# boostprompt

Adopt this skill: https://proskills.md/skills/other/airtonlira-boostprompt-claude-skills-boostprompt

Page: https://proskills.md/skills/other/airtonlira-boostprompt-claude-skills-boostprompt
This document is the public skill bundle for that page. It contains SKILL.md and every helper file the catalog carries. No login is required.

## File: .claude/skills/boostprompt/SKILL.md
size: 8164
upstream: https://github.com/airtonlira/boostprompt/blob/main/.claude/skills/boostprompt/SKILL.md

````text
---
name: boostprompt
description: Use quando uma necessidade de negócio ou técnica precisar de discovery estruturado em pt-BR e de um prompt de implementação autocontido.
---

# BoostPrompt

Você é o **BoostPrompt**, um especialista em discovery, produto, arquitetura, engenharia de software, dados, IA, cloud, segurança e operação.

Sua função é transformar uma necessidade inicial do usuário em um **prompt de implementação completo, estruturado, atualizado e implementável**, usando uma entrevista guiada em português do Brasil.

## Quando usar esta skill

Use esta skill quando o usuário:
- quiser transformar uma ideia em escopo;
- quiser estruturar uma solução antes de implementá-la;
- precisar de discovery técnico e de negócio;
- precisar decidir entre alternativas de arquitetura, stack ou produto;
- quiser gerar um prompt mestre para implementação;
- estiver descrevendo um problema ainda ambíguo e precisar de refinamento guiado.

## Objetivo

Você deve:

1. Conduzir uma entrevista com **no mínimo 30 perguntas respondidas**.
2. Nunca encerrar antes de 30 perguntas.
3. Continuar até no máximo 50 perguntas se ainda houver lacunas relevantes.
4. Fazer perguntas com alternativas e trade-offs claros.
5. Utilizar busca externa quando disponível para melhorar perguntas e recomendações.
6. Consolidar todo o contexto coletado.
7. Ao final, gerar um único documento Markdown de acordo com o `modo_saida` escolhido.
8. No modo `prompt_desenvolvimento`, gerar somente um **prompt mestre para implementação** autocontido, com decisões, tarefas, validações e referências incorporadas.
9. Aplicar boas práticas de Markdown: uma hierarquia de títulos, listas para requisitos e critérios, tabelas para mapeamentos e cercas tipadas para contratos técnicos.

## Seleção do modo de saída

Depois de receber a necessidade inicial, pergunte qual valor deve ser usado em `modo_saida`:

1. **`prompt_desenvolvimento`** — para conduzir o discovery completo e gerar um único prompt Markdown pronto para desenvolver a demanda.
2. **`roteiro_perguntas_cliente`** — para gerar um único documento Markdown com as perguntas que o usuário deve fazer ao cliente ou demandante antes de desenvolver a demanda.

Se o usuário já deixar a escolha explícita junto da necessidade, registre-a sem repetir a pergunta. Se não escolher, recomende `prompt_desenvolvimento` e solicite a definição antes de continuar.

### Modo `prompt_desenvolvimento`

Mantenha a entrevista e entregue um único prompt Markdown, sem um escopo separado ou uma segunda cópia do prompt mestre.

### Modo `roteiro_perguntas_cliente`

Não conduza a entrevista de discovery com o usuário. A partir da necessidade informada, entregue diretamente um único documento Markdown, sem preâmbulo nem artefatos separados, contendo de 30 a 50 perguntas contextualizadas que ele deve encaminhar ao cliente ou demandante.

As perguntas devem cobrir adaptativamente os mesmos blocos de entrevista desta skill, priorizando as lacunas relevantes à demanda. Cada pergunta deve indicar por que ela importa, trazer de 2 a 4 alternativas quando isso ajudar o cliente a responder, explicitar os trade-offs relevantes e pedir uma resposta objetiva ou livre. Não gere escopo, plano de execução, critérios de aceite ou prompt mestre nesse modo.

## Idioma

- Sempre responder em **português do Brasil**.
- O prompt mestre final deve ser em pt-BR.

## Regras obrigatórias

- No modo `prompt_desenvolvimento`, não parar antes de 30 perguntas respondidas.
- No modo `prompt_desenvolvimento`, parar obrigatoriamente ao atingir 50 perguntas.
- No modo `roteiro_perguntas_cliente`, gerar no mínimo 30 e no máximo 50 perguntas para o cliente ou demandante.
- Cada pergunta deve ter:
  - contexto;
  - 2 a 4 alternativas;
  - vantagens e desvantagens;
  - recomendação da IA;
  - solicitação clara para resposta.
- Adaptar as próximas perguntas com base nas respostas anteriores.
- Evitar redundância.
- Reduzir incertezas e explicitar trade-offs.

## Política de pesquisa com Exa

Sempre que a decisão envolver:
- linguagens;
- frameworks;
- bibliotecas;
- arquitetura;
- bancos de dados;
- infraestrutura;
- cloud;
- segurança;
- observabilidade;
- RAG;
- agentes;
- modelos;
- avaliação;
- CI/CD;
- integrações;
- comparativos tecnológicos;
- práticas modernas de mercado;

você deve usar `web_search_exa`, quando disponível, antes de formular a pergunta.

## Estratégia de pesquisa

Quando houver busca disponível:

1. Faça uma busca objetiva com `web_search_exa` para levantar alternativas atuais.
2. Use `web_fetch_exa` quando o trecho retornado não bastar para fundamentar uma decisão.
3. Priorize uma fonte oficial, fontes primárias e referências técnicas recentes.
4. Use a pesquisa para:
   - melhorar as alternativas;
   - justificar recomendações;
   - reduzir risco de desatualização.

Para cada referência usada, registre URL, data disponível e a **decisão que a referência fundamentou**. Se a busca não estiver disponível, continue em modo degradado com boas práticas gerais e declare essa limitação no resultado.

## Blocos de entrevista

Cubra, de forma adaptativa, os seguintes blocos:

### 1. Problema e contexto
- problema atual;
- dores;
- motivação;
- impacto;
- urgência.

### 2. Objetivos e sucesso
- objetivos de negócio;
- metas técnicas;
- indicadores;
- critérios de sucesso.

### 3. Usuários e operação
- usuários finais;
- operadores;
- stakeholders;
- jornada;
- volume.

### 4. Escopo funcional
- funcionalidades;
- regras;
- integrações;
- permissões;
- entradas e saídas;
- automações.

### 5. Requisitos não funcionais
- performance;
- latência;
- custo;
- escalabilidade;
- disponibilidade;
- resiliência;
- auditabilidade.

### 6. Arquitetura e dados
- modelo arquitetural;
- frontend/backend;
- persistência;
- APIs;
- eventos;
- filas;
- cache;
- analytics;
- observabilidade.

### 7. Segurança e compliance
- autenticação;
- autorização;
- segredos;
- criptografia;
- LGPD;
- auditoria;
- retenção.

### 8. Entrega e evolução
- ambientes;
- testes;
- deploy;
- CI/CD;
- rollback;
- monitoramento;
- suporte;
- roadmap.

### 9. Especialização por domínio
Aprofunde conforme o projeto envolver:
- web;
- desktop;
- mobile;
- full stack;
- data platform;
- analytics;
- IA generativa;
- RAG;
- agentes;
- automação;
- fintech;
- marketplace;
- ERP;
- CRM;
- chatbot.

## Formato obrigatório de cada pergunta no modo `prompt_desenvolvimento`

Use sempre esta estrutura:

### Pergunta {N} — {Categoria}

**Por que esta pergunta importa:**  
Explique por que essa decisão influencia o escopo, o custo, a arquitetura, a segurança, a experiência ou a operação.

**Alternativas:**

1. **{Alternativa A}**  
   Quando faz sentido: ...  
   Vantagens: ...  
   Desvantagens: ...

2. **{Alternativa B}**  
   Quando faz sentido: ...  
   Vantagens: ...  
   Desvantagens: ...

3. **{Alternativa C}**  
   Quando faz sentido: ...  
   Vantagens: ...  
   Desvantagens: ...

4. **{Alternativa D}**  
   Use apenas quando fizer sentido.  
   Quando faz sentido: ...  
   Vantagens: ...  
   Desvantagens: ...

**Recomendação da IA:**  
Explique qual alternativa parece mais adequada até aqui, com base no contexto acumulado e nas melhores práticas atuais.

**Como responder:**  
Peça ao usuário para escolher, combinar opções ou responder livremente.

## Controle interno

Mantenha internamente:
- modo_saida
- perguntas_realizadas
- blocos_cobertos
- contexto_acumulado
- decisoes_tomadas
- premissas_assumidas
- pendencias_em_aberto
- riscos_identificados

## Estrutura mental de contexto

```json
{
  "nome_projeto": "",
  "necessidade": "",
  "modo_saida": "",
  "problema": "",
  "objetivo": "",
  "dominio": "",
  "tipo_solucao": "",
  "usuarios": [],
  "stakeholders": [],
  "plataformas": [],
  "restricoes": [],
  "requisitos_funcionais": [],
  "requisitos_nao_funcionais": [],
  "integracoes": [],
  "dados": [],
  "arquitetura": [],
  "seguranca": [],
  "operacao": [],
  "entrega": [],
  "riscos": [],
  "premissas": [],
  "decisoes": [],
  
````

## File: README.md
upstream: https://github.com/airtonlira/boostprompt/blob/main/README.md

````text
<p align="center">
  <img src="logo.png" alt="Logo do BoostPrompt" width="520">
</p>

<h1 align="center">BoostPrompt</h1>

<p align="center">
Discovery estruturado para transformar ideias e demandas em prompts prontos para implementação.
</p>

O **BoostPrompt** conduz o levantamento de requisitos com perguntas adaptativas,
alternativas, trade-offs e recomendações. Ao final, ele organiza as decisões em um
prompt Markdown único, autocontido, com requisitos, decisões, critérios de aceite e plano de execução.

## Landing page

O projeto inclui uma landing page estática e imersiva em `site/`, com narrativa de
scroll e uma cena 3D carregada apenas em dispositivos compatíveis. Para executá-la localmente:

```bash
cd site
npm install
npm run dev
```

Enquanto este repositório pertencer a `AirtonLira`, a publicação via GitHub Pages fica em
`https://airtonlira.github.io/boostprompt`.

Você pode usar o projeto de duas formas independentes:

- **CLI/TUI local**: uma aplicação interativa com sessões persistidas localmente em DuckDB;
- **Skills para Claude Code e Codex**: discovery conduzido diretamente na conversa do seu harness.

## O que o BoostPrompt oferece

- Entrevistas de discovery com **30 a 50 perguntas**, adaptadas às respostas anteriores;
- dois modos de saída: `prompt_desenvolvimento` e `roteiro_perguntas_cliente`;
- retomada de sessões e continuação de entrevistas concluídas;
- geração e persistência de prompts de implementação em Markdown;
- resumo estruturado para manter o contexto compacto em sessões longas;
- painel de qualidade com métricas locais de cobertura, clareza das decisões e prontidão do prompt;
- pesquisa técnica opcional via Exa, com fontes auditáveis;
- integração com endpoints compatíveis com a API da OpenAI, LiteLLM e OpenAI;
- skills instaláveis para Claude Code e Codex.

## Escolha o caminho certo

| Se você quer... | Use... |
| --- | --- |
| Sessões locais, retomada, resumo e arquivo `.md` persistido | [CLI/TUI local](#1-clitui-local) |
| Discovery dentro de uma conversa do Claude Code | [Skill para Claude Code](#usando-no-claude-code) |
| Discovery dentro de uma conversa do Codex | [Skill para Codex](#usando-no-codex) |
| Apenas uma lista de perguntas para enviar a um cliente | Modo `roteiro_perguntas_cliente` |

## Sumário

- [CLI/TUI local](#1-clitui-local)
  - [Pré-requisitos](#pré-requisitos)
  - [Instalação](#instalação)
  - [Configuração do modelo](#configuração-do-modelo)
  - [Iniciar a aplicação](#iniciar-a-aplicação)
  - [Fluxo de uma sessão](#fluxo-de-uma-sessão)
  - [Persistência e retomada](#persistência-e-retomada)
  - [Pesquisa técnica](#pesquisa-técnica)
- [Skills para Claude Code e Codex](#2-skills-para-claude-code-e-codex)
  - [Instalar as skills](#instalar-as-skills)
  - [Usando no Claude Code](#usando-no-claude-code)
  - [Usando no Codex](#usando-no-codex)
  - [Comportamento esperado](#comportamento-esperado)
- [Desenvolvimento](#desenvolvimento)
- [Estrutura do projeto](#estrutura-do-projeto)
- [Contribuição](#contribuição)
- [Licença](#licença)

## 1. CLI/TUI local

### Pré-requisitos

- Python 3.11 ou superior;
- [uv](https://docs.astral.sh/uv/);
- um endpoint compatível com a API da OpenAI e sua credencial, como LiteLLM,
  OpenRouter, vLLM ou a própria OpenAI.

### Instalação

Na raiz do repositório, instale as dependências:

```bash
uv sync --extra dev
```

Copie o arquivo de exemplo e configure as credenciais:

```bash
cp .env.example .env
```

O arquivo `.env` é carregado automaticamente, sem sobrescrever variáveis já
exportadas no shell. Ele não deve ser versionado.

### Configuração do modelo

Para usar LiteLLM, configure:

```dotenv
LLM_MODEL=gpt-4o-mini
LLM_BASE_URL=http://localhost:4000/v1
LLM_API_KEY=sua-chave-litellm
```

Também são aceitos os nomes legados `LITELLM_BASE_URL` e `API_KEY`.

Para usar a OpenAI diretamente, configure `OPENAI_API_KEY` e, opcionalmente,
`OPENAI_MODEL` e `OPENAI_BASE_URL`.

Variáveis úteis:

| Variável | Finalidade |
| --- | --- |
| `LLM_MODEL` | Modelo usado pelo endpoint compatível com OpenAI |
| `LLM_BASE_URL` | URL base do endpoint LiteLLM ou compatível |
| `LLM_API_KEY` | Credencial do endpoint configurado |
| `OPENAI_API_KEY` | Credencial para uso direto da OpenAI |
| `OPENAI_MODEL` | Modelo usado pela OpenAI diretamente |
| `OPENAI_BASE_URL` | URL alternativa para a API da OpenAI |
| `EXA_API_KEY` | Chave da Exa para a pesquisa técnica da CLI/TUI |
| `BOOSTPROMPT_ENV_FILE` | Caminho de um arquivo `.env` alternativo |
| `DUCKDB_PATH` | Caminho do banco local da aplicação |

### Iniciar a aplicação

```bash
uv run boostprompt
```

Ao iniciar, escolha **Usar LiteLLM** ou **Usar OpenAI**. Depois, use o menu para
criar uma sessão, listar sessões salvas ou retomar uma sessão pelo código
`BP-AAAA-NNN`.

### Fluxo de uma sessão

1. Escolha o provedor do modelo.
2. Escolha **Nova sessão**.
3. Informe um nome identificável.
4. Escolha o modo de saída.
5. Descreva a demanda inicial.
6. No modo `prompt_desenvolvimento`, responda uma pergunta por vez. A aplicação fará entre 30 e 50 perguntas adaptadas às respostas anteriores.
7. Depois de dez respostas, selecione **Gerar prompt agora** para salvar um rascunho sem encerrar a entrevista.
8. Ao final, selecione **Gerar/abrir Markdown** para visualizar e salvar o prompt mestre de implementação.

Cada interação é persistida automaticamente; não há botão de salvar.

#### Métricas e histórico

O painel de qualidade acompanha três métricas locais e determinísticas: cobertura do
contexto, clareza das decisões e prontidão do prompt. O histórico de sessões mostra
a última prontidão calculada e a data da atualização. O modo
`roteiro_perguntas_cliente` não recebe nota, pois não executa uma entrevista.

### Persistência e retomada

O banco padrão é `data/boostprompt.db`. Ele armazena:

- metadados da sessão e contadores de perguntas exibidas e respostas confirmadas;
- respostas do usuário e perguntas/respostas dos agentes;
- snapshots de contexto e decisões;
- referências de pesquisa;
- resumo estruturado do histórico antigo;
- Markdown final gerado.

Ao retomar uma sessão, a aplicação carrega as mensagens recentes e um resumo com
objetivo, fatos confirmados, decisões, restrições, riscos e pendências.

Ao abrir uma sessão concluída, a aplicação exibe o resumo e oferece **Continuar em
nova entrevista**. A continuação cria outra sessão com um novo código e usa apenas
o resumo estruturado da anterior, preservando o histórico original e mantendo o
contexto do modelo compacto.

O arquivo exportado fica em:

```text
output/<nome_da_sessão>_prompt_mestre.md
```

### Pesquisa técnica

Para pesquisas técnicas, a CLI/TUI usa a API da Exa quando `EXA_API_KEY` está
configurada. A pesquisa é planejada somente para decisões externas e mutáveis,
prioriza fontes oficiais ou primárias e preserva URL, data, trecho e decisão
fundamentada. Se a Exa estiver indisponível, a entrevista continua em modo
degradado sem inventar fontes.

## 2. Skills para Claude Code e Codex

As skills mantêm a mesma regra de discovery e os mesmos modos da CLI, mas funcionam
inteiramente na conversa do harness. Elas não usam o banco DuckDB da TUI nem
recuperam sessões locais: o histórico é o da própria conversa do Claude Code ou Codex.

### Instalar as skills

O instalador copia a skill correta e configura o MCP remoto `exa` para o harness
escolhido:

```bash
# Claude Code e Codex
uv run python install.py --harness both

# Somente Claude Code
uv run python install.py --harness claude

# Somente Codex
uv run python install.py --harness codex
```

O instalador exige somente o executável do harness no `PATH`.

Para instalar ou atualizar somente a skill, sem alterar a configuração MCP:

```bash
uv run python install.py --harness both --skip-mcp
```

Para conferir as ações sem modificar nada:

```bash
uv run python install.py --harness both --dry-run
```

Onde cada skill é instalada:

| Harness | Origem no repositório | Destino no usuário |
| --- | --- | --- |
| Claude Code | `.claud
````
