@luanpdd/kit-mcp 1.35.0 → 1.36.0

package/kit/skills/llm-as-dependency/SKILL.md

@@ -1,436 +1,436 @@
----
-name: llm-as-dependency
-description: Use ao escrever código que depende de LLM (OpenAI/Anthropic) — adapter pattern + FakeLLMProvider para testes determinísticos sem custo. Modernização 2026 sem precedente em 2004.
----
-
-# LLM as Dependency (Modernização)
-
-## Quando usar
-
-LLM carrega esta skill quando user vai escrever ou refatorar código que chama LLM provider em produção. Trigger phrases:
-
-- "como testar essa função que chama OpenAI?"
-- "fake do client Anthropic", "mock LLM"
-- "tornar testável código com LLM"
-- "deterministic test mode para LLM"
-- "DI de OpenAI/Anthropic client"
-- "edge function usa LLM, como caracterizar?"
-- "function calling em testes"
-
-## Regras absolutas
-
-- **LLM é DEPENDÊNCIA EXTERNA igual a DB ou HTTP API.** Mesmas regras: nunca acoplar handler ao SDK específico; sempre via interface; sempre com fake disponível.
-- **Adapter pattern (do skill `legacy-api-only-applications`) é a aplicação correta.** Interface mínima `LLMProvider`; adapter por vendor; fake por testes.
-- **Testes de BUSINESS LOGIC nunca chamam LLM real.** FakeLLMProvider canned responses. LLM real é exclusivamente em characterization tests de PROMPT (skill `ai-prompt-characterization`).
-- **Determinismo via fake.** FakeLLMProvider retorna outputs fixos em ordem. Não há non-determinism em test de business logic.
-- **Token tracking é cross-cutting concern do adapter.** Handler não precisa saber tokens. Adapter loga + opcionalmente reporta para observability.
-- **Tradução de erros: vendor → domain.** Rate limit do OpenAI ≠ Rate limit do Anthropic ≠ Rate limit do Claude API. Adapter traduz para enum próprio (`LLMError = 'rate_limit' | 'timeout' | 'context_too_long' | 'content_filter' | 'auth' | 'unknown'`).
-- **Fake suporta múltiplos modos:** (a) canned responses, (b) function-based responses (`(input) => output`), (c) error injection (`shouldFail: 'rate_limit'`).
-
-## Patterns canônicos
-
-### Pattern 1: Interface canônica `LLMProvider`
-
-```ts
-// Interface mínima — handler não vê SDK específico
-interface LLMProvider {
-  generate(input: GenerateInput): Promise<GenerateResult>
-  embed?(input: EmbedInput): Promise<EmbedResult>  // opcional, só para providers que suportam
-}
-
-interface GenerateInput {
-  prompt: string                     // ou messages, dependendo do provider
-  systemPrompt?: string
-  maxTokens: number
-  temperature?: number
-  seed?: number                      // determinismo
-  tools?: ToolDefinition[]
-  toolChoice?: 'auto' | 'none' | { type: 'tool'; name: string }
-}
-
-interface GenerateResult {
-  text: string
-  finishReason: 'stop' | 'length' | 'tool_use' | 'content_filter'
-  toolUses: Array<{ name: string; input: any }>
-  inputTokens: number
-  outputTokens: number
-  modelVersion: string
-}
-
-interface EmbedInput {
-  texts: string[]
-  model?: string  // canônico: 'text-embedding-3-small' default; provider mapeia
-}
-
-interface EmbedResult {
-  embeddings: number[][]  // 1 vector por input
-  inputTokens: number
-}
-
-// LLM error canônico (anti-corruption layer)
-type LLMError = 'rate_limit' | 'timeout' | 'context_too_long' | 'content_filter' | 'auth' | 'invalid_request' | 'server_error' | 'unknown'
-class LLMException extends Error {
-  constructor(public code: LLMError, message: string, public retryable: boolean) {
-    super(message)
-  }
-}
-```
-
-### Pattern 2: Adapters por vendor
-
-```ts
-class OpenAIAdapter implements LLMProvider {
-  constructor(private client: OpenAI) {}
-
-  async generate(input: GenerateInput): Promise<GenerateResult> {
-    try {
-      const r = await this.client.chat.completions.create({
-        model: 'gpt-4',
-        messages: [
-          ...(input.systemPrompt ? [{ role: 'system' as const, content: input.systemPrompt }] : []),
-          { role: 'user' as const, content: input.prompt },
-        ],
-        max_tokens: input.maxTokens,
-        temperature: input.temperature ?? 0,
-        seed: input.seed,
-        tools: input.tools?.map(t => ({ type: 'function' as const, function: t })),
-      })
-      return this.toDomain(r)
-    } catch (e: any) {
-      throw this.translateError(e)
-    }
-  }
-
-  private toDomain(r: any): GenerateResult { /* ... */ }
-  private translateError(e: any): LLMException {
-    if (e.status === 429) return new LLMException('rate_limit', e.message, true)
-    if (e.status === 401) return new LLMException('auth', e.message, false)
-    if (e.code === 'context_length_exceeded') return new LLMException('context_too_long', e.message, false)
-    if (e.code === 'content_filter') return new LLMException('content_filter', e.message, false)
-    return new LLMException('unknown', e.message, false)
-  }
-}
-
-class AnthropicAdapter implements LLMProvider {
-  constructor(private client: Anthropic) {}
-
-  async generate(input: GenerateInput): Promise<GenerateResult> {
-    try {
-      const r = await this.client.messages.create({
-        model: 'claude-opus-4-7',
-        max_tokens: input.maxTokens,
-        temperature: input.temperature ?? 0,
-        system: input.systemPrompt,
-        messages: [{ role: 'user' as const, content: input.prompt }],
-        tools: input.tools,
-      })
-      return this.toDomain(r)
-    } catch (e: any) {
-      throw this.translateError(e)
-    }
-  }
-
-  private toDomain(r: any): GenerateResult { /* ... */ }
-  private translateError(e: any): LLMException {
-    if (e.status === 429) return new LLMException('rate_limit', e.message, true)
-    if (e.status === 401) return new LLMException('auth', e.message, false)
-    return new LLMException('unknown', e.message, false)
-  }
-}
-```
-
-### Pattern 3: FakeLLMProvider canônico para testes
-
-```ts
-class FakeLLMProvider implements LLMProvider {
-  private responses: GenerateResult[] = []
-  private index = 0
-  private errorMode: LLMError | null = null
-  private callLog: GenerateInput[] = []
-
-  // Configuração
-  setResponses(r: Array<Partial<GenerateResult>>): void {
-    this.responses = r.map(p => ({
-      text: p.text ?? '',
-      finishReason: p.finishReason ?? 'stop',
-      toolUses: p.toolUses ?? [],
-      inputTokens: p.inputTokens ?? 100,
-      outputTokens: p.outputTokens ?? 50,
-      modelVersion: p.modelVersion ?? 'fake-model-1',
-    }))
-    this.index = 0
-  }
-
-  failNextWith(code: LLMError): void {
-    this.errorMode = code
-  }
-
-  // Inspeção (assertions)
-  callsLog(): GenerateInput[] { return [...this.callLog] }
-  callCount(): number { return this.callLog.length }
-
-  // LLMProvider interface
-  async generate(input: GenerateInput): Promise<GenerateResult> {
-    this.callLog.push(input)
-
-    if (this.errorMode) {
-      const code = this.errorMode
-      this.errorMode = null
-      throw new LLMException(code, `fake error: ${code}`, code === 'rate_limit' || code === 'timeout')
-    }
-
-    if (this.index < this.responses.length) {
-      return this.responses[this.index++]
-    }
-    return {
-      text: 'fake default response',
-      finishReason: 'stop',
-      toolUses: [],
-      inputTokens: input.prompt.length / 4,  // rough estimate
-      outputTokens: 50,
-      modelVersion: 'fake-model-1',
-    }
-  }
-}
-
-// Uso em test
-test('processOrder summary — handles LLM rate limit gracefully', async () => {
-  const llm = new FakeLLMProvider()
-  llm.failNextWith('rate_limit')  // primeiro call falha
-  llm.setResponses([{ text: 'Successful summary' }])  // depois funciona
-
-  const handler = new OrderSummarizer(llm)
-  const result = await handler.summarizeOrder({ id: 'O-1', items: [...] })
-
-  expect(result.summary).toBe('Successful summary')
-  expect(llm.callCount()).toBe(2)  // 1 falhou + 1 retry sucesso
-})
-```
-
-### Pattern 4: Function-based fake (mais flexível)
-
-```ts
-// Para tests onde fake response depende do input
-class FunctionalFakeLLM implements LLMProvider {
-  constructor(
-    private generateFn: (input: GenerateInput) => Promise<GenerateResult> | GenerateResult,
-  ) {}
-  async generate(input: GenerateInput): Promise<GenerateResult> {
-    return this.generateFn(input)
-  }
-}
-
-// Uso
-test('summarizer — handles long input via chunking', async () => {
-  const llm = new FunctionalFakeLLM(async (input) => {
-    // Simular comportamento real: prompt > 8000 chars retorna context_too_long
-    if (input.prompt.length > 8000) {
-      throw new LLMException('context_too_long', 'too long', false)
-    }
-    return {
-      text: `Summary of ${input.prompt.length} chars`,
-      finishReason: 'stop',
-      toolUses: [],
-      inputTokens: input.prompt.length / 4,
-      outputTokens: 30,
-      modelVersion: 'fake',
-    }
-  })
-
-  const handler = new OrderSummarizer(llm)
-  const longOrder = generateLongOrder(15000)
-  const result = await handler.summarizeOrder(longOrder)
-  expect(result.chunks).toBe(2)  // verificou que chunking foi acionado
-})
-```
-
-### Pattern 5: Adapter para Edge Function (Supabase + Deno)
-
-```ts
-// supabase/functions/_shared/llm.ts
-import { Anthropic } from 'npm:@anthropic-ai/sdk@0.30.0'
-
-export interface LLMProvider {
-  generate(input: GenerateInput): Promise<GenerateResult>
-}
-
-export class AnthropicAdapter implements LLMProvider {
-  constructor(private client: Anthropic) {}
-  async generate(input: GenerateInput): Promise<GenerateResult> { /* ... */ }
-}
-
-export function createLLMProvider(): LLMProvider {
-  const apiKey = Deno.env.get('ANTHROPIC_API_KEY')
-  if (!apiKey) throw new Error('ANTHROPIC_API_KEY missing')
-  return new AnthropicAdapter(new Anthropic({ apiKey }))
-}
-
-// supabase/functions/summarize-order/index.ts
-import { createLLMProvider } from '../_shared/llm.ts'
-
-const llm = createLLMProvider()
-
-Deno.serve(async (req) => {
-  return await handleRequest(req, llm)
-})
-
-export async function handleRequest(req: Request, llm: LLMProvider): Promise<Response> {
-  const order = await req.json()
-  const summary = await llm.generate({
-    prompt: `Resuma este pedido: ${JSON.stringify(order)}`,
-    maxTokens: 200,
-  })
-  return new Response(JSON.stringify({ summary: summary.text }))
-}
-
-// tests/handle-request.test.ts
-import { handleRequest } from '../supabase/functions/summarize-order/index.ts'
-import { FakeLLMProvider } from './fakes.ts'
-
-test('summarize-order — typical request', async () => {
-  const llm = new FakeLLMProvider()
-  llm.setResponses([{ text: 'Pedido de R$ 50, 2 items.' }])
-
-  const req = new Request('http://x', {
-    method: 'POST',
-    body: JSON.stringify({ id: 'O-1', total: 5000, items: ['SKU-1', 'SKU-2'] }),
-  })
-  const res = await handleRequest(req, llm)
-  const body = await res.json()
-  expect(body.summary).toBe('Pedido de R$ 50, 2 items.')
-})
-```
-
-### Pattern 6: Cross-cutting concerns no adapter
-
-Adapter é o lugar canônico para retry, timeout, observability:
-
-```ts
-class ResilientLLMAdapter implements LLMProvider {
-  constructor(
-    private inner: LLMProvider,
-    private logger: Logger,
-    private metrics: Metrics,
-  ) {}
-
-  async generate(input: GenerateInput): Promise<GenerateResult> {
-    const startMs = performance.now()
-    try {
-      const result = await retryWithJitter(
-        () => this.inner.generate(input),
-        { maxRetries: 3, baseMs: 500, retryOn: (e) => e instanceof LLMException && e.retryable }
-      )
-
-      const latency = performance.now() - startMs
-      this.metrics.histogram('llm.generate.latency_ms', latency, { result: 'success' })
-      this.metrics.counter('llm.generate.tokens', result.inputTokens + result.outputTokens)
-      this.logger.info('llm.generate.ok', { latency_ms: latency, model: result.modelVersion })
-      return result
-    } catch (e) {
-      const latency = performance.now() - startMs
-      this.metrics.histogram('llm.generate.latency_ms', latency, { result: 'error' })
-      this.metrics.counter('llm.errors', 1, { error_type: (e as LLMException).code })
-      this.logger.warn('llm.generate.failed', { error: (e as Error).message })
-      throw e
-    }
-  }
-}
-
-// Composição em produção
-const llm = new ResilientLLMAdapter(
-  new AnthropicAdapter(new Anthropic({ apiKey })),
-  logger,
-  metrics,
-)
-```
-
-## Anti-patterns
-
-### ANTI: handler chama OpenAI direto
-
-```text
-ANTI: handler.ts: import OpenAI from 'openai'; const client = new OpenAI(...);
-      ... await client.chat.completions.create(...)
-
-PROBLEMA: handler intestável sem mock global. Trocar Anthropic =
-          rewrite. Tests rodam contra API real (lento + custo +
-          flaky).
-
-CERTO: handler depende de LLMProvider. Adapter encapsula. Tests
-       usam FakeLLMProvider.
-```
-
-### ANTI: tests rodam contra LLM real
-
-```text
-ANTI: tests de business logic chamam OpenAI/Anthropic real.
-
-PROBLEMA: testes lentos (5s por call), custosos ($X por suite),
-          flaky (rate limits, network), não-determinísticos
-          (mesma input pode gerar texto diferente entre runs).
-
-CERTO: business logic tests usam FakeLLMProvider. LLM REAL apenas
-       em tests específicos de characterization de PROMPT (skill
-       `ai-prompt-characterization`). 99% dos tests = fakes.
-```
-
-### ANTI: fake retorna sempre mesma resposta
-
-```text
-ANTI: FakeLLM hardcoded retorna `text: "fake response"` sempre.
-
-PROBLEMA: tests não conseguem simular caminhos múltiplos
-          (sucesso/falha/edge case). Cobertura baixa.
-
-CERTO: FakeLLM com setResponses() OR FunctionalFakeLLM. Cada teste
-       configura comportamento esperado para aquele caso.
-```
-
-### ANTI: adapter expõe tipos do vendor
-
-```text
-ANTI: interface LLMProvider { generate(input): Promise<OpenAI.Chat.Completion> }
-
-PROBLEMA: OpenAI.Chat.Completion atravessa camadas internas.
-          Mudança no SDK do OpenAI cascateia.
-
-CERTO: GenerateResult é tipo PRÓPRIO do domínio. Adapter traduz
-       OpenAI.Chat.Completion → GenerateResult. Anti-corruption
-       layer.
-```
-
-### ANTI: tratar rate_limit como `any error`
-
-```text
-ANTI: catch (e) { if (e.status === 429) retry; else throw }
-
-PROBLEMA: lógica de erro acoplada à HTTP status do vendor. Outro
-          provider tem outros códigos. Lógica duplicada.
-
-CERTO: adapter traduz error para LLMException com código domain.
-       Handler trata LLMException.code, não status HTTP.
-```
-
-## Verificação
-
-1. Handler depende de `LLMProvider` interface
-2. Adapter por vendor encapsula SDK
-3. FakeLLMProvider existe e tests usam
-4. Erros traduzidos para `LLMException` com código domain
-5. ResilientLLMAdapter (com retry + observability) usado em produção
-6. Tests de business logic NUNCA chamam LLM real (CI custa $0)
-7. Trocar provider = trocar 1 linha (constructor)
-
----
-
-## Ver também
-
-- [`_shared-legacy/glossary.md`](../_shared-legacy/glossary.md) — vocabulário (adapter, anti-corruption)
-- [`legacy-api-only-applications`](../legacy-api-only-applications/SKILL.md) — pattern canônico (LLM provider é caso especial)
-- [`legacy-seams-and-test-harness`](../legacy-seams-and-test-harness/SKILL.md) — extract-interface é técnica do cap 25
-- [`ai-prompt-characterization`](../ai-prompt-characterization/SKILL.md) — characterization de PROMPT (LLM real); essa skill é para tudo MAIS LLM (LLM fake)
-- [`supabase-edge-fn-writer`](../../agents/supabase-edge-fn-writer.md) (v1.8) — patch v1.12: detecta uso de LLM e oferece DI pattern
-- [`four-golden-signals`](../four-golden-signals/SKILL.md) (v1.10) — adapter é onde golden signals são instrumentados
-- [`retry-strategies`](../retry-strategies/SKILL.md) (v1.11) — retry com jitter aplicado em ResilientLLMAdapter
-
-*Material-fonte (modernização 2026):* Sem precedente em livro Feathers 2004 — LLMs como dependência de produção é literatura recente (2023+).
+---
+name: llm-as-dependency
+description: Use ao escrever código que depende de LLM (OpenAI/Anthropic) — adapter pattern + FakeLLMProvider para testes determinísticos sem custo. Modernização 2026 sem precedente em 2004.
+---
+
+# LLM as Dependency (Modernização)
+
+## Quando usar
+
+LLM carrega esta skill quando user vai escrever ou refatorar código que chama LLM provider em produção. Trigger phrases:
+
+- "como testar essa função que chama OpenAI?"
+- "fake do client Anthropic", "mock LLM"
+- "tornar testável código com LLM"
+- "deterministic test mode para LLM"
+- "DI de OpenAI/Anthropic client"
+- "edge function usa LLM, como caracterizar?"
+- "function calling em testes"
+
+## Regras absolutas
+
+- **LLM é DEPENDÊNCIA EXTERNA igual a DB ou HTTP API.** Mesmas regras: nunca acoplar handler ao SDK específico; sempre via interface; sempre com fake disponível.
+- **Adapter pattern (do skill `legacy-api-only-applications`) é a aplicação correta.** Interface mínima `LLMProvider`; adapter por vendor; fake por testes.
+- **Testes de BUSINESS LOGIC nunca chamam LLM real.** FakeLLMProvider canned responses. LLM real é exclusivamente em characterization tests de PROMPT (skill `ai-prompt-characterization`).
+- **Determinismo via fake.** FakeLLMProvider retorna outputs fixos em ordem. Não há non-determinism em test de business logic.
+- **Token tracking é cross-cutting concern do adapter.** Handler não precisa saber tokens. Adapter loga + opcionalmente reporta para observability.
+- **Tradução de erros: vendor → domain.** Rate limit do OpenAI ≠ Rate limit do Anthropic ≠ Rate limit do Claude API. Adapter traduz para enum próprio (`LLMError = 'rate_limit' | 'timeout' | 'context_too_long' | 'content_filter' | 'auth' | 'unknown'`).
+- **Fake suporta múltiplos modos:** (a) canned responses, (b) function-based responses (`(input) => output`), (c) error injection (`shouldFail: 'rate_limit'`).
+
+## Patterns canônicos
+
+### Pattern 1: Interface canônica `LLMProvider`
+
+```ts
+// Interface mínima — handler não vê SDK específico
+interface LLMProvider {
+  generate(input: GenerateInput): Promise<GenerateResult>
+  embed?(input: EmbedInput): Promise<EmbedResult>  // opcional, só para providers que suportam
+}
+
+interface GenerateInput {
+  prompt: string                     // ou messages, dependendo do provider
+  systemPrompt?: string
+  maxTokens: number
+  temperature?: number
+  seed?: number                      // determinismo
+  tools?: ToolDefinition[]
+  toolChoice?: 'auto' | 'none' | { type: 'tool'; name: string }
+}
+
+interface GenerateResult {
+  text: string
+  finishReason: 'stop' | 'length' | 'tool_use' | 'content_filter'
+  toolUses: Array<{ name: string; input: any }>
+  inputTokens: number
+  outputTokens: number
+  modelVersion: string
+}
+
+interface EmbedInput {
+  texts: string[]
+  model?: string  // canônico: 'text-embedding-3-small' default; provider mapeia
+}
+
+interface EmbedResult {
+  embeddings: number[][]  // 1 vector por input
+  inputTokens: number
+}
+
+// LLM error canônico (anti-corruption layer)
+type LLMError = 'rate_limit' | 'timeout' | 'context_too_long' | 'content_filter' | 'auth' | 'invalid_request' | 'server_error' | 'unknown'
+class LLMException extends Error {
+  constructor(public code: LLMError, message: string, public retryable: boolean) {
+    super(message)
+  }
+}
+```
+
+### Pattern 2: Adapters por vendor
+
+```ts
+class OpenAIAdapter implements LLMProvider {
+  constructor(private client: OpenAI) {}
+
+  async generate(input: GenerateInput): Promise<GenerateResult> {
+    try {
+      const r = await this.client.chat.completions.create({
+        model: 'gpt-4',
+        messages: [
+          ...(input.systemPrompt ? [{ role: 'system' as const, content: input.systemPrompt }] : []),
+          { role: 'user' as const, content: input.prompt },
+        ],
+        max_tokens: input.maxTokens,
+        temperature: input.temperature ?? 0,
+        seed: input.seed,
+        tools: input.tools?.map(t => ({ type: 'function' as const, function: t })),
+      })
+      return this.toDomain(r)
+    } catch (e: any) {
+      throw this.translateError(e)
+    }
+  }
+
+  private toDomain(r: any): GenerateResult { /* ... */ }
+  private translateError(e: any): LLMException {
+    if (e.status === 429) return new LLMException('rate_limit', e.message, true)
+    if (e.status === 401) return new LLMException('auth', e.message, false)
+    if (e.code === 'context_length_exceeded') return new LLMException('context_too_long', e.message, false)
+    if (e.code === 'content_filter') return new LLMException('content_filter', e.message, false)
+    return new LLMException('unknown', e.message, false)
+  }
+}
+
+class AnthropicAdapter implements LLMProvider {
+  constructor(private client: Anthropic) {}
+
+  async generate(input: GenerateInput): Promise<GenerateResult> {
+    try {
+      const r = await this.client.messages.create({
+        model: 'claude-opus-4-7',
+        max_tokens: input.maxTokens,
+        temperature: input.temperature ?? 0,
+        system: input.systemPrompt,
+        messages: [{ role: 'user' as const, content: input.prompt }],
+        tools: input.tools,
+      })
+      return this.toDomain(r)
+    } catch (e: any) {
+      throw this.translateError(e)
+    }
+  }
+
+  private toDomain(r: any): GenerateResult { /* ... */ }
+  private translateError(e: any): LLMException {
+    if (e.status === 429) return new LLMException('rate_limit', e.message, true)
+    if (e.status === 401) return new LLMException('auth', e.message, false)
+    return new LLMException('unknown', e.message, false)
+  }
+}
+```
+
+### Pattern 3: FakeLLMProvider canônico para testes
+
+```ts
+class FakeLLMProvider implements LLMProvider {
+  private responses: GenerateResult[] = []
+  private index = 0
+  private errorMode: LLMError | null = null
+  private callLog: GenerateInput[] = []
+
+  // Configuração
+  setResponses(r: Array<Partial<GenerateResult>>): void {
+    this.responses = r.map(p => ({
+      text: p.text ?? '',
+      finishReason: p.finishReason ?? 'stop',
+      toolUses: p.toolUses ?? [],
+      inputTokens: p.inputTokens ?? 100,
+      outputTokens: p.outputTokens ?? 50,
+      modelVersion: p.modelVersion ?? 'fake-model-1',
+    }))
+    this.index = 0
+  }
+
+  failNextWith(code: LLMError): void {
+    this.errorMode = code
+  }
+
+  // Inspeção (assertions)
+  callsLog(): GenerateInput[] { return [...this.callLog] }
+  callCount(): number { return this.callLog.length }
+
+  // LLMProvider interface
+  async generate(input: GenerateInput): Promise<GenerateResult> {
+    this.callLog.push(input)
+
+    if (this.errorMode) {
+      const code = this.errorMode
+      this.errorMode = null
+      throw new LLMException(code, `fake error: ${code}`, code === 'rate_limit' || code === 'timeout')
+    }
+
+    if (this.index < this.responses.length) {
+      return this.responses[this.index++]
+    }
+    return {
+      text: 'fake default response',
+      finishReason: 'stop',
+      toolUses: [],
+      inputTokens: input.prompt.length / 4,  // rough estimate
+      outputTokens: 50,
+      modelVersion: 'fake-model-1',
+    }
+  }
+}
+
+// Uso em test
+test('processOrder summary — handles LLM rate limit gracefully', async () => {
+  const llm = new FakeLLMProvider()
+  llm.failNextWith('rate_limit')  // primeiro call falha
+  llm.setResponses([{ text: 'Successful summary' }])  // depois funciona
+
+  const handler = new OrderSummarizer(llm)
+  const result = await handler.summarizeOrder({ id: 'O-1', items: [...] })
+
+  expect(result.summary).toBe('Successful summary')
+  expect(llm.callCount()).toBe(2)  // 1 falhou + 1 retry sucesso
+})
+```
+
+### Pattern 4: Function-based fake (mais flexível)
+
+```ts
+// Para tests onde fake response depende do input
+class FunctionalFakeLLM implements LLMProvider {
+  constructor(
+    private generateFn: (input: GenerateInput) => Promise<GenerateResult> | GenerateResult,
+  ) {}
+  async generate(input: GenerateInput): Promise<GenerateResult> {
+    return this.generateFn(input)
+  }
+}
+
+// Uso
+test('summarizer — handles long input via chunking', async () => {
+  const llm = new FunctionalFakeLLM(async (input) => {
+    // Simular comportamento real: prompt > 8000 chars retorna context_too_long
+    if (input.prompt.length > 8000) {
+      throw new LLMException('context_too_long', 'too long', false)
+    }
+    return {
+      text: `Summary of ${input.prompt.length} chars`,
+      finishReason: 'stop',
+      toolUses: [],
+      inputTokens: input.prompt.length / 4,
+      outputTokens: 30,
+      modelVersion: 'fake',
+    }
+  })
+
+  const handler = new OrderSummarizer(llm)
+  const longOrder = generateLongOrder(15000)
+  const result = await handler.summarizeOrder(longOrder)
+  expect(result.chunks).toBe(2)  // verificou que chunking foi acionado
+})
+```
+
+### Pattern 5: Adapter para Edge Function (Supabase + Deno)
+
+```ts
+// supabase/functions/_shared/llm.ts
+import { Anthropic } from 'npm:@anthropic-ai/sdk@0.30.0'
+
+export interface LLMProvider {
+  generate(input: GenerateInput): Promise<GenerateResult>
+}
+
+export class AnthropicAdapter implements LLMProvider {
+  constructor(private client: Anthropic) {}
+  async generate(input: GenerateInput): Promise<GenerateResult> { /* ... */ }
+}
+
+export function createLLMProvider(): LLMProvider {
+  const apiKey = Deno.env.get('ANTHROPIC_API_KEY')
+  if (!apiKey) throw new Error('ANTHROPIC_API_KEY missing')
+  return new AnthropicAdapter(new Anthropic({ apiKey }))
+}
+
+// supabase/functions/summarize-order/index.ts
+import { createLLMProvider } from '../_shared/llm.ts'
+
+const llm = createLLMProvider()
+
+Deno.serve(async (req) => {
+  return await handleRequest(req, llm)
+})
+
+export async function handleRequest(req: Request, llm: LLMProvider): Promise<Response> {
+  const order = await req.json()
+  const summary = await llm.generate({
+    prompt: `Resuma este pedido: ${JSON.stringify(order)}`,
+    maxTokens: 200,
+  })
+  return new Response(JSON.stringify({ summary: summary.text }))
+}
+
+// tests/handle-request.test.ts
+import { handleRequest } from '../supabase/functions/summarize-order/index.ts'
+import { FakeLLMProvider } from './fakes.ts'
+
+test('summarize-order — typical request', async () => {
+  const llm = new FakeLLMProvider()
+  llm.setResponses([{ text: 'Pedido de R$ 50, 2 items.' }])
+
+  const req = new Request('http://x', {
+    method: 'POST',
+    body: JSON.stringify({ id: 'O-1', total: 5000, items: ['SKU-1', 'SKU-2'] }),
+  })
+  const res = await handleRequest(req, llm)
+  const body = await res.json()
+  expect(body.summary).toBe('Pedido de R$ 50, 2 items.')
+})
+```
+
+### Pattern 6: Cross-cutting concerns no adapter
+
+Adapter é o lugar canônico para retry, timeout, observability:
+
+```ts
+class ResilientLLMAdapter implements LLMProvider {
+  constructor(
+    private inner: LLMProvider,
+    private logger: Logger,
+    private metrics: Metrics,
+  ) {}
+
+  async generate(input: GenerateInput): Promise<GenerateResult> {
+    const startMs = performance.now()
+    try {
+      const result = await retryWithJitter(
+        () => this.inner.generate(input),
+        { maxRetries: 3, baseMs: 500, retryOn: (e) => e instanceof LLMException && e.retryable }
+      )
+
+      const latency = performance.now() - startMs
+      this.metrics.histogram('llm.generate.latency_ms', latency, { result: 'success' })
+      this.metrics.counter('llm.generate.tokens', result.inputTokens + result.outputTokens)
+      this.logger.info('llm.generate.ok', { latency_ms: latency, model: result.modelVersion })
+      return result
+    } catch (e) {
+      const latency = performance.now() - startMs
+      this.metrics.histogram('llm.generate.latency_ms', latency, { result: 'error' })
+      this.metrics.counter('llm.errors', 1, { error_type: (e as LLMException).code })
+      this.logger.warn('llm.generate.failed', { error: (e as Error).message })
+      throw e
+    }
+  }
+}
+
+// Composição em produção
+const llm = new ResilientLLMAdapter(
+  new AnthropicAdapter(new Anthropic({ apiKey })),
+  logger,
+  metrics,
+)
+```
+
+## Anti-patterns
+
+### ANTI: handler chama OpenAI direto
+
+```text
+ANTI: handler.ts: import OpenAI from 'openai'; const client = new OpenAI(...);
+      ... await client.chat.completions.create(...)
+
+PROBLEMA: handler intestável sem mock global. Trocar Anthropic =
+          rewrite. Tests rodam contra API real (lento + custo +
+          flaky).
+
+CERTO: handler depende de LLMProvider. Adapter encapsula. Tests
+       usam FakeLLMProvider.
+```
+
+### ANTI: tests rodam contra LLM real
+
+```text
+ANTI: tests de business logic chamam OpenAI/Anthropic real.
+
+PROBLEMA: testes lentos (5s por call), custosos ($X por suite),
+          flaky (rate limits, network), não-determinísticos
+          (mesma input pode gerar texto diferente entre runs).
+
+CERTO: business logic tests usam FakeLLMProvider. LLM REAL apenas
+       em tests específicos de characterization de PROMPT (skill
+       `ai-prompt-characterization`). 99% dos tests = fakes.
+```
+
+### ANTI: fake retorna sempre mesma resposta
+
+```text
+ANTI: FakeLLM hardcoded retorna `text: "fake response"` sempre.
+
+PROBLEMA: tests não conseguem simular caminhos múltiplos
+          (sucesso/falha/edge case). Cobertura baixa.
+
+CERTO: FakeLLM com setResponses() OR FunctionalFakeLLM. Cada teste
+       configura comportamento esperado para aquele caso.
+```
+
+### ANTI: adapter expõe tipos do vendor
+
+```text
+ANTI: interface LLMProvider { generate(input): Promise<OpenAI.Chat.Completion> }
+
+PROBLEMA: OpenAI.Chat.Completion atravessa camadas internas.
+          Mudança no SDK do OpenAI cascateia.
+
+CERTO: GenerateResult é tipo PRÓPRIO do domínio. Adapter traduz
+       OpenAI.Chat.Completion → GenerateResult. Anti-corruption
+       layer.
+```
+
+### ANTI: tratar rate_limit como `any error`
+
+```text
+ANTI: catch (e) { if (e.status === 429) retry; else throw }
+
+PROBLEMA: lógica de erro acoplada à HTTP status do vendor. Outro
+          provider tem outros códigos. Lógica duplicada.
+
+CERTO: adapter traduz error para LLMException com código domain.
+       Handler trata LLMException.code, não status HTTP.
+```
+
+## Verificação
+
+1. Handler depende de `LLMProvider` interface
+2. Adapter por vendor encapsula SDK
+3. FakeLLMProvider existe e tests usam
+4. Erros traduzidos para `LLMException` com código domain
+5. ResilientLLMAdapter (com retry + observability) usado em produção
+6. Tests de business logic NUNCA chamam LLM real (CI custa $0)
+7. Trocar provider = trocar 1 linha (constructor)
+
+---
+
+## Ver também
+
+- [`_shared-legacy/glossary.md`](../_shared-legacy/glossary.md) — vocabulário (adapter, anti-corruption)
+- [`legacy-api-only-applications`](../legacy-api-only-applications/SKILL.md) — pattern canônico (LLM provider é caso especial)
+- [`legacy-seams-and-test-harness`](../legacy-seams-and-test-harness/SKILL.md) — extract-interface é técnica do cap 25
+- [`ai-prompt-characterization`](../ai-prompt-characterization/SKILL.md) — characterization de PROMPT (LLM real); essa skill é para tudo MAIS LLM (LLM fake)
+- [`supabase-edge-fn-writer`](../../agents/supabase-edge-fn-writer.md) (v1.8) — patch v1.12: detecta uso de LLM e oferece DI pattern
+- [`four-golden-signals`](../four-golden-signals/SKILL.md) (v1.10) — adapter é onde golden signals são instrumentados
+- [`retry-strategies`](../retry-strategies/SKILL.md) (v1.11) — retry com jitter aplicado em ResilientLLMAdapter
+
+*Material-fonte (modernização 2026):* Sem precedente em livro Feathers 2004 — LLMs como dependência de produção é literatura recente (2023+).