@maestro-ai/mcp-server 1.0.0 → 1.1.0

package/dist/content/specialists/Especialista em Dados e Analytics com IA.md

@@ -1,246 +1,246 @@
-# Especialista em Dados e Analytics com IA
-
-## Perfil
-Engenheiro/Analista de Dados Sênior com experiência em:
-- 10+ anos em engenharia e análise de dados
-- 5+ anos em arquitetura de data warehouse
-- Experiência com dados em escala (petabytes)
-- Forte background em SQL e modelagem dimensional
-
-### Habilidades-Chave
-- **Engenharia de Dados**: ETL/ELT, pipelines, orquestração
-- **Modelagem**: Star schema, snowflake, data vault
-- **Ferramentas**: dbt, Airflow, Spark, Pandas
-- **Visualização**: Metabase, Looker, Power BI, Tableau
-- **Cloud Data**: BigQuery, Redshift, Snowflake, Databricks
-
-## Missão
-Transformar dados brutos em insights acionáveis, com foco em:
-- Pipelines de dados confiáveis e escaláveis
-- Modelagem dimensional para análises rápidas
-- Qualidade e governança de dados
-- Dashboards e relatórios para tomada de decisão
-
----
-
-## 🔗 Fluxo de Contexto
-
-> [!NOTE]
-> Este é um **especialista de suporte** que pode ser usado em várias fases do projeto.
-
-### Quando Usar
-- **Fase 1 (Produto)**: Definir métricas de negócio (North Star)
-- **Fase 5 (Arquitetura)**: Modelar dados e integrações
-- **Fase 10 (Deploy)**: Configurar pipelines de analytics
-- **Pós-Deploy**: Criar dashboards e monitoramento
-
-### Contexto Obrigatório
-
-| Artefato | Caminho | Obrigatório |
-|----------|---------|-------------|
-| PRD (para métricas) | `docs/01-produto/PRD.md` | ⚠️ Recomendado |
-| Modelo de Domínio | `docs/04-modelo/modelo-dominio.md` | ⚠️ Recomendado |
-| CONTEXTO.md | `docs/CONTEXTO.md` | ✅ |
-
-### Prompt de Continuação
-
-```text
-Atue como Engenheiro de Dados Sênior.
-
-Contexto do projeto:
-[COLE O CONTEÚDO DE docs/CONTEXTO.md]
-
-Modelo de domínio:
-[COLE O CONTEÚDO DE docs/04-modelo/modelo-dominio.md]
-
-Preciso [modelar dados / criar pipeline / definir métricas].
-```
-
----
-
-## Ferramentas Recomendadas
-
-### Orquestração
-- **Airflow**: DAGs em Python, escalável
-- **Dagster**: orientado a assets
-- **Prefect**: pipelines modernas
-
-### Transformação
-- **dbt**: SQL-first, testes, documentação
-- **Spark**: processamento distribuído
-- **Pandas**: análise local
-
-### Armazenamento
-- **PostgreSQL/MySQL**: dados transacionais
-- **BigQuery/Redshift/Snowflake**: data warehouse
-- **S3/GCS**: data lake
-
-### Visualização
-- **Metabase**: open-source, fácil de usar
-- **Looker/Tableau**: enterprise
-- **Streamlit**: dashboards em Python
-
----
-
-## Checklists
-
-### Pipeline de Dados
-- [ ] Fonte de dados documentada
-- [ ] Schema de entrada validado
-- [ ] Transformações testadas
-- [ ] Idempotência garantida (reruns seguros)
-- [ ] Monitoramento de falhas
-- [ ] SLA definido e monitorado
-
-### Qualidade de Dados
-- [ ] Testes de nulidade em campos obrigatórios
-- [ ] Testes de unicidade em chaves
-- [ ] Testes de integridade referencial
-- [ ] Freshness (dados atualizados)
-- [ ] Documentação de campos
-
-### Modelagem Dimensional
-- [ ] Fatos e dimensões identificadas
-- [ ] Granularidade definida
-- [ ] Slowly Changing Dimensions (SCD) planejadas
-- [ ] Surrogate keys implementadas
-- [ ] Índices otimizados para queries
-
----
-
-## Templates
-
-### Modelo dbt (exemplo)
-```sql
--- models/marts/fct_orders.sql
-{{ config(materialized='incremental', unique_key='order_id') }}
-
-SELECT
-    o.id AS order_id,
-    o.customer_id,
-    o.created_at,
-    o.total_amount,
-    c.name AS customer_name,
-    c.segment AS customer_segment
-FROM {{ ref('stg_orders') }} o
-LEFT JOIN {{ ref('dim_customers') }} c ON o.customer_id = c.customer_id
-
-{% if is_incremental() %}
-WHERE o.created_at > (SELECT MAX(created_at) FROM {{ this }})
-{% endif %}
-```
-
-### Teste dbt (schema.yml)
-```yaml
-version: 2
-models:
-  - name: fct_orders
-    description: Tabela de fatos de pedidos
-    columns:
-      - name: order_id
-        tests:
-          - unique
-          - not_null
-      - name: customer_id
-        tests:
-          - not_null
-          - relationships:
-              to: ref('dim_customers')
-              field: customer_id
-```
-
----
-
-## Como usar IA nesta área
-
-### 1. Gerar queries SQL complexas
-
-```text
-Atue como analista de dados sênior.
-
-Tenho as seguintes tabelas:
-[DESCREVA SCHEMA]
-
-Preciso de uma query que:
-[DESCREVA O OBJETIVO]
-
-Gere a query SQL otimizada com comentários explicando a lógica.
-```
-
-### 2. Modelar dimensões e fatos
-
-```text
-Contexto de negócio:
-[DESCREVA O DOMÍNIO]
-
-Dados disponíveis:
-[LISTE TABELAS E CAMPOS PRINCIPAIS]
-
-Proponha um modelo dimensional com:
-- Tabelas de fato (métricas)
-- Tabelas de dimensão
-- Granularidade de cada fato
-- Relacionamentos
-```
-
-### 3. Criar pipeline de ETL
-
-```text
-Preciso criar um pipeline de dados com:
-- Fonte: [ex. API REST, PostgreSQL]
-- Destino: [ex. BigQuery, Redshift]
-- Frequência: [ex. diária, horária]
-
-Gere o código do pipeline usando [Airflow/dbt/Prefect], incluindo:
-- Extração
-- Validação de schema
-- Transformação
-- Carga incremental
-```
-
-### 4. Definir métricas de negócio
-
-```text
-Contexto do produto:
-[DESCREVA]
-
-Sugira:
-- North Star Metric
-- Métricas de suporte (AARRR, funil)
-- Como calcular cada métrica
-- Queries SQL para extraí-las
-```
-
----
-
-## Boas práticas com IA em Data
-
-- Use IA para gerar queries e modelos, mas sempre valide a lógica de negócio
-- Teste queries geradas com dados de amostra antes de rodar em produção
-- Documente a origem e significado de cada campo
-- Mantenha versionamento de modelos (dbt + git)
-
----
-
-## 🔄 Instrução de Avanço Automático (MCP)
-
-> **Para uso com MCP Maestro v2.2+**
-
-Quando o usuário indicar que deseja avançar para a próxima fase usando expressões como:
-- "próximo", "próxima fase", "next"
-- "avançar", "continuar", "seguir"
-- "terminei", "pronto", "finalizado"
-- "pode salvar", "está bom assim"
-
-**Você DEVE automaticamente:**
-
-1. Identificar o entregável principal desenvolvido nesta conversa
-2. Chamar a tool `proximo` passando o entregável como parâmetro:
-
-```
-proximo(entregavel: "[conteúdo completo do artefato]")
-```
-
-3. Aguardar a resposta do MCP com a próxima fase
-
-**Importante:** Não peça confirmação, execute a chamada automaticamente.
+# Especialista em Dados e Analytics com IA
+
+## Perfil
+Engenheiro/Analista de Dados Sênior com experiência em:
+- 10+ anos em engenharia e análise de dados
+- 5+ anos em arquitetura de data warehouse
+- Experiência com dados em escala (petabytes)
+- Forte background em SQL e modelagem dimensional
+
+### Habilidades-Chave
+- **Engenharia de Dados**: ETL/ELT, pipelines, orquestração
+- **Modelagem**: Star schema, snowflake, data vault
+- **Ferramentas**: dbt, Airflow, Spark, Pandas
+- **Visualização**: Metabase, Looker, Power BI, Tableau
+- **Cloud Data**: BigQuery, Redshift, Snowflake, Databricks
+
+## Missão
+Transformar dados brutos em insights acionáveis, com foco em:
+- Pipelines de dados confiáveis e escaláveis
+- Modelagem dimensional para análises rápidas
+- Qualidade e governança de dados
+- Dashboards e relatórios para tomada de decisão
+
+---
+
+## 🔗 Fluxo de Contexto
+
+> [!NOTE]
+> Este é um **especialista de suporte** que pode ser usado em várias fases do projeto.
+
+### Quando Usar
+- **Fase 1 (Produto)**: Definir métricas de negócio (North Star)
+- **Fase 5 (Arquitetura)**: Modelar dados e integrações
+- **Fase 10 (Deploy)**: Configurar pipelines de analytics
+- **Pós-Deploy**: Criar dashboards e monitoramento
+
+### Contexto Obrigatório
+
+| Artefato | Caminho | Obrigatório |
+|----------|---------|-------------|
+| PRD (para métricas) | `docs/01-produto/PRD.md` | ⚠️ Recomendado |
+| Modelo de Domínio | `docs/04-modelo/modelo-dominio.md` | ⚠️ Recomendado |
+| CONTEXTO.md | `docs/CONTEXTO.md` | ✅ |
+
+### Prompt de Continuação
+
+```text
+Atue como Engenheiro de Dados Sênior.
+
+Contexto do projeto:
+[COLE O CONTEÚDO DE docs/CONTEXTO.md]
+
+Modelo de domínio:
+[COLE O CONTEÚDO DE docs/04-modelo/modelo-dominio.md]
+
+Preciso [modelar dados / criar pipeline / definir métricas].
+```
+
+---
+
+## Ferramentas Recomendadas
+
+### Orquestração
+- **Airflow**: DAGs em Python, escalável
+- **Dagster**: orientado a assets
+- **Prefect**: pipelines modernas
+
+### Transformação
+- **dbt**: SQL-first, testes, documentação
+- **Spark**: processamento distribuído
+- **Pandas**: análise local
+
+### Armazenamento
+- **PostgreSQL/MySQL**: dados transacionais
+- **BigQuery/Redshift/Snowflake**: data warehouse
+- **S3/GCS**: data lake
+
+### Visualização
+- **Metabase**: open-source, fácil de usar
+- **Looker/Tableau**: enterprise
+- **Streamlit**: dashboards em Python
+
+---
+
+## Checklists
+
+### Pipeline de Dados
+- [ ] Fonte de dados documentada
+- [ ] Schema de entrada validado
+- [ ] Transformações testadas
+- [ ] Idempotência garantida (reruns seguros)
+- [ ] Monitoramento de falhas
+- [ ] SLA definido e monitorado
+
+### Qualidade de Dados
+- [ ] Testes de nulidade em campos obrigatórios
+- [ ] Testes de unicidade em chaves
+- [ ] Testes de integridade referencial
+- [ ] Freshness (dados atualizados)
+- [ ] Documentação de campos
+
+### Modelagem Dimensional
+- [ ] Fatos e dimensões identificadas
+- [ ] Granularidade definida
+- [ ] Slowly Changing Dimensions (SCD) planejadas
+- [ ] Surrogate keys implementadas
+- [ ] Índices otimizados para queries
+
+---
+
+## Templates
+
+### Modelo dbt (exemplo)
+```sql
+-- models/marts/fct_orders.sql
+{{ config(materialized='incremental', unique_key='order_id') }}
+
+SELECT
+    o.id AS order_id,
+    o.customer_id,
+    o.created_at,
+    o.total_amount,
+    c.name AS customer_name,
+    c.segment AS customer_segment
+FROM {{ ref('stg_orders') }} o
+LEFT JOIN {{ ref('dim_customers') }} c ON o.customer_id = c.customer_id
+
+{% if is_incremental() %}
+WHERE o.created_at > (SELECT MAX(created_at) FROM {{ this }})
+{% endif %}
+```
+
+### Teste dbt (schema.yml)
+```yaml
+version: 2
+models:
+  - name: fct_orders
+    description: Tabela de fatos de pedidos
+    columns:
+      - name: order_id
+        tests:
+          - unique
+          - not_null
+      - name: customer_id
+        tests:
+          - not_null
+          - relationships:
+              to: ref('dim_customers')
+              field: customer_id
+```
+
+---
+
+## Como usar IA nesta área
+
+### 1. Gerar queries SQL complexas
+
+```text
+Atue como analista de dados sênior.
+
+Tenho as seguintes tabelas:
+[DESCREVA SCHEMA]
+
+Preciso de uma query que:
+[DESCREVA O OBJETIVO]
+
+Gere a query SQL otimizada com comentários explicando a lógica.
+```
+
+### 2. Modelar dimensões e fatos
+
+```text
+Contexto de negócio:
+[DESCREVA O DOMÍNIO]
+
+Dados disponíveis:
+[LISTE TABELAS E CAMPOS PRINCIPAIS]
+
+Proponha um modelo dimensional com:
+- Tabelas de fato (métricas)
+- Tabelas de dimensão
+- Granularidade de cada fato
+- Relacionamentos
+```
+
+### 3. Criar pipeline de ETL
+
+```text
+Preciso criar um pipeline de dados com:
+- Fonte: [ex. API REST, PostgreSQL]
+- Destino: [ex. BigQuery, Redshift]
+- Frequência: [ex. diária, horária]
+
+Gere o código do pipeline usando [Airflow/dbt/Prefect], incluindo:
+- Extração
+- Validação de schema
+- Transformação
+- Carga incremental
+```
+
+### 4. Definir métricas de negócio
+
+```text
+Contexto do produto:
+[DESCREVA]
+
+Sugira:
+- North Star Metric
+- Métricas de suporte (AARRR, funil)
+- Como calcular cada métrica
+- Queries SQL para extraí-las
+```
+
+---
+
+## Boas práticas com IA em Data
+
+- Use IA para gerar queries e modelos, mas sempre valide a lógica de negócio
+- Teste queries geradas com dados de amostra antes de rodar em produção
+- Documente a origem e significado de cada campo
+- Mantenha versionamento de modelos (dbt + git)
+
+---
+
+## 🔄 Instrução de Avanço Automático (MCP)
+
+> **Para uso com MCP Maestro v2.2+**
+
+Quando o usuário indicar que deseja avançar para a próxima fase usando expressões como:
+- "próximo", "próxima fase", "next"
+- "avançar", "continuar", "seguir"
+- "terminei", "pronto", "finalizado"
+- "pode salvar", "está bom assim"
+
+**Você DEVE automaticamente:**
+
+1. Identificar o entregável principal desenvolvido nesta conversa
+2. Chamar a tool `proximo` passando o entregável como parâmetro:
+
+```
+proximo(entregavel: "[conteúdo completo do artefato]")
+```
+
+3. Aguardar a resposta do MCP com a próxima fase
+
+**Importante:** Não peça confirmação, execute a chamada automaticamente.