM_BACKEND=sdk), sem mudança de comportamento até a ativação explícita. Fonte do catálogo instrumentada no manifest. 395 testes verde.
O GPT-5.6 (lançado 09/07) entra por evidência de relatório de benchmarking global. GPT-5.6 Sol ($5/$30, premium) vira PRIMARY de code — líder do AA Coding Agent Index (80 vs 77.2 do Fable; Terminal-Bench 88.8) — e julgador cross-family aditivo nas chains de analysis/code_review/critical_review/architecture. GPT-5.6 Luna ($1/$6, economy) entra em 7 chains de volume (classificação, extração, data processing, monitoramento, realtime). Terra ficou de fora — fora da fronteira de Pareto (Artificial Analysis: Luna/Sol dominam por custo). COPY PREMIUM ONLY intacto: GPT-5.5 segue copy primary (Sol é fraco em escrita one-shot, último de 6 no bench da Every) e o Fable segue frontier de julgamento/arquitetura (SWE-Bench Pro 80 vs 64.6). Parque: 5 providers / 13 modelos; cache OpenAI reprecificado por modelo (Luna -55% em cache hit no smoke real); caps openai 45%→50%, budget $70/dia (global $290), RPM 90/5. 451 testes verde + 1 xfail; validação viva: 4 chamadas reais, model ids confirmados, zero fallback.
O pipeline deixou de ser feed-forward. Origem: report Meta-Harness & Loop Engineering (harness move +7,3pp com modelo fixo; Reflexion 91% vs 80%; reward hacking 43× com scoring visível) + auditoria que achou 2 mecanismos implementados e mortos. Sinal duplo no router (0.40 transporte + 0.30 qualidade + 0.20 custo + 0.10 latência; byte-igual à legada sem amostras); record_feedback LIGADO (morto desde a S18); judge com consequência (flagged + exit code 3; REPROVADO_TECNICO com retry cross-provider); code verifier que RODA o código; cascata convergente; replan + abort (PlanCollapseError + exit code 4); breaker de qualidade com cooldown 6h; outer loops agendados; 6 invariantes anti reward-hacking. Smoke real US$ 0,24 — 7/7 tasks com o Google fora do ar. Flags GEO_* com kill-switch (todas off = S23 byte-igual). 531 testes verde; parque intocado.
Recebe uma demanda em linguagem natural (PT-BR), decompõe em tasks tipadas com dependências, distribui entre 13 modelos canônicos em 5 providers (Anthropic, OpenAI, Google, Perplexity, xAI) respeitando o cap por família e a diversity guarantee dinâmica (target = min(plan_size, 4)) em planos COMPLEX, executa em waves paralelas com cache semântico e validação por rubrica, grava métricas + model_id + citations, e devolve um relatório estruturado. Pós-Sprints 17-18 (especificadas pelo próprio orquestrador em run real de dogfooding), todo output do tier economy que alimenta waves seguintes passa por um verificador em cascata pós-geração — score abaixo de 6.0 re-executa a task no tier medium antes de propagar (teto 3 escalações/run) — e os gates premium (writing/copywriting/seo/architecture/critical_review) recebem veredito de um painel de juízes 2-de-3 cross-family, sempre excluindo o provider dominante do output. O router virou Router Vivo: janela deslizante de 50 amostras por (task_type, alias) domina o scoring adaptativo, bateria canário semanal cobre aliases ociosos e priors de cold-start acolhem alias novo. O roteamento primário segue o da Sprint 16: Claude Fable 5 (tier frontier) em architecture e critical_review, Gemini 3.1 Pro em analysis, Claude Sonnet 4.6 em review e code_review, Sonar Pro (perplexity_fast) em realtime/social/brand monitoring e Perplexity expondo citations array com URLs/DOIs.
Decisões priorizam zero dependência adicional quando possível, padrões da indústria quando necessário e tipagem forte em todas as camadas.
Da demanda em linguagem natural até o relatório estruturado. Cada fase tem responsabilidade única e pode ser substituída isoladamente. Fases determinísticas (sem LLM) reduzem custo e latência; LLMs entram apenas onde raciocínio é necessário. Sprint 13 explicitou a fase Diversity Guarantee como etapa separada entre Smart Router e Plan Rebalance. A Sprint 17 inseriu um gate de cascata pós-wave: outputs do tier economy com tasks dependentes são pontuados por um verificador barato de outro provider antes de a wave seguinte começar — score abaixo de 6.0 re-executa no primeiro alias não-economy da chain (teto 3 escalações/run, cada escalação alimenta o feedback adaptativo do router).
O usuário descreve a tarefa em PT-BR. Pode ser uma frase ou um briefing de 500 palavras com restrições, exemplos e referências.
Pipeline de 3 etapas determinísticas (parse, enrich, optimize). Sem chamada de LLM. Inspirado em HALO (arXiv 2505.13516).
Sprint 9 reverteu o decompose para Sonnet (wave 1 estável). Gera plano JSON com tasks tipadas e dependências. Fallback: Gemini → Opus.
Classifica tier (SIMPLE/MODERATE/COMPLEX) com premium signals expandidos (Sprint 11). Define quantos LLMs participam e em qual tier.
Sprint 16: target = min(plan_size, 4) — com 4 providers canônicos, o alvo 5 da Sprint 13 era inatingível. _ensure_provider_diversity faz upgrades estratégicos quando o rebalance inicial não cobre o alvo. Plano de 4+ tasks busca 4 providers únicos.
Tasks determinísticas (slugify, JSON parse, regex) resolvidas sem LLM. Inspirado em Huryn/Medium. Economia ~30%.
Bag-of-words similarity sobre task description. Hit rate ~25%. TTL ajustado por Quality Judge.
Pré-aloca cada task respeitando PROVIDER_SHARE_CAP. Anthropic ≤ 45%, OpenAI ≤ 45%, Google ≤ 60% (herda o bulk ex-Groq), Perplexity ≤ 50%. Invariante de outage: soma dos caps menos qualquer provider ≥ 1,40. Architecture/critical_review hard-pin (Sprint 15: Fable 5 frontier com fallback Opus 4.8). Copy (writing/copywriting/seo) tem hierarquia premium-only gpt-5.5 → Opus 4.8 → Gemini Pro — Sprint 16 endureceu: Flash/Haiku proibidos em qualquer slot.
Tasks independentes executam simultaneamente em waves topológicas. Speedup observado: 2-5x. Sprint 13 adicionou wave preview em tempo real no stdout (>>> Wave N + [OK] tN -> provider) e expôs model_id + citations no TaskResult. Sprint 17 adicionou o gate de cascata pós-wave: outputs do tier economy que alimentam waves seguintes são pontuados 0-10 por verificador de OUTRO provider e, se score < 6,0, re-executados em alias não-economy antes de propagar (teto de 3 escalações por run) — output ruim da wave N não envenena a wave N+1.
Rubrica de 5 dimensões (factual, completude, PT-BR, eficiência, fontes). Verdict APROVADO/RESSALVAS/REPROVADO. Sprint 16 migrou o juiz de Groq para Gemini Flash (fallback Haiku 4.5) com anti-self-judging: via producer_provider, o juiz nunca é do provider dominante do output avaliado. Sprint 17: em runs com tasks premium/frontier (~10% dos casos), o veredito vem de um painel de 3 juízes de famílias distintas — mediana por dimensão, veredito mediano = maioria 2-de-3, sempre excluindo o provider dominante; juiz único segue no dia a dia.
execution_*.json com model_id + citations gravado, .kpi_history.jsonl atualizado, /health pollable (4 providers). Auto-trigger de recalibração se drift.
Tasks determinísticas (slugify, JSON parse, regex match) resolvidas sem LLM. Reduz ~30% das chamadas em demandas com componente operacional.
Pipeline de 3 etapas (parse, enrich, optimize) que enriquece a demanda antes de decompor. Aumenta ~25% a qualidade do plano gerado.
Jaccard similarity sobre bag-of-words da task description. Hit rate ~25% em runs repetidos. TTL ajustado pelo Quality Judge.
Classifica demand tier (SIMPLE/MODERATE/COMPLEX) e marca complexity por task. Define quantos LLMs participam e em qual tier.
Macro-plan inicial pode ser detalhado wave-a-wave por demanda complexa. Reduz over-decomposition em demandas simples.
LLM-as-Judge com rubrica de 5 dimensões. Sprint 16 migrou o juiz para Gemini Flash (fallback Haiku) com anti-self-judging (parâmetro producer_provider). Sprint 17 promoveu os gates premium/frontier (~10% dos runs) a painel 2-de-3 cross-family: 3 juízes de famílias distintas, mediana por dimensão, veredito por maioria — sempre excluindo o provider dominante do output (mitiga self-preference bias, arXiv 2604.22891). Com 5 providers (Sprint 19), excluir o produtor deixa 4 famílias e o painel usa 3. Juiz único (Flash) segue no dia a dia.
Sprint 17: verificador pós-geração barato de outro provider pontua (0-10) outputs do tier economy que alimentam waves seguintes; score < 6.0 re-executa no primeiro alias não-economy da chain antes de propagar — output ruim de wave N não envenena a wave N+1. Cascade retém 97-99% da acurácia do modelo mais forte; sinais pós-geração dominam routing puro quando o diferencial de custo é grande (arXiv 2605.06350). Teto 3 escalações/run com feedback adaptativo ao router.
Sprint 11 + 13 + 16: em planos COMPLEX 5+ tasks, _ensure_provider_diversity calcula target = min(plan_size, 4) providers únicos — a diversity floor fica nos 4 providers ORIGINAIS (resiliência de outage); o xAI reintegrado no Sprint 19 é aditivo, não forçado por diversidade. Invariante de outage: soma dos caps menos qualquer provider >= 1.40. Ensemble heterogêneo bate homogêneo em +7-15% quality (GSM8K/MATH) e reduz single-point-of-failure de 12% para 2% em outage.
O SmartRouter classifica cada demanda em SIMPLE / MODERATE / COMPLEX antes de rotear qualquer task. O score é a soma de 4 dimensões — Sprint 11 adicionou premium signals que puxam demandas curtas com sinal crítico ("monitorar X agora", "debate de múltiplas perspectivas") direto pra COMPLEX.
Cada domínio detectado na demanda adiciona ao multi-domain score. Sprint 11 adicionou 3 domínios canônicos que invocam rotas específicas — re-roteadas na consolidação da Sprint 16: realtime (Sonar Pro / perplexity_fast, era xAI Grok), multi_perspective (Claude Sonnet 4.6, era grok_multi) e premium_reasoning (Claude Fable 5 → Opus 4.8).
Em planos COMPLEX com 5+ tasks, o router calcula o alvo de cobertura como target = min(plan_size, 4) (Sprint 16 recalibrou: o alvo 5 da Sprint 13 era inatingível com 4 providers canônicos). Se o rebalance inicial não atinge o alvo, o router faz upgrades estratégicos usando hints por provider ausente. Architecture e critical_review nunca são movidos (hard-pin). Baseado em Mixture of Agents (Wang 2024, +7-15% quality), RouteLLM (Ong 2024, single-point-of-failure 12% → 2%) e When Agents Disagree (mar/2026, 0,810 vs 0,512 win rate).
O caminho completo da demanda até o relatório, com os 6 pontos de decisão chave — incluindo o sinal em degraus do Router Vivo (Sprint 18: janela deslizante de 50 amostras por task_type e alias → canário semanal → prior de cold-start) e o gate de cascata pós-wave (Sprint 17: outputs do tier economy que alimentam waves seguintes são verificados por outro provider antes de propagar; score abaixo de 6,0 escala para o primeiro alias não-economy da chain, com teto de 3 escalações por run).
# 1. Refine + decompose
plan = Sonnet_4_6.decompose(refined_demand) # wave 1 estável
tier = classify_demand(demand, len(plan.tasks)) # SIMPLE/MODERATE/COMPLEX
# 2. Sinal do router em degraus (Sprint 18 — Router Vivo)
signal = window_50(task_type, alias) # janela deslizante DOMINA
or canary(alias) # bateria semanal cli.py canary
or cold_start_prior(alias) # Fable 0.92 … Haiku 0.83
score = 0.6*success + 0.2*custo + 0.2*latência # histórico acumulado = fallback
# drift visível em ~5 amostras
# GEO_SHADOW_ROUTE: conta tasks que TERIAM ido a um alias (log-only, zero gasto)
# 3. Plan rebalance (cap por provider × 4 famílias)
assignments = rebalance_plan_assignments(plan) # anthropic ≤45%, openai ≤45%,
# google ≤60%, perplexity ≤50%
# invariante de outage:
# soma − qualquer provider ≥ 1.40
# 4. Diversity guarantee (Sprint 11 + Sprint 16)
if tier == COMPLEX and len(plan.tasks) >= 5:
target = min(len(plan.tasks), 4) # Sprint 16: alvo 5 era inatingível
assignments = _ensure_provider_diversity(
assignments, plan.tasks, tier, target,
)
# Sprint 15: architecture/critical_review em complexity high sobem ao tier
# frontier (claude_fable); refusal do Fable 5 → fallback claude (Opus 4.8)
# 5. Execute em waves com circuit breaker + health-aware + UX preview
for wave in topological_sort(plan.tasks):
print(f">>> Wave {wave.n} ({len(wave)} em paralelo):") # Sprint 13
results = await asyncio.gather(*[
llm_client.query( # 5xx → 1 retry curto
assignments[task.id], task, # 429 → backoff 2/4/8s
check_breaker=True, # provider OPEN → skip <100ms
# Sprint 13: thinking_budget=max(512, min(2048, max_tokens/3)) p/ Gemini Pro
# Sprint 13: return_citations=true p/ Perplexity → TaskResult.citations
) for task in wave
])
# 6. Gate de cascata pós-wave (Sprint 17 — Qualidade em Cascata)
for out in economy_outputs_com_dependentes(results):
v = verify(out, verificador_de_OUTRO_provider) # score 0-10 · ~$0.0005/check
if v < 6.0 and escalations < 3: # teto: 3 escalações/run
out = re_run(task, primeiro_nao_economy(chain)) # antes de propagar:
router.registra_falha_adaptativa(alias_economy) # wave N não envenena N+1
# 7. Quality Judge (Sprint 16: Gemini Flash · Sprint 17: painel 2-de-3) + persist
if run_tem_tasks_premium_frontier: # ~10% dos casos
verdict = painel_2_de_3(results, rubric_5_dims) # 3 juízes cross-family, mediana
else: # por dimensão, excluindo sempre
verdict = GeminiFlash.judge(results, rubric_5_dims, # o provider dominante
producer_provider=dominant) # anti-self-judging
write(execution_id + ".json", report) # model_id + citations + KPIsO scheduler agrupa as tasks por dependências em waves e executa cada wave com asyncio.gather(). Tasks independentes na mesma wave rodam simultaneamente em LLMs diferentes — speedup observado em produção: 3-5×.
O fan-out é controlado pelo cap por provider (pré-alocação plan-level entre as 5 famílias) e pela diversity guarantee dinâmica em planos COMPLEX (target = min(plan_size, 4) providers únicos). O fan-in passa pelo Quality Judge (Sprint 16: Gemini Flash com anti-self-judging), que valida e ajusta o TTL do cache. Desde a Sprint 23, a Wave 2 executa code no GPT-5.6 Sol (líder do AA Coding Agent Index) e o GPT-5.6 Luna entra como reforço economy nas chains de volume.
Decompose gera N tasks. Plan rebalance pré-aloca respeitando o cap por provider; _ensure_provider_diversity garante target = min(plan_size, 4) providers únicos em planos COMPLEX 5+ (a floor segue nos 4 providers ORIGINAIS; o xAI do Sprint 19 é aditivo, não entra na cota de diversidade). Anthropic ≤ 45%, OpenAI ≤ 45%, Google ≤ 60% (herda o bulk ex-Groq), Perplexity ≤ 50%. Invariante de outage: soma dos caps menos qualquer provider >= 1.40.
DAG das dependências quebrado em níveis. Tasks no mesmo nível executam paralelo. Speedup = soma(durações)/wall_clock — KPI persistido. Sprint 13 adicionou preview por wave no stdout (>>> Wave N + [OK] tN -> provider) para acompanhamento em tempo real.
Outputs consolidados passam pelo Quality Judge. Sprint 16 migrou o juiz para Gemini Flash (fallback Haiku) com anti-self-judging: o juiz nunca é do provider dominante do output avaliado. Verdict ajusta TTL do cache e pode disparar retry no próximo da fallback chain.
Cada LLM tem papel definido pelas suas forças. Pós-Sprint 16, Fable 5 reservado a architecture e critical_review (tier frontier, Sprint 15) com Opus 4.8 de fallback imediato em refusal dos classificadores de segurança; GPT-5.5 + Opus 4.8 + Gemini 3.1 Pro formam o tier premium-only de copy (writing/copywriting/seo — Flash/Haiku proibidos em qualquer slot das chains de copy, endurecido na Sprint 16); GPT-5.5 também é primary de translation pela qualidade PT-BR (Sprint 16) — code migrou para o GPT-5.6 Sol na Sprint 23 (líder do AA Coding Agent Index, 80 vs 77.2 do Fable; Terminal-Bench 88.8), que também atua como julgador cross-family aditivo nas chains de analysis/code_review/critical_review/architecture, enquanto o GPT-5.6 Luna ($1/$6) reforça 7 chains de volume; Perplexity sonar-deep-research é prioridade em research com return_citations=true + search_recency_filter=year (Sprint 13); Sonar Pro (perplexity_fast, novo na Sprint 16) assume realtime_search, social_listening, current_events e brand_monitoring (ex-xAI); Sonnet 4.6 decompõe wave 1 + primary em review, code_review e multi_perspective_decomposition (code_review foi upgrade deliberado num gate de qualidade); Gemini 3.1 Pro protagonista em analysis, fact_check e long_context_synthesis (1M ctx); Gemini 3.5 Flash primary em classification, summarization e extraction (fallback Haiku, custo neutro vs Groq) e sede do QualityJudge; Haiku 4.5 em tasks simples, fallback bulk, ping e health.
Sprint 12 · diretriz canônica: “COPY PREMIUM ONLY” — toda task de writing, copywriting ou SEO segue obrigatoriamente a hierarquia gpt-5.5 → claude-opus-4-8 → gemini-3.1-pro → perplexity. A Sprint 16 endureceu a diretriz: Flash e Haiku proibidos em qualquer slot das chains de copy (invariante testado). Decisão editorial de Alexandre Caramaschi: voz PT-BR densa exige reasoning nativo + 1M ctx; downgrade automático para tiers menores gerou incidentes documentados (curso saude-mental-vibecoding 14-05-2026).
Sprints 17-18 · o que NÃO mudou (à época): a matriz de roteamento primário dos 23 task types era a mesma da Sprint 16 — 9 modelos, 4 providers, catalog v3.0 (a Sprint 19 depois reintegrou o xAI e a Sprint 23 somou GPT-5.6 Sol/Luna → hoje 13 modelos / 5 providers / catalog v4.1). O que as Sprints 17-18 mudaram foi o algoritmo em volta: outputs do tier economy (Gemini Flash/Haiku) com tasks dependentes passam por verificador em cascata antes de propagar (score < 6.0 escala para o tier medium, teto 3/run), e o router pondera cada alias pela janela deslizante de 50 amostras por (task_type, alias) — success 60% / custo 20% / latência 20% — com canário semanal e priors de cold-start. Premissas do CEO: melhor modelo nas tarefas onde cada ponto de qualidade importa, economia nas simples; latência não é prioridade.
Nota histórica (Sprints 11-15): xAI Grok (com K) ≠ Groq Inc (com Q). xAI tinha modelos próprios dedicados aos task types realtime/social — a busca live em X via search_parameters foi descontinuada pela própria xAI em 2026-05-29 (HTTP 410); Groq Inc operava infra LPU para Llama 4 Scout e openai/gpt-oss-120b. A Sprint 16 removeu ambos do roteamento: Groq era bulk substituível a custo neutro por Gemini Flash, e a xAI perdera o diferencial que justificava o provider. Sentinelas em test_sprint16.py garantem que "groq"/"grok"/"xai" estão ausentes de todas as estruturas.
Escolha um task type e veja a demanda percorrer o caminho real: decompose em Sonnet, Smart Router e o provider vencedor. Derrube 1 ou 2 providers e o token cascateia pela fallback chain completa até o primeiro provider vivo. Novidade da Sprint 23: code roteia para o GPT-5.6 Sol (selo “5.6” no vencedor) e o GPT-5.6 Luna reforça as chains de volume — teste também classification ou extraction derrubando providers.
Custo estimado com carga típica de 1.500 tokens de entrada e 2.500 de saída sobre o pricing real do catalog v4.0. Em outage, o circuit breaker abre em 3 falhas e o token cascateia pela fallback chain cross-provider — a diversity floor cobre os 4 providers originais; o xAI é aditivo, roteado onde o bench prova valor.
Tier frontier inaugurado na Sprint 15. Primeira classe Mythos disponível ao público (lançado 09-jun-2026), SOTA em quase todos os benchmarks (SWE-Bench Pro 80.3% vs 58.6% do GPT-5.5). Reservado a architecture e critical_review em complexity high; se os classificadores de segurança recusarem o request (stop_reason=refusal), o fallback imediato é Opus 4.8 — degrau intra-provider sem sair da família Claude.
Tier premium Anthropic, degrau imediato abaixo do Fable 5: assume architecture e critical_review quando o frontier recusa (refusal dos classificadores de segurança) e segue como fallback premium de copy. Modelo canônico Opus 4.8 desde 2026-05-29; pricing oficial $5/$25 por Mtok confirmado na Sprint 15.
Tier intermediário Anthropic. Sprint 9 promoveu Sonnet a decomposer canônico (wave 1 estável); Sprint 13 oficializou como REVIEW PRIMARY. Sprint 16 ampliou o papel: primary de code_review (era Groq Heavy; fallback GPT-5.5 — upgrade deliberado ~10x num gate de qualidade) e de multi_perspective_decomposition (era grok_multi). ~80% mais barato que Opus.
Tier econômico Anthropic. Acionado por downgrade automático em complexity LOW. Sprint 15 realinhou o pricing ao oficial ($1/$5 por Mtok); Sprint 16 o tornou o fallback do bulk ex-Groq (classification, summarization e extraction atrás do Gemini Flash) e do QualityJudge.
Redator e copywriter PREMIUM canônico pós-Sprint 12. Upgrade Sprint 11 trocou model_id gpt-4o → gpt-5.5 (lançado 23-04-2026, 1M ctx + reasoning nativo + pt-BR otimizado); Sprint 12 oficializou como PRIMARY de writing/copywriting/seo na diretriz COPY PREMIUM ONLY; Sprint 14 assumiu code; Sprint 16 assumiu translation (qualidade PT-BR, era Groq) e virou fallback de code_review. Na Sprint 23 cedeu code ao GPT-5.6 Sol (evidência AA Coding Agent Index) e SEGUE copy primary — o Sol é fraco em escrita one-shot (último de 6 no bench da Every).
Inserido na Sprint 23 (10-07-2026) por evidência de relatório de benchmarking global: líder do AA Coding Agent Index (80 vs 77.2 do Claude Fable 5) e Terminal-Bench 88.8. PRIMARY de code e julgador cross-family ADITIVO nas chains de analysis/code_review/critical_review/architecture — amplia a diversidade de famílias no julgamento sem destronar o Fable, que segue frontier de arquitetura (SWE-Bench Pro 80 vs 64.6 do Sol). NÃO entra em copy premium: escrita one-shot é o ponto fraco (último de 6 no bench da Every).
Inserido na Sprint 23 (10-07-2026) como tier economy da família GPT-5.6: reforço em 7 chains de volume (classification, extraction, data_processing, social_listening, brand_monitoring, realtime_search, current_events) — slot aditivo, sem destronar Gemini Flash/Haiku. Com o cache OpenAI reprecificado por modelo, registrou -55% de custo em cache hit no smoke real. O irmão Terra ficou fora do parque: na fronteira de Pareto da Artificial Analysis, Luna e Sol o dominam por custo.
Analista profundo principal pós-Sprint 13. Upgrade 2.5 → 3.1 Pro (preview) em 2026-05-29 manteve 1M ctx. Sprint 13 corrigiu bug de thinkingBudget no 2.5 Pro — reserva 1/3 do max_tokens para thinking interno (mín 512, máx 2048) garantindo que parts[] não retorne vazio em respostas longas — e a Sprint 14 estendeu esse cap a todos os Gemini *-pro, cobrindo o 3.1-pro-preview que antes rodava sem teto. Primary em analysis e fallback de fact_check e data_processing; em code virou fallback do GPT-5.5 (Sprint 14). Sprint 16 herdou long_context_synthesis — o teto de contexto do pipeline passa de 2M (grok_multi) para 1M, perda documentada da consolidação.
Tier Flash do Google · adicionado Sprint 10 pós-outage 02-mai. Upgrade 2.5 → 3.5 Flash em 2026-05-29, GA em 08-jun-2026 sem mudança de pricing ($0,30/$2,50). Mantém 1M context com latência e custo bem menores que o Pro. Sprint 16 fez do Flash o cavalo de carga do bulk ex-Groq: primary de classification, summarization e extraction (fallback Haiku 4.5, custo neutro vs Groq) além de data_processing — e novo QualityJudge canônico (era Groq), com ANTI-SELF-JUDGING: o juiz nunca é do provider dominante do output avaliado (producer_provider). Sprint 17: outputs economy do Flash que alimentam waves seguintes passam pelo verificador em cascata de outro provider antes de propagar; em gates premium/frontier, o juiz único dá lugar ao painel 2-de-3 cross-family.
Pesquisador profundo. Sprint 13 ativou return_citations=true + search_recency_filter=year no POST body — LLMResponse e TaskResult agora expõem citations: list[str] (URLs/DOIs verificáveis) persistidos no JSON de auditoria. Bateria E2E validou Aggarwal SIGIR 2024 e Reyes-Lillo 2025 com DOIs reais. Sprint 12 restaurou cap 0,35 → 0,50 (era restritivo pós-bateria 360); adaptive_decomposer decompõe research em sub-tasks naturalmente.
Monitor live-web · adicionado na Sprint 16 (9º modelo canônico). Primary de realtime_search e current_events (busca web ao vivo com citações). Na Sprint 19 cedeu social_listening/brand_monitoring de volta ao Grok 4.5 (que tem a timeline X ao vivo) e virou o fallback desses dois — cobre web geral se o xAI cair.
Reintegrado na Sprint 19 (2026-07-09) como premium de NICHO. É o ÚNICO do parque com busca LIVE na timeline do X — primary de social_listening e brand_monitoring, restaurando a perda documentada do Sprint 16. Líder em julgamento profissional (Snorkel GDPval+ jul/2026: 29% vs 22% do GPT-5.5 e 21% do Opus 4.8 em jurídico/educação/saúde/QA), entra como reforço em analysis e nas chains de realtime/current. Decisão validada contra a API viva: o search_parameters legado foi depreciado → migrado para a Agent Tools API (/v1/responses com x_search). NÃO entra em SWE de ponta (fica abaixo de Opus/Fable) nem em copy premium PT-BR.
Reintegrado na Sprint 19 como primary de multi_perspective_decomposition — raciocínio estendido single-agent para múltiplos pontos de vista com veracidade rigorosa (espírito do antigo grok_multi). O modelo multi-agente da xAI não é chamável via chat completions (validado na API viva: 'Multi Agent requests are not allowed'), então usamos o reasoning single-agent, mais confiável. Fallback Claude Sonnet cobre outage do xAI.
O cap é aplicado por família de provider, não por alias. Anthropic (Fable 5 + Opus 4.8 + Sonnet 4.6 + Haiku 4.5) compartilha o mesmo teto de share por run; Google (Pro + Flash) herda o bulk ex-Groq com cap 60%; Perplexity (Sonar Deep Research + Sonar Pro) mantém os 50% da Sprint 12. A Sprint 19 reintegrou o xAI (Grok 4.5 + Grok 4.20 Reasoning) com cap 35% — aditivo, roteado onde o bench prova valor (live X em social/brand, multi_perspective). Invariante de outage testado: a soma dos caps menos qualquer provider é ≥ 1,40 — perder um provider inteiro ainda deixa capacidade de share para redistribuir o plano. O método rebalance_plan_assignments() pré-aloca cada task respeitando esses limites antes da execução; em planos COMPLEX 5+ tasks, o _ensure_provider_diversity() garante cobertura mínima dinâmica de min(plan_size, 4) providers únicos — a diversity floor segue nos 4 providers originais (resiliência de outage); o xAI é aditivo e não é forçado por diversidade.
Sprint 16 elevou 40% → 45% na consolidação. Fable 5 + Opus 4.8 + Sonnet 4.6 + Haiku 4.5 somados no mesmo teto: wave 1 (decomposition), review, code_review e os fallbacks Haiku do bulk precisam de espaço com 4 providers.
Sprint 23 elevou 45% → 50%: além de copy (GPT-5.5) e translation, a OpenAI passa a somar o code primary (GPT-5.6 Sol), o julgamento cross-family aditivo e o volume da Luna no mesmo teto. Budget diário $70 (global $290), RPM 90 (burst 5).
Sprint 16 elevou 45% → 60%: o Google herda o bulk ex-Groq (classification/summarization/extraction no Flash) além de analysis, data_processing e long_context_synthesis. Inclui Pro + Flash somados. RPM subiu de 30 para 60 (burst 5).
Cap 50% desde a Sprint 12 ('Perplexity como prioridade em research'). Inclui Sonar Deep Research + Sonar Pro. Sprint 19: o Sonar Pro cedeu social_listening/brand_monitoring ao Grok, mantendo realtime_search/current_events como primary. RPM 30 (burst 3).
Reintegrado na Sprint 19 com cap 0,35: engaja em social_listening/brand_monitoring (Grok 4.5, live X), multi_perspective (Grok 4.20 Reasoning) e reforço em analysis sem dominar um run. Invariante de outage preservada — soma dos caps 2,35; pior caso (Google 0,60 fora) deixa folga 1,75 ≥ 1,40. Limite diário $40, RPM 60 (burst 3).
Cada tipo de task tem um primary (LLM padrão) e um fallback automático. Quando o primary falha, atinge timeout ou estoura o cap, a fallback chain assume sem perda de tarefa. Sprint 15 (12-jun-2026) elevou architecture e critical_review ao tier frontier: Claude Fable 5 primary em complexity high, com Opus 4.8 de fallback imediato em refusal. Sprint 16 (08-jul-2026) re-roteou os 23 task types na consolidação para 4 providers: o bulk ex-Groq (classification, summarization, extraction) foi para Gemini Flash com fallback Haiku a custo neutro; translation foi para GPT-5.5 (qualidade PT-BR); code_review subiu para Sonnet 4.6 com fallback GPT-5.5 (upgrade deliberado ~10x num gate de qualidade); e os task types realtime/social herdados do xAI passaram ao novo Sonar Pro (perplexity_fast). A Sprint 19 (09-jul-2026) reintegrou o xAI: social_listening e brand_monitoring subiram para o Grok 4.5 (busca live na timeline do X, restaurando a perda do Sprint 16), e multi_perspective_decomposition para o Grok 4.20 Reasoning.
| Task type | Categoria | Primary | Fallback |
|---|---|---|---|
| research | PESQUISA | Sonar Deep | Gemini Pro |
| fact_check | PESQUISA | Sonar Deep | Gemini Pro |
| analysis | CONSTRUÇÃO | Gemini Pro | GPT-5.5 |
| data_processing | CONSTRUÇÃO | Gemini Flash | Haiku 4.5 |
| writing | CONSTRUÇÃO | GPT-5.5 | Opus 4.8 |
| copywriting | CONSTRUÇÃO | GPT-5.5 | Opus 4.8 |
| seo | CONSTRUÇÃO | GPT-5.5 | Opus 4.8 |
| code | CONSTRUÇÃO | GPT-5.6 Sol | Gemini Pro |
| review | VALIDAÇÃO | Sonnet 4.6 | Gemini Flash |
| code_review | VALIDAÇÃO | Sonnet 4.6 | GPT-5.5 |
| architecture | VALIDAÇÃO | Fable 5 | Opus 4.8 |
| critical_review | VALIDAÇÃO | Fable 5 | Opus 4.8 |
| decomposition | CONSTRUÇÃO | Sonnet 4.6 | Gemini Pro |
| extraction | VELOCIDADE | Gemini Flash | Haiku 4.5 |
| classification | VELOCIDADE | Gemini Flash | Haiku 4.5 |
| translation | VELOCIDADE | GPT-5.5 | Gemini Flash |
| summarization | VELOCIDADE | Gemini Flash | Haiku 4.5 |
| realtime_search | PESQUISA | Sonar Pro | Gemini Flash |
| social_listening | PESQUISA | Grok 4.5 | Sonar Pro |
| current_events | PESQUISA | Sonar Pro | Gemini Flash |
| brand_monitoring | PESQUISA | Grok 4.5 | Sonar Pro |
| multi_perspective_decomposition | CONSTRUÇÃO | Grok Reason | Sonnet 4.6 |
| long_context_synthesis | CONSTRUÇÃO | Gemini Pro | GPT-5.5 |
Pesquisa profunda · Sprint 12 restaurou cap 0,35→0,50 e Sprint 13 ativou return_citations=true com search_recency_filter=year (DOIs/URLs persistidos)
Verificação factual · Sprint 13 oficializou Gemini Pro como fallback (era Flash) para preservar qualidade de fonte
Análise profunda · Gemini Pro primary (Sprint 13) · Sprint 16 alinhou o fallback a GPT-5.5 (cross-provider, sobrevive a outage Google)
Processamento de datasets em lote · Sprint 16 alinhou o fallback a Haiku 4.5 (cross-provider, mesmo tier de custo)
Conteúdo longo PT-BR · COPY PREMIUM ONLY (Sprint 12) · Sprint 16 endureceu: Flash/Haiku proibidos em qualquer slot das chains de copy
Copy persuasivo · COPY PREMIUM ONLY: fallback Opus 4.8 · chain premium-only endurecida na Sprint 16
SEO de longa cauda · COPY PREMIUM ONLY: fallback Opus 4.8 · chain premium-only endurecida na Sprint 16
Geração de código de produção · Sprint 23 (2026-07-10) promoveu o GPT-5.6 Sol a primary por evidência (AA Coding Agent Index 80 vs 77.2 do Fable; Terminal-Bench 88.8), com Gemini Pro de fallback e GPT-5.5 na chain
Review padrão · Sonnet 4.6 primary desde a Sprint 13; Sprint 16 trocou o fallback Groq Heavy por Gemini Flash
Review de código · Sprint 16: Sonnet 4.6 primary (era Groq Heavy) com fallback GPT-5.5 — upgrade deliberado ~10x num gate de qualidade
Desenho de arquitetura · Sprint 15 promoveu Claude Fable 5 (tier frontier) a primary em complexity high, com Opus 4.8 de fallback imediato em refusal
Validação final crítica antes de release · Sprint 15: Fable 5 (tier frontier) primary, fallback intra-provider Opus 4.8 em refusal dos classificadores de segurança
Quebra de demanda em plano · Sprint 9 voltou pra Sonnet (wave 1 estável)
Extração estruturada · Sprint 16 migrou de Groq Heavy para Gemini Flash (fallback Haiku 4.5) a custo neutro
Triagem ultra-rápida · Sprint 16: Gemini Flash assume o bulk ex-Groq com fallback Haiku 4.5, custo neutro
Tradução PT-EN, EN-PT e similares · Sprint 16 promoveu GPT-5.5 a primary (qualidade PT-BR, era Groq)
Resumo executivo de textos longos · Sprint 16: Flash primary (era Groq) com fallback Haiku 4.5
Busca de eventos recentes · Sonar Pro no canal live-web · Sprint 19: Grok 4.5 entra na chain como reforço de frescor (timeline X)
Escuta social · Sprint 19 sobe para Grok 4.5 — busca LIVE na timeline do X, onde a conversa vive (restaura a perda do Sprint 16); fallback Sonar Pro (web geral)
Eventos atuais via Sonar Pro · Sprint 19: Grok 4.5 como reforço na chain (cross-check na timeline X)
Monitoramento de marca · Sprint 19 sobe para Grok 4.5 — menções de marca em tempo real na timeline do X; fallback Sonar Pro
Decomposição multi-perspectiva · Sprint 19: Grok 4.20 Reasoning (raciocínio estendido, múltiplos pontos de vista — espírito do grok_multi); fallback Sonnet 4.6
Síntese >500K tokens · Sprint 16: Gemini Pro 1M ctx primary (o teto 2M do grok_multi sai — perda documentada), fallback GPT-5.5 (1M ctx)
Invariante testado desde a Sprint 16 (tests/test_sprint16.py): para todo task type, TASK_TYPES[t].primary == FALLBACK_CHAINS[t][0] e fallback == chain[1] — a tabela acima é, por construção, o início exato de cada fallback chain (fecha o drift histórico entre as duas estruturas). Toda chain cobre os 4 providers originais (resiliência de outage); a Sprint 19 reintegrou o xAI como 5º provider aditivo (grok/grok_reason vivos) — sentinelas garantem que só groq (Groq Inc) segue ausente das estruturas de roteamento. Desde a Sprint 17, outputs do tier economy (Gemini Flash/Haiku) que alimentam waves seguintes passam por um verificador em cascata antes de propagar — score abaixo de 6,0 re-executa no primeiro alias não-economy da chain (arXiv 2606.27457: cascade retém 97-99% da acurácia do modelo mais forte).
Cada sprint resolveu uma tese específica: fundação CLI, otimização de custo, observabilidade, self-healing, reliability, enterprise readiness, rebalanceamento Gemini-first, resiliência em produção, hardening de bateria 360, xAI Grok como 6º provider com diversity guarantee, COPY PREMIUM ONLY + Perplexity prioridade na Sprint 12, bateria E2E com 6 gaps fechados na Sprint 13, otimização FinOps do Gemini na Sprint 14, tier FRONTIER inaugurado com o Claude Fable 5 na Sprint 15 (primary de architecture/critical_review high, fallback Opus 4.8 em refusal), Sprint 16 (08-jul-2026) com a consolidação em 4 providers — Groq Inc e xAI Grok removidos do roteamento, novo Sonar Pro (perplexity_fast) em realtime/social, QualityJudge migrado para Gemini Flash com anti-self-judging, invariante TASK_TYPES == FALLBACK_CHAINS testado nos 23 task types + 37 sentinelas — e, últimas, Sprints 17-18 (08-jul-2026), especificadas pelo próprio orquestrador em run real de dogfooding (13 tasks em 7 waves, 4/4 providers, US$ 0,4638): Qualidade em Cascata — verificador pós-geração sobre outputs do tier economy que alimentam waves seguintes (score < 6.0 escala para o tier medium, teto 3/run) + painel de juízes 2-de-3 cross-family em gates premium — e Router Vivo — janela deslizante de 50 amostras por (task_type, alias), bateria canário semanal, priors de cold-start e shadow-routing (log-only). A Sprint 19 (09-jul-2026) CONCRETIZOU a rampa do shadow-routing — reintegração do xAI: Grok 4.5 (busca live na timeline do X, social_listening/brand_monitoring) e Grok 4.20 Reasoning (multi_perspective), com o xAI ADITIVO. A Sprint 20 (09-jul-2026) endureceu a resiliência de timeout: um bug latente onde o pool de conexões congelava o read timeout do 1º chamador por provider tornava as bandas por task_type letra morta em runtime (research/architecture cortados no default) — corrigido com timeout POR-REQUEST no .post(), folga generosa nas bandas (research 600s, architecture/critical 720s), janela de contexto entre waves 2000→12000 chars, timeout adaptativo no retry, sentinela de cobertura no cli doctor e o comando cli.py timeouts. A Sprint 21 (09-jul-2026) fechou a revisão CTO-Fable (lentes de decision-discriminators e intended-vs-implemented): escrita atômica dos state files (o padrão de atomicidade do FinOps propagado ao router/calibração/cache), redirect por budget re-verificando o cap de concentração (violação explícita, nunca silenciosa), cache semântico exact-only para copy/research, ConnectionPool.shutdown real e suíte local Windows idêntica ao CI pela primeira vez. A Sprint 22 (09-jul-2026) abriu o orquestrador como biblioteca: SDK call-level com call_llm() herdando timeout por task_type, fallback chain e FinOps do pipeline — primeiro consumidor externo (curso-factory) em modo opt-in. A Sprint 23 (10-jul-2026) inseriu o GPT-5.6 por evidência de benchmarking global: GPT-5.6 Sol vira primary de code (AA Coding Agent Index 80 vs 77.2 do Fable; Terminal-Bench 88.8) e julgador cross-family aditivo nas chains de analysis/code_review/critical_review/architecture; GPT-5.6 Luna entra em 7 chains de volume; o Terra ficou de fora da fronteira de Pareto. COPY PREMIUM ONLY intacto (GPT-5.5 segue copy primary) e Fable 5 preservado como frontier de julgamento/arquitetura. A Sprint 24 (10-jul-2026) fechou os loops — meta-harness e qualidade com consequência: o pipeline deixou de ser feed-forward. Sinal duplo no router (janela quality: separada do transporte; 0.40 transporte + 0.30 qualidade + 0.20 custo + 0.10 latência, byte-igual à legada sem amostras), record_feedback LIGADO (canal morto desde a Sprint 18), judge com consequência (REPROVADO → re-executa as 2 piores → re-julga → entrega flagged com quality_flag + exit code 3), code verifier que RODA o código gerado em subprocess isolado, cascata convergente, replan + abort (AdaptiveDecomposer reativado; PlanCollapseError + exit code 4), breaker de qualidade com cooldown 6h, outer loops agendados (canário semanal + dogfooding mensal) e 6 invariantes anti reward-hacking — tudo atrás de flags GEO_* com kill-switch. Smoke real US$ 0,24 com o Google fora do ar: 7/7 tasks OK. Parque intocado: 5 providers / 13 modelos, 531 testes verde. Próximas sprints implementam topology-first routing (AdaptOrch fev/2026) e difficulty-conditional depth (DAAO set/2025). Roadmap atualizado em tempo real com origem de cada decisão.
De abril a julho de 2026, vinte e quatro sprints entregaram desde a fundação do CLI até o fechamento de loops da Sprint 24 (meta-harness e qualidade com consequência: sinal duplo no router, judge gate com quality_flag + exit code 3, code verifier que roda o código, replan + abort e breaker de qualidade — parque intocado). Antes, a Sprint 23 inseriu o GPT-5.6 por evidência (Sol como code primary e julgador cross-family, Luna nas chains de volume); as Sprints 17-18 (Qualidade em Cascata + Router Vivo) foram especificadas pelo próprio orquestrador em dogfooding; a Sprint 19 reintegrou o xAI (Grok 4.5 com busca live na timeline do X) e a Sprint 22 abriu o SDK call-level — parque de 5 providers, 13 modelos, invariante TASK_TYPES == FALLBACK_CHAINS testado nos 23 task types.
11 fixes P0/P1 cirúrgicos validados por bateria científica
Claude Opus → Sonnet → Haiku acionado automaticamente por complexity
AVG_COST_PER_CALL ajustado + tier_engagement + fallback_save_rate
Loop FinOps fechado com aprendizado de custo a partir do histórico real
Cobertura ponta-a-ponta sem custo de LLM e health check pollable
YAML como single source of truth, HTTP pollable e dashboard publicável
Opus reservado a architecture/critical_review · Gemini protagonista em code/review · Groq Heavy via gpt-oss-120b
Outage de provider deixa de quebrar a wave · circuit breaker religado · backoff por classe · redistribuição cross-provider
218/220 verde → 223/224 pós-fix · cap Perplexity 50→35% · gemini_flash ativo em tasks medium
Grok (com K) ≠ Groq (com Q) · 12 modelos / 6 providers · realtime_search exclusivo · Mixture of Agents · Opus 4.6 → 4.7 · Llama 4 Scout
Copy só usa GPT-5.5 → Opus 4.7 → Gemini Pro (Sonnet/Haiku/Flash banidos) · cap Perplexity 0,35 → 0,50 · catalog YAML v2.1 gpt-5.5 canônico
6 fixes pós-bateria E2E · Pro ativo em analysis/fact_check/data_processing · Sonnet em review primary · target=min(plan_size,5) · model_id + citations no audit · thinkingBudget guard · UX wave preview
thinkingBudget estendido ao Gemini 3.x Pro + code roteado para GPT-5.5
claude-fable-5 (13º modelo canônico) primary de architecture e critical_review · fallback imediato Opus 4.8 em refusal · pricing oficial corrigido · catalog YAML v2.2
Groq Inc e xAI Grok saem do roteamento · catalog v3.0 · Sonar Pro (perplexity_fast) entra · QualityJudge anti-self-judging · invariante TASK_TYPES == FALLBACK_CHAINS testado · 312 passed + 1 xfailed
Verificador pós-geração sobre outputs economy · painel de juízes 2-de-3 cross-family em gates premium · desenhada pelo próprio orquestrador (dogfooding)
Janela deslizante de 50 amostras domina o scoring · bateria canário semanal · priors de cold-start · shadow-routing como rampa da reintegração do xAI
A rampa da Sprint 18 concretizada · Grok 4.5 traz de volta a busca live na timeline do X · decisão validada contra a API viva, não contra marketing de vendor
Um incidente real de deep research expôs um bug latente sistêmico · timeout por-request no .post() · folga generosa sem economia que corte buscas longas · sentinela anti-drift
Revisão de engenharia com as lentes do /cto-fable · 5 gaps de enforcement inconsistente corrigidos · cada verify virou teste · local Windows == CI pela primeira vez
O orquestrador vira biblioteca sem perder a governança · chamada avulsa herda timeout, fallback e FinOps · curso-factory consome em modo opt-in
GPT-5.6 (lançado 09/07) entra por evidência de benchmarking global · Sol vira code primary e julgador cross-family · Luna reforça o volume · Terra fica fora da fronteira de Pareto · copy premium intacto
O pipeline deixou de ser feed-forward · sinal duplo no router, judge com consequência, code verifier que RODA o código, replan + abort e breaker de qualidade · smoke real US$ 0,24 com o Google fora do ar · parque intocado
Cada item entregue com descrição, justificativa, métricas e arquivos tocados.
11 fixes P0/P1 cirúrgicos validados por bateria científica
Religação completa do cli.py ao Orchestrator(smart=True).run(), removendo o caminho legado v1.0.
Claude Opus → Sonnet → Haiku acionado automaticamente por complexity
O SmartRouter aplica downgrade dentro da família Claude com base em task.complexity (1-2 → Haiku, 3 → Sonnet, 4-5 → Opus).
AVG_COST_PER_CALL ajustado + tier_engagement + fallback_save_rate
Mede a percentagem de tarefas Claude que foram roteadas para Sonnet/Haiku em vez de Opus, validando a adoção do downgrade automático.
Loop FinOps fechado com aprendizado de custo a partir do histórico real
Novo módulo cost_calibrator.py varre os últimos N execution_*.json, agrupa custos por LLM, filtra outliers e persiste a calibração em .cost_calibration.json.
Speedup = sum(task_durations) / total_duration. 1.0 = totalmente sequencial; 5.0 = 5 tarefas paralelas perfeitas.
Cobertura ponta-a-ponta sem custo de LLM e health check pollable
Verifica em uma chamada: api_keys, catalog_consistency, finops_daily, kpi_history freshness, cost_calibration age e drift_detector.
YAML como single source of truth, HTTP pollable e dashboard publicável
build_llm_configs_from_catalog() constrói o dict LLMConfig a partir de catalog/model_catalog.yaml em tempo de import.
Servidor http.server minimal expõe GET /health (200/503), GET /metrics e GET / (docs). Zero dependência adicional.
Opus reservado a architecture/critical_review · Gemini protagonista em code/review · Groq Heavy via gpt-oss-120b
code e review saíram de primary=claude para primary=gemini. Opus reservado exclusivamente a architecture e critical_review (raciocínio arquitetural ou validação final crítica).
Novo alias groq_heavy controlado via env var GROQ_HEAVY_MODEL. Default ativado: openai/gpt-oss-120b (120B parâmetros, 131K context, 56 reasoning tokens internos).
Outage de provider deixa de quebrar a wave · circuit breaker religado · backoff por classe · redistribuição cross-provider
src/circuit_breaker.py existia completo (310 linhas, CLOSED/OPEN/HALF_OPEN, registry singleton) desde o Round 3 mas nunca foi importado em pipeline.py nem llm_client.py — vaporware. Religado: 3 falhas seguidas em qualquer provider abrem o circuito por 90s; tasks subsequentes raise CircuitBreakerError em ~0ms e caem para o próximo da fallback chain.
compute_provider_health() lê o CircuitBreakerRegistry e gera 3 campos novos por entry: provider_health (dict por provider com state, consecutive_failures, totals, health_score), min_provider_health_score (pior provider da run) e providers_open (quantos circuits ficaram OPEN).
218/220 verde → 223/224 pós-fix · cap Perplexity 50→35% · gemini_flash ativo em tasks medium
Sonnet pós-rebalance 02-mai começou a devolver dependencies como list de dicts ({task_id:t1}) em vez de strings simples ([t1]). ValidationError quebrava cli.py plan totalmente. Agora _parse_plan aceita os dois formatos e formatos mistos.
Bateria 360 mostrou Perplexity sonar-deep-research consumindo 84% do wall time e 82% do custo em runs com 1 task de research profunda. AVG_COST_PER_CALL elevado de $0,008 para $0,05 (5-9x mais real). Cap reduzido de 50% para 35% força decomposição em sub-tasks ou downgrade para sonar-pro em queries simples.
GEMINI_MODEL e GEMINI_FLASH_MODEL controlam Pro/Flash em runtime. Flash ($0,30/$2,50 por Mtok) mantém 1M context com latência ~3x menor e custo ~5x menor que Pro. Pro reservado para code/architecture/decomposition; Flash entra em analysis, data_processing, fact_check fallback, classification, summarization, extraction.
Grok (com K) ≠ Groq (com Q) · 12 modelos / 6 providers · realtime_search exclusivo · Mixture of Agents · Opus 4.6 → 4.7 · Llama 4 Scout
Provider.XAI adicionado ao enum. 3 entradas LLMConfig: grok (grok-4.3 flagship, 1M ctx, $1,25/$2,50 per Mtok, realtime_search+vision+reasoning), grok_multi (grok-4.20-multi-agent-0309, 2M ctx, 4 agentes paralelos nativos), grok_fast (grok-4.20-0309-non-reasoning, classificação rápida sem CoT interno).
realtime_search, social_listening, current_events, brand_monitoring (todos primary=grok, fallback=perplexity), multi_perspective_decomposition (primary=grok_multi, fallback=claude_sonnet), long_context_synthesis (primary=grok_multi, fallback=gemini). _infer_task_type do adaptive_decomposer reconhece keywords PT-BR/EN testadas ANTES das genéricas (research/analysis) — "monitorar Twitter agora" vira realtime_search em vez de research.
Novo método no SmartRouter garante cobertura mínima de 4/6 providers únicos em planos COMPLEX com 5+ tasks. Faz upgrades estratégicos quando rebalance_plan_assignments inicial não atinge o alvo, usando hints por provider ausente (architecture → claude opus, writing → gpt4o, research → perplexity, code → gemini pro, classification → groq, realtime_search → grok).
Claude Opus 4.6 → 4.7 (GA desde 16-04-2026, mesmo tier $15/$75). Groq default Llama 3.3 70B → meta-llama/llama-4-scout-17b-16e-instruct ($0,59/$0,79 → $0,11/$0,34, 5x mais barato). Groq Heavy default consolidado em openai/gpt-oss-120b (era llama-3.3-70b por compatibilidade segura).
Copy só usa GPT-5.5 → Opus 4.7 → Gemini Pro (Sonnet/Haiku/Flash banidos) · cap Perplexity 0,35 → 0,50 · catalog YAML v2.1 gpt-5.5 canônico
writing, copywriting e seo agora têm primary=gpt4o (GPT-5.5) e fallback=claude (Opus 4.7). FALLBACK_CHAINS começa com gpt4o → claude → gemini → perplexity — os 4 primeiros slots são todos premium-tier. Sonnet 4.6, Haiku 4.5 e Gemini 2.5 Flash banidos de copy.
Cap restaurado ao valor pré-bateria 360. FALLBACK_CHAINS['research'] reordenado: perplexity → gemini Pro → claude Opus → gpt-5.5; groq só como último recurso.
catalog/model_catalog.yaml v2.1 substitui referências a gpt-4o por gpt-5.5 canônico (lançado 23-04-2026, 1M ctx + reasoning nativo + pt-BR otimizado). Pricing $5.00/$15.00 por Mtok refletido em test_sprint7.py.
6 fixes pós-bateria E2E · Pro ativo em analysis/fact_check/data_processing · Sonnet em review primary · target=min(plan_size,5) · model_id + citations no audit · thinkingBudget guard · UX wave preview
Quatro alterações cirúrgicas em src/config.py:296-321. analysis: primary=gemini (Pro, era gemini_flash), fallback=gemini_flash (era groq_heavy). review: primary=claude_sonnet (era groq_heavy), fallback=groq_heavy (era gemini_flash). fact_check: fallback=gemini (Pro, era gemini_flash). data_processing: fallback=gemini (Pro, era groq).
src/smart_router.py:704 antes fixava target=4. Bateria E2E mostrou que plano de 5 tasks fechava com 4/5 providers porque o alvo já estava satisfeito em 4. Agora target = min(len(tasks), 5) — plano de 5 tasks busca 5 providers únicos, plano de 6+ busca 5 (capado pelo número viável dado os 6 providers disponíveis e os hard-pins).
src/models.py: TaskResult ganhou model: str e citations: list[str]. src/pipeline.py:_call_llm popula ambos a partir da LLMResponse. Antes ficava model='?' no execution_*.json (impossível auditar qual versão do modelo respondeu). Citations array vem populada de Perplexity sonar-deep-research e ficará vazia para os demais providers.
src/llm_client.py:_call_perplexity adiciona ao POST body: return_citations=true, return_related_questions=false, search_recency_filter='year'. citations expostas na resposta como list[str] de URLs/DOIs; recency filter limita o índice de busca a publicações do último ano.
src/llm_client.py:_call_google reserva 1/3 do max_tokens para thinking interno (mínimo 512, máximo 2048), restando 2/3 para output visível. Em chamadas longas (>4096 tokens de output), Pro consumia todo o orçamento em thinking e devolvia HTTP 200 com parts=[] (resposta vazia).
src/pipeline.py imprime no stdout antes de cada wave: '>>> Wave N (X tarefa(s) em paralelo): t1→provider(task_type) | t2→...'. Depois de cada task: '[OK] tN -> provider (model_id) -> Xs | Y tok | $Z'. Antes era silêncio entre wave-start e relatório final.
thinkingBudget estendido ao Gemini 3.x Pro + code roteado para GPT-5.5
src/llm_client.py:_call_google_model passa a injetar thinkingConfig.thinkingBudget em qualquer modelo Gemini *-pro (não mais só gemini-2.5-pro), cobrindo o default atual gemini-3.1-pro-preview, que antes rodava com raciocínio interno ilimitado até o maxOutputTokens. Validado em 2026-06-05: o 3.1-pro-preview aceita o campo e responde finishReason=STOP (num probe usou ~503 tokens de thinking, bem abaixo do teto de 2048).
src/config.py:TASK_TYPES — a task code teve o primary trocado de gemini (Pro) para gpt4o (GPT-5.5), com gemini virando fallback. Distribui a carga de código para a OpenAI (forte em código) e reduz o consumo de Gemini Pro. analysis profundo permanece em Gemini Pro (agora com thinking capado).
claude-fable-5 (13º modelo canônico) primary de architecture e critical_review · fallback imediato Opus 4.8 em refusal · pricing oficial corrigido · catalog YAML v2.2
claude-fable-5 (Anthropic, lançado 09-06-2026) entra no catálogo como alias claude_fable, primeiro modelo do tier frontier e primeira classe Mythos disponível ao público. SOTA em quase todos os benchmarks: SWE-Bench Pro 80.3% contra 58.6% do GPT-5.5 e 54.2% do Gemini 3.1 Pro. Contexto de 1M tokens e pricing oficial de $10/$50 por Mtok (2x o Opus 4.8). Total agora: 13 modelos canônicos em 6 providers, com hierarquia de tiers frontier → premium → standard → economy.
Os classificadores de segurança do Fable 5 podem recusar requests legítimos devolvendo stop_reason=refusal com HTTP 200. O LLMClient converte essa resposta em erro e a fallback chain cai imediatamente para claude (Opus 4.8), sem sair da família Claude — exceção documentada à regra cross-provider top-2, justificada pela continuidade de estilo e contexto em tarefas de arquitetura. O parser do LLMClient ficou tolerante a blocos thinking, sempre ativos no Fable 5. A escada de tier da família Claude passa a ser Fable 5 (frontier, só architecture/critical_review em complexity high) ↔ Opus 4.8 ↔ Sonnet 4.6 ↔ Haiku 4.5, com upgrade/downgrade automático em Router.downgrade_claude_by_complexity.
Correção canônica de pricing: claude-opus-4-8 custa $5/$25 por Mtok (a página listava Opus 4.7 a $15/$75 — ambos errados: o modelo canônico é Opus 4.8 desde 2026-05-29 e o pricing oficial é $5/$25) e claude-haiku-4-5 custa $1/$5 (era listado $0.80/$4). Seeds de AVG_COST_PER_CALL recalibrados: claude 0.10 → 0.035 e claude_fable 0.20. Timeout de critical_review elevado de 300 para 420s para acomodar os blocos thinking do Fable 5.
Groq Inc e xAI Grok saem do roteamento · catalog v3.0 · Sonar Pro (perplexity_fast) entra · QualityJudge anti-self-judging · invariante TASK_TYPES == FALLBACK_CHAINS testado · 312 passed + 1 xfailed
Provider set canônico reduzido de 6 para 4: Anthropic, OpenAI, Google e Perplexity. Groq Inc (Llama 4 Scout + Heavy gpt-oss-120b) e xAI Grok (grok, grok_multi, grok_fast) saem de TASK_TYPES, FALLBACK_CHAINS, caps e FinOps. Catalog YAML v3.0 documenta os 9 modelos canônicos restantes; sentinelas de teste garantem que as strings groq/grok/xai estão ausentes de todas as estruturas de roteamento.
Novo alias perplexity_fast (Sonar Pro, $3/$15 por Mtok) assume os 4 task types realtime/social herdados do xAI (realtime_search, social_listening, current_events, brand_monitoring) com busca web ao vivo. Bulk ex-Groq (classification, summarization, extraction) migra para Gemini Flash com fallback Haiku 4.5 a custo neutro. translation → GPT-5.5 (qualidade PT-BR). code_review → Sonnet 4.6 com fallback GPT-5.5 — upgrade deliberado ~10x num gate de qualidade. review ganha fallback Gemini Flash. multi_perspective_decomposition → Sonnet; long_context_synthesis → Gemini Pro (1M ctx).
O QualityJudge migrou de Groq para Gemini Flash (fallback Haiku 4.5) e ganhou o parâmetro producer_provider: o juiz nunca pertence ao provider dominante do output avaliado. Se o plano foi majoritariamente Google, o julgamento desce a chain para um juiz de outra família.
Invariante novo TESTADO para TODO task type: TASK_TYPES[t].primary == FALLBACK_CHAINS[t][0] e TASK_TYPES[t].fallback == FALLBACK_CHAINS[t][1] — fecha o drift histórico entre as duas estruturas. Toda chain cobre 4/4 providers. COPY PREMIUM ONLY endurecido: Flash/Haiku proibidos em qualquer slot das chains de copy. Diversity target = min(plan_size, 4). Caps: anthropic 45% · openai 45% · google 60% · perplexity 50%, com invariante de outage (soma dos caps menos qualquer provider ≥ 1,40). FinOps diário: $100/$50/$60/$40, global $230. RPM: Google 60 burst 5 (era 30), Perplexity 30 burst 3 (era 20). Ao todo, 37 invariantes/sentinelas novos em tests/test_sprint16.py.
Verificador pós-geração sobre outputs economy · painel de juízes 2-de-3 cross-family em gates premium · desenhada pelo próprio orquestrador (dogfooding)
O plano das duas sprints saiu de uma run real do sistema: 20260708_191005, 13 tasks em 7 waves com cobertura 4/4 providers e custo total de US$ 0,4638. Pipeline da run: research (Sonar Pro) → fact_check (Gemini Pro) → analysis → architecture + critical_review (Sonnet) → writing (GPT-5.5) → triple review paralelo. O sistema especificou a própria evolução.
Outputs do tier economy (Gemini Flash/Haiku 4.5) que alimentam waves seguintes são pontuados 0-10 por um verificador barato de OUTRO provider. Score < 6,0 re-executa a task no primeiro alias não-economy da fallback chain ANTES de propagar — output ruim da wave N não envenena a wave N+1. Teto de 3 escalações por run; cada escalação registra falha adaptativa do alias barato no router (feedback loop). Controlado pelas envs GEO_CASCADE_*.
Em runs com tasks premium/frontier (writing, copywriting, seo, architecture, critical_review — ~10% dos casos), o veredito de qualidade deixa de vir de um juiz único: 3 juízes de famílias distintas pontuam, a mediana por dimensão agrega e o veredito mediano equivale à maioria 2-de-3 — sempre excluindo o provider dominante do output. Juiz único (Gemini Flash) segue no dia a dia. Ativado por GEO_JUDGE_PANEL.
A run de desenho expôs dois bugs reais: o parse do judge só tolerava fence fechado (respostas truncadas derrubavam o judge inteiro) e o decompose truncava planos ricos, colapsando-os em 1 task. Ambos corrigidos com reparo de JSON truncado e tetos maiores de tokens: judge 1600, decompose 8000 (commit 9ecda91).
Janela deslizante de 50 amostras domina o scoring · bateria canário semanal · priors de cold-start · shadow-routing como rampa da reintegração do xAI
O score adaptativo de cada par (task_type, alias) passa a ser dominado por uma janela deslizante das últimas 50 amostras, ponderando success 60% / custo 20% / latência 20%; o histórico acumulado desde sempre vira apenas fallback quando a janela ainda não encheu. Com a janela, uma degradação real de provider aparece no score em ~5 amostras — antes, o histórico longo diluía o sinal por semanas. Janela configurável via GEO_ROUTER_WINDOW.
Novo comando cli.py canary dispara 1 chamada mínima por alias e grava o resultado na janela canary:<alias>. O sinal do router vira uma escada de degraus: dados reais do task_type → canário → prior de cold-start. Os priors por alias (Fable 0,92 no topo … Haiku/Sonar Pro 0,83 na base) garantem que um alias novo não nasce invisível nem superestimado no scoring.
Com GEO_SHADOW_ROUTE ativo, o router conta quantas tasks TERIAM sido roteadas a um alias sem executar nem gastar nada — log-only puro. É a rampa da reintegração futura do xAI: medir a demanda real pelos aliases Grok antes de pagar 1 centavo por eles. DECISÃO DO CEO: o xAI NÃO foi reintegrado nesta sprint; o plano é 1 semana de shadow → priors calibrados → ativação, em algumas semanas.
A rampa da Sprint 18 concretizada · Grok 4.5 traz de volta a busca live na timeline do X · decisão validada contra a API viva, não contra marketing de vendor
social_listening e brand_monitoring sobem para o Grok 4.5, o único provider do parque com busca LIVE na timeline do X — onde a conversa de marca de fato vive. Restaura a PERDA DOCUMENTADA do Sprint 16 (o Sonar Pro cobre web geral, não a timeline X). O Sonar Pro vira o fallback desses dois. Descoberta crítica validada contra a API viva: o search_parameters legado (Live Search) foi DEPRECADO pela xAI — a busca migrou para a Agent Tools API (POST /v1/responses com os tools x_search + web_search, non-stream, tool_choice auto). Teste real contra a conta retornou 5 posts reais do X com citações.
multi_perspective_decomposition volta a um modelo xAI de raciocínio estendido (grok_reason = grok-4.20-reasoning) — decompor em múltiplos pontos de vista com veracidade rigorosa era exatamente o papel do antigo grok_multi. Descoberta validada na API viva: o modelo MULTI-AGENTE da xAI não é chamável via chat completions ('Multi Agent requests are not allowed on chat completions'), então usamos o reasoning single-agent, que roda no endpoint OpenAI-compatible e é mais confiável que uma rota multi-agente quebrada. Fallback Claude Sonnet cobre outage do xAI.
O xAI entra como provider ADITIVO/premium, engajado por TASK_TYPES/chains onde o bench prova valor — NÃO forçado por diversidade. A diversity floor do smart_router permanece nos 4 providers originais (resiliência de outage); o contrato de cobertura de chain relaxa de '== 4 providers' para 'SUPERSET dos 4 originais'. FinOps: cap xai 0,35 (invariante de outage: soma 2,35, pior caso Google-out 1,75 ≥ 1,40), limite diário $40, global 230 → 270 (< soma 290). Priors de cold-start grok 0,86 / grok_reason 0,85 — ABAIXO dos flagships, porque não há evidência independente do Grok em SWE/math. Suíte 358 verde no CI Linux.
Um incidente real de deep research expôs um bug latente sistêmico · timeout por-request no .post() · folga generosa sem economia que corte buscas longas · sentinela anti-drift
O ConnectionPool (src/connection_pool.py) cacheia um httpx.AsyncClient por provider e aplica o read timeout apenas na CRIAÇÃO — toda chamada posterior devolve o cliente cacheado e ignora o parâmetro. Como a decomposição (primeira chamada Anthropic de quase toda run) e o adaptive_decomposer criavam clients sem timeout_override, o read timeout de cada provider ficava congelado no default e a tabela TIMEOUT_BY_TASK_TYPE não tinha efeito em runtime. Fix: passar timeout=httpx.Timeout(self._timeout, connect=10.0) em cada client.post() — o httpx honra o timeout por requisição sobre o do cliente, e o reuso de conexão TCP/TLS permanece intacto.
Três evoluções sobre o fix per-request. (1) Timeout adaptativo: após um httpx.TimeoutException, o próximo attempt do mesmo provider estica o teto (GEO_TIMEOUT_RETRY_FACTOR, cap base×2.5), registrado no span (timeout_from/timeout_to). (2) Sentinela timeout_coverage_report() + TIMEOUT_FAMILY_FLOORS: todo task_type de TASK_TYPES precisa de banda explícita e acima do piso da família — novo check no cli doctor (CRÍTICO se missing, ATENÇÃO se under_floor), fechando o drift que tornou a tabela letra morta. (3) python cli.py timeouts [--json] lista a banda EFETIVA por task_type (base × multiplicador), o retry factor e o estado de cobertura.
Revisão de engenharia com as lentes do /cto-fable · 5 gaps de enforcement inconsistente corrigidos · cada verify virou teste · local Windows == CI pela primeira vez
Novo src/atomic_io.py: write_json_atomic/write_text_atomic — tmp no MESMO diretório (os.replace só é atômico dentro do mesmo volume) + os.replace, tmp único por pid+thread, retry com backoff+jitter para o PermissionError transitório do Windows. Modo best_effort default para state files: esgotou retries → loga warning, preserva a versão anterior íntegra e não propaga. Aplicado em router._save_stats, cost_calibrator (persist+backup+rollback) e semantic_cache._save_index.
Pipeline._cap_aware_budget_redirect: o redirect por budget (get_cheapest_available) agora re-verifica PROVIDER_SHARE_CAP reusando _would_exceed_cap/_is_usable do Router — budget é restrição dura, cap é soft; violação sempre logada. EXACT_ONLY_TASK_TYPES no cache semântico (env GEO_CACHE_EXACT_ONLY_TYPES). _run_async no CLI fecha o ConnectionPool no mesmo loop. .gitattributes garante byte-identity do prompt entre plataformas.
O orquestrador vira biblioteca sem perder a governança · chamada avulsa herda timeout, fallback e FinOps · curso-factory consome em modo opt-in
Nova superfície SDK: uma função call_llm() que roteia uma chamada única pelo mesmo LLMClient do pipeline — herdando TIMEOUT_BY_TASK_TYPE, a fallback chain do task_type e o registro FinOps (custo por provider, budget diário). O consumidor externo escolhe task_type e recebe a mesma resiliência do run completo, sem orquestrar waves.
GPT-5.6 (lançado 09/07) entra por evidência de benchmarking global · Sol vira code primary e julgador cross-family · Luna reforça o volume · Terra fica fora da fronteira de Pareto · copy premium intacto
code migra de GPT-5.5 para o GPT-5.6 Sol por evidência de relatório de benchmarking global: líder do AA Coding Agent Index (80 vs 77.2 do Claude Fable 5) e Terminal-Bench 88.8 — forças exatamente na geração agentic de código, terminal e tool use. Nas chains de analysis, code_review, critical_review e architecture o Sol entra como julgador cross-family ADITIVO (slot intermediário), ampliando a diversidade de famílias no painel sem destronar o Fable — que segue frontier de julgamento/arquitetura (SWE-Bench Pro 80 vs 64.6 do Sol).
GPT-5.6 Luna ($1/$6, ctx 1050K) entra como reforço economy em 7 chains de volume — classification, extraction, data_processing, social_listening, brand_monitoring, realtime_search e current_events. O GPT-5.6 Terra ficou de fora: na análise custo-qualidade (Artificial Analysis), Luna e Sol dominam o Terra em toda a fronteira de Pareto. O cache da OpenAI foi reprecificado POR MODELO no catálogo — no smoke real, a Luna registrou -55% de custo em cache hit. FinOps recalibrado: cap openai 45%→50%, budget diário $70 (global $270→$290), RPM 90 (burst 5).
O pipeline deixou de ser feed-forward · sinal duplo no router, judge com consequência, code verifier que RODA o código, replan + abort e breaker de qualidade · smoke real US$ 0,24 com o Google fora do ar · parque intocado
O scoring adaptativo ganha uma janela quality: separada da janela de transporte: com >=3 amostras fortes de qualidade, o score vira 0.40 transporte + 0.30 qualidade + 0.20 custo + 0.10 latência; sem amostras, a fórmula é byte-igual à legada (provado bit a bit em teste). O record_feedback — implementado na Sprint 18 e nunca chamado — foi LIGADO: o verificador em cascata e o judge passam a alimentar o roteamento, e o .router_feedback.jsonl nasceu em produção no smoke real.
O judge sai do papel decorativo: avaliação por task em amostra estratificada (teto 6); veredito REPROVADO re-executa as 2 piores tasks com issues sanitizadas, re-julga e persiste — a entrega sai flagged (quality_flag) com exit code 3. Falha técnica do juiz vira REPROVADO_TECNICO com retry cross-provider (fim do score neutro 50% que aprovava por omissão). Para código, o veredito virou determinístico: ast.parse/json/node --check + execução em subprocess isolado + re-prompt com o erro literal (máx 2 fixes) substituem a contagem de chaves.
A cascata re-pontua o que escala e, na 2ª reprovação, marca degraded com AVISO explícito no contexto dos dependentes (fim da amputação silenciosa). O AdaptiveDecomposer foi REATIVADO para replan: task FAILED com dependentes gera substituta sob o mesmo id; colapso de plano aborta com PlanCollapseError + exit code 4. O decompose ganhou fallback cross-provider de transporte — validado com Google 429 real (Sonnet assumiu). Breaker de qualidade por (task_type, alias): 3 reprovações fortes mandam o alias ao fim da chain daquele task type (nunca removido), cooldown 6h. Outer loops via Task Scheduler: canário semanal + dogfooding mensal em que o orquestrador propõe as 3 melhorias da próxima sprint (humano aprova); doctor ganhou checks quality_signal e canary_freshness. KPIs novos: cost_per_accepted_task e degraded_rate.
Itens identificados pela literatura 2025-2026 (AdaptOrch, DAAO, FrugalGPT, RCR-Router, Mixture of Agents) + análise técnica dos 5 providers / 13 modelos em produção + revisão crítica das 24 sprints lançadas. A reintegração do xAI Grok — antes item de backlog — foi ENTREGUE na Sprint 19 (09/jul): Grok 4.5 (busca live na timeline do X em social/brand) e Grok 4.20 Reasoning (multi_perspective). A Sprint 22 entregou o SDK call-level (B-019), a Sprint 23 (10/jul) somou GPT-5.6 Sol (code primary) e Luna (volume) por evidência de benchmarking — parque de 13 modelos — e a Sprint 24 (10/jul) fechou os loops de qualidade (judge gate, code verifier, replan + abort). Os achados FinOps/KPI da Sprint 23 abaixo seguem ABERTOS — a Sprint 24 não os cobriu.
Decidir topology (parallel/sequential/hierarchical/hybrid) ANTES de escolher modelo. Hoje o pipeline decide modelo task-by-task; topology emerge do DAG implícito.
Substituir complexity score único (1-5) por tupla (difficulty ∈ [0,1], n_subtasks, needs_judge, evidence_required, realtime_data). Cada dimensão pondera independentemente o tier alocado.
Cada chamada via SDK é registrada DUAS vezes no ledger diário: o LLMClient._call registra internamente (task_id _llmclient_<alias>) e o call_llm_async registra de novo (sdk_call_<task_type>). O smoke real da Sprint 23 provou o delta: gasto reportado exatamente 2× o custo real. O mesmo padrão de sobreposição existe no pipeline.
Para task type T, tentar primeiro Flash/Haiku; se a saída tem confidence < threshold, escalar para Pro/Opus. Hoje todas as tasks com tier alocado pagam o tier desde a primeira chamada. (Sprint 16 substituiu o degrau economy Scout → Flash/Haiku com a saída do Groq.)
Cada subagent recebe apenas o subset relevante da memória/contexto para seu papel. Hoje todas as tasks recebem o briefing completo, inflando tokens em ~30%.
Sprint 13 executou bateria E2E manual contra APIs reais (ping + board + run completos, à época 6 providers, custo ~$0,09/run). Com a consolidação da Sprint 16 a bateria passa a cobrir os 4 providers canônicos. Falta tornar essa bateria um workflow CI semanal gated por GEO_E2E_REAL=1 com artifact anexado.
Pipeline diário que gera o dashboard HTML via cli.py dashboard --html e publica em alexandrecaramaschi.com/geo-orchestrator/dashboard.
Adicionar GET /metrics?format=prometheus que serve as métricas em formato exposition compatível com Prometheus scraping.
GEO_ALERT_WEBHOOK no .env. Quando drift dispara ou um provider passa de 95% do limite, o orchestrator faz POST com payload estruturado.
Adicionar GEO_TENANT env var que prefixa output/, .kpi_history e .cost_calibration por tenant.
CONCLUÍDO. A rampa da Sprint 18 (shadow → priors → ativação) foi concretizada. Grok 4.5 volta como primary de social_listening/brand_monitoring (busca LIVE na timeline do X via Agent Tools API, restaurando a perda do Sprint 16) e Grok 4.20 Reasoning como primary de multi_perspective_decomposition. Parque: 5 providers / 11 modelos. Decisão validada contra a API viva da conta da governança — não contra marketing de vendor.
O kpi_history mantém a base de generalistas canônicos (claude, gpt4o, gemini, perplexity). Com o code migrado do gpt4o para o gpt_sol na Sprint 23, o share de code sai do slot gpt4o sem consolidação — o distribution_health verá queda no slot openai que não é queda real de uso do provider.
A heurística de balanceamento do orchestrator ainda mapeia code para claude — defasado desde junho (code era gpt4o desde a Sprint 14 e agora é gpt_sol na Sprint 23). Não quebra roteamento (é heurística de injeção de balance), mas mente sobre o parque.
O rate limiter do provider openai subiu para 90 RPM / burst 5 para acomodar 3 modelos (gpt4o, gpt_sol, gpt_luna). Falta o probe pós-merge contra a API real em carga de run completo — com rollback simples para 60/3 se a API sinalizar 429.
Loop de governança que roda sem operador enquanto as métricas ficam dentro dos limites configurados: detecta drift, recalibra, aplica safety threshold, faz backup automático e escala para revisão humana quando o limite é ultrapassado. Quatro vias de health check (CLI, HTTP, HTML, recovery) para integrar a qualquer pipeline existente.
Detecção → ação corretiva → próxima execução com valores ajustados. Sem dashboard manual. Pós-Sprint 10, AVG_COST_PER_CALL[perplexity] foi auto-recalibrado de $0,008 para $0,05 após a bateria 360. Pós-Sprint 19, FINOPS_DAILY_LIMITS cobre os 5 providers — Anthropic $100 · OpenAI $50 · Google $60 · Perplexity $40 · xAI $40, teto global $270/dia — e o rate limiter cobre o xAI a 60 RPM (burst 3), Google a 60 RPM (burst 5) e Perplexity a 30 RPM (burst 3). Pós-Sprint 17, o verificador em cascata custa ~US$ 0,0005 por check e tem teto de 3 escalações por run — o gate de qualidade entra no loop sem abrir flanco de custo; a escalação alimenta o router como falha adaptativa do alias barato (Sprint 18).
Cada execution_*.json grava cost por LLM, latência, tokens e verdict.
Se 3 runs consecutivos saem da banda 0.7-1.5x, alerta dispara em .kpi_history.jsonl.
Orchestrator chama recalibrate() varrendo os últimos 30 reports — sem intervenção humana.
Calibrações > 5x ou < 0.2x do default são rejeitadas e logadas em safety_rejections[].
.cost_calibration.json copiado para .backup.json antes de persistir. cli.py finops calibrate-rollback restaura.
Loop fechado: o run seguinte aplica os custos atualizados sem ação humana.
Quatro vias de saúde: síncrona (CLI), assíncrona (HTTP), publicável (HTML) e recuperação manual.
6 health checks (api_keys, catalog, finops, kpi, calibration, drift). Saída humana ou JSON. --strict faz exit 1 — pronto para CI gating.
Servidor HTTP stdlib. GET /health (200/503), /metrics (KPI timeseries), / (docs). Bearer token opcional via GEO_HEALTH_TOKEN.
Gera HTML auto-contido com Chart.js. 5 gráficos + KPI cards + tabela dos 10 últimos runs. Deploy em qualquer servidor estático.
Restaura .cost_calibration.backup.json se a recalibração mais recente apresentou drift suspeito. Recovery one-shot.
Dúvidas técnicas e conceituais sobre o geo-orchestrator pós-Sprint 16.
13 LLMs canônicos em 5 providers — Anthropic, OpenAI, Google, Perplexity e xAI (reintegração Sprint 19; GPT-5.6 Sol e Luna somados na Sprint 23). GPT-5.6 Sol é o primary de code (AA Coding Agent Index 80) com Luna reforçando as chains de volume; GPT-5.5 + Opus 4.8 + Gemini 3.1 Pro formam o tier premium-only de copy; Fable 5 reservado a architecture e critical_review (tier frontier, Sprint 15) com Opus 4.8 de fallback imediato. Gemini 3.1 Pro em analysis, Claude Sonnet 4.6 em review e code_review, Sonar Pro (perplexity_fast) em realtime/social, QualityJudge em Gemini Flash com anti-self-judging, Perplexity com citations expostas (URLs/DOIs), diversity guarantee dinâmico min(plan_size, 4) em planos COMPLEX, cap por provider, audit com model_id e citations, governança FinOps automatizada e roadmap público atualizado a cada sprint. Open-source, sem lock-in.