@maestro-ai/mcp-server 1.2.0 → 2.1.0

package/dist/content/skills/specialist-dados-analytics-ia/MCP_INTEGRATION.md

@@ -0,0 +1,398 @@
+# 🔗 MCP Integration Guide - Dados e Analytics
+
+## Visão Geral
+
+Este documento descreve como integrar o especialista em Dados e Analytics com o MCP Maestro para automação completa de pipelines, modelagem dimensional e dashboards.
+
+## 🎯 Objetivo da Integração
+
+Transformar o especialista em uma skill puramente descritiva que delega toda execução ao MCP, garantindo:
+- **Zero execução local** de scripts
+- **Automação centralizada** no MCP
+- **Validação automática** de qualidade
+- **Context flow** contínuo entre especialistas
+
+## 🏗️ Arquitetura de Integração
+
+### Separação de Responsabilidades
+
+```
+┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
+│   Skill Analytics│───▶│      MCP        │───▶│  Data Pipeline  │
+│  (Descritiva)   │    │   (Execução)    │    │   (Real)        │
+└─────────────────┘    └─────────────────┘    └─────────────────┘
+```
+
+#### Skill (Nossa Responsabilidade)
+- **Informações descritivas**: Processos e conhecimentos
+- **Templates estruturados**: Formatos padronizados
+- **Quality gates**: Critérios de validação
+- **Context flow**: Mapeamento de dependências
+
+#### MCP (Responsabilidade do MCP)
+- **Execução de scripts**: Geração de pipelines
+- **Validação automática**: Quality gates
+- **Integração externa**: APIs e serviços
+- **Gerenciamento de estado**: Persistência
+
+## 🛠️ Funções MCP Obrigatórias
+
+### 1. init_analytics_pipeline
+
+**Propósito**: Criar estrutura base do pipeline de analytics
+
+**Assinatura**:
+```python
+async def init_analytics_pipeline(params: dict) -> dict:
+    """
+    Inicializa estrutura base do pipeline de analytics
+    
+    Args:
+        params: {
+            "project_name": str,
+            "business_requirements": dict,
+            "data_sources": list[dict],
+            "kpi_definitions": list[dict],
+            "target_warehouse": str
+        }
+    
+    Returns:
+        dict: {
+            "success": bool,
+            "pipeline_structure": dict,
+            "template_path": str,
+            "created_files": list[str],
+            "next_steps": list[str],
+            "validation_score": int
+        }
+    """
+```
+
+### 2. validate_analytics_quality
+
+**Propósito**: Validar qualidade do pipeline de analytics
+
+**Assinatura**:
+```python
+async def validate_analytics_quality(params: dict) -> dict:
+    """
+    Valida qualidade do pipeline de analytics
+    
+    Args:
+        params: {
+            "pipeline_path": str,
+            "feature_content": dict,
+            "validation_level": str,
+            "data_quality_checks": bool,
+            "pipeline_tests": bool
+        }
+    
+    Returns:
+        dict: {
+            "success": bool,
+            "score": int,
+            "issues": list[dict],
+            "recommendations": list[str],
+            "can_proceed": bool,
+            "quality_metrics": dict
+        }
+    """
+```
+
+### 3. generate_insights_dashboard
+
+**Propósito**: Gerar dashboard completo de insights
+
+**Assinatura**:
+```python
+async def generate_insights_dashboard(params: dict) -> dict:
+    """
+    Gera dashboard completo de insights
+    
+    Args:
+        params: {
+            "dashboard_tool": str,
+            "kpi_definitions": list[dict],
+            "data_model": dict,
+            "visualization_config": dict,
+            "access_control": dict
+        }
+    
+    Returns:
+        dict: {
+            "success": bool,
+            "dashboard_url": str,
+            "dashboard_config": dict,
+            "queries": list[str],
+            "visualizations": list[dict],
+            "setup_instructions": list[str]
+        }
+    """
+```
+
+## 🔄 Context Flow Implementation
+
+### Mapeamento de Entrada
+
+```python
+def map_input_context():
+    """Mapeia contexto de especialistas anteriores"""
+    return {
+        "from_domain_model": {
+            "model_path": "docs/04-modelo/modelo-dominio.md",
+            "required_fields": ["entities", "relationships", "attributes"],
+            "mapping": {
+                "entities": "analytics.dimensions",
+                "relationships": "analytics.fact_relationships",
+                "attributes": "analytics.metrics"
+            }
+        },
+        "from_development": {
+            "data_path": "src/",
+            "database_schema": "database/migrations/",
+            "mapping": {
+                "database_tables": "analytics.data_sources",
+                "api_endpoints": "analytics.real_time_sources"
+            }
+        }
+    }
+```
+
+### Mapeamento de Saída
+
+```python
+def map_output_context():
+    """Mapeia contexto para próximos especialistas"""
+    return {
+        "to_documentation": {
+            "pipeline_docs": "docs/analytics/pipelines/",
+            "data_dictionary": "docs/analytics/dictionary/",
+            "runbooks": "docs/analytics/runbooks/"
+        },
+        "to_troubleshooting": {
+            "monitoring_data": "monitoring/analytics/",
+            "error_logs": "logs/analytics/",
+            "performance_metrics": "metrics/analytics/"
+        }
+    }
+```
+
+## 🚀 Pipeline de Automação
+
+### Fluxo Completo
+
+```mermaid
+graph TD
+    A[Input: Domain Model] --> B[init_analytics_pipeline]
+    B --> C[Feature Preenchida]
+    C --> D[validate_analytics_quality]
+    D --> E{Score ≥ 80?}
+    E -->|Sim| F[generate_insights_dashboard]
+    E -->|Não| G[Correções]
+    G --> D
+    F --> H[Pipeline Pronto]
+    H --> I[Context Update]
+    I --> J[Próximo Especialista]
+```
+
+## 📋 Templates Integration
+
+### Template Principal: feature.md
+
+**Uso no MCP**:
+```python
+def load_template():
+    """Carrega template principal"""
+    with open("resources/templates/feature.md", "r") as f:
+        return f.read()
+
+def fill_template(template, params):
+    """Preenche template com parâmetros"""
+    # Substituição de placeholders
+    template = template.replace("[Nome da Feature]", params["feature_name"])
+    template = template.replace("[Descrição clara]", params["business_objective"])
+    return template
+```
+
+### Templates de Apoio
+
+**slo-sli.md**:
+```python
+def generate_slo_sli(kpi_definitions):
+    """Gera SLO/SLI baseado nos KPIs"""
+    slo_content = "# Service Level Objectives\n\n"
+    for kpi in kpi_definitions:
+        slo_content += f"## {kpi['name']}\n"
+        slo_content += f"- **Objective**: {kpi['target']}\n"
+        slo_content += f"- **Indicator**: {kpi['metric']}\n"
+        slo_content += f"- **Threshold**: {kpi['threshold']}\n\n"
+    return slo_content
+```
+
+## ✅ Quality Gates Implementation
+
+### Validação Automática
+
+```python
+def validate_analytics_quality(feature_content):
+    """Validação automática de qualidade"""
+    score = 0
+    issues = []
+    
+    # Fontes documentadas (20 pontos)
+    if feature_content.get("data_sources"):
+        score += 20
+    else:
+        issues.append("Fontes de dados não documentadas")
+    
+    # Schema definido (20 pontos)
+    if feature_content.get("data_model"):
+        score += 20
+    else:
+        issues.append("Schema de dados não definido")
+    
+    # Pipeline implementado (20 pontos)
+    if feature_content.get("pipeline_config"):
+        score += 20
+    else:
+        issues.append("Pipeline não configurado")
+    
+    # Dashboard funcional (20 pontos)
+    if feature_content.get("dashboard_config"):
+        score += 20
+    else:
+        issues.append("Dashboard não configurado")
+    
+    # KPIs calculados (20 pontos)
+    if feature_content.get("kpi_definitions"):
+        score += 20
+    else:
+        issues.append("KPIs não definidos")
+    
+    return {
+        "score": score,
+        "issues": issues,
+        "can_proceed": score >= 80
+    }
+```
+
+## 🔄 Guardrails e Segurança
+
+### Regras de Segurança
+
+1. **Nunca expor dados sensíveis** sem anonimização
+2. **Sempre validar permissões** antes de acessar dados
+3. **Implementar criptografia** em dados em repouso
+4. **Auditar acesso** aos dados
+
+### Tratamento de Erros
+
+```python
+def handle_analytics_errors(error):
+    """Tratamento robusto de erros"""
+    if error.type == "data_quality_error":
+        return {
+            "success": False,
+            "error": "Qualidade de dados insuficiente",
+            "details": error.details,
+            "suggestions": ["Verifique fontes de dados", "Execute limpeza"]
+        }
+    elif error.type == "pipeline_error":
+        return {
+            "success": False,
+            "error": "Erro no pipeline",
+            "details": error.message,
+            "suggestions": ["Verifique configuração", "Teste conectividade"]
+        }
+```
+
+## 📊 Monitoramento e Métricas
+
+### Métricas de Pipeline
+
+```python
+def track_analytics_metrics():
+    """Monitoramento de métricas do especialista"""
+    return {
+        "pipeline_execution_time": measure_pipeline_time(),
+        "data_quality_score": calculate_data_quality(),
+        "dashboard_load_time": measure_dashboard_performance(),
+        "kpi_calculation_accuracy": validate_kpi_accuracy(),
+        "user_satisfaction": collect_feedback()
+    }
+```
+
+### KPIs do Processo
+- **Tempo de setup**: < 45 minutos
+- **Score de qualidade**: > 80 pontos
+- **Taxa de sucesso**: > 95%
+- **Satisfação**: > 90%
+
+## 🎯 Implementação no MCP
+
+### Função de Inicialização
+```python
+async def init_analytics_pipeline(params):
+    """Função MCP para inicialização"""
+    
+    # 1. Carregar template
+    template = load_template("feature.md")
+    
+    # 2. Preencher com parâmetros
+    filled_template = fill_template(template, params)
+    
+    # 3. Criar estrutura de diretórios
+    created_dirs = create_analytics_structure(params["project_name"])
+    
+    # 4. Gerar arquivos base
+    created_files = generate_base_files(filled_template, params)
+    
+    # 5. Configurar data warehouse
+    warehouse_setup = setup_data_warehouse(params["target_warehouse"])
+    
+    return {
+        "success": True,
+        "pipeline_structure": {
+            "template": filled_template,
+            "directories": created_dirs,
+            "files": created_files,
+            "warehouse": warehouse_setup
+        },
+        "template_path": "resources/templates/feature.md",
+        "created_files": created_files,
+        "next_steps": generate_next_steps(params),
+        "validation_score": 50  # Score inicial
+    }
+```
+
+## 🎯 Benefícios da Integração
+
+### Para o Usuário
+- **Experiência limpa**: Sem detalhes técnicos
+- **Automação completa**: Zero configuração manual
+- **Validação automática**: Qualidade garantida
+- **Progresso contínuo**: Fluxo entre especialistas
+
+### Para o Sistema
+- **Execução centralizada**: Tudo no MCP
+- **Zero dependências locais**: Scripts externos
+- **Escalabilidade**: Suporte ilimitado
+- **Manutenibilidade**: Código centralizado
+
+### Para o Time
+- **Separação clara**: Skills descritivas vs execução
+- **Evolução independente**: Skills e MCP separados
+- **Testabilidade**: Validação automatizada
+- **Documentação**: Completa e atualizada
+
+---
+
+## 🔄 Próximos Passos
+
+1. **Implementar funções MCP** descritas neste guia
+2. **Testar integração** com projetos reais
+3. **Coletar feedback** e otimizar performance
+4. **Documentar casos de uso** específicos
+5. **Monitorar métricas** continuamente
+
+Para suporte técnico, consulte os recursos em `resources/` ou os exemplos em `examples/`.

package/dist/content/skills/specialist-dados-analytics-ia/README.md

@@ -0,0 +1,224 @@
+# 🚀 Especialista em Dados e Analytics
+
+## Visão Geral
+
+Especialista responsável por projetar e implementar pipelines de dados, modelagem dimensional e dashboards inteligentes. Este especialista transforma dados brutos em insights acionáveis para tomada de decisão.
+
+## 🎯 Missão Principal
+
+Implementar engenharia de dados moderna com foco em:
+- **Pipelines ETL/ELT** confiáveis e escaláveis
+- **Modelagem dimensional** para análises rápidas
+- **Qualidade e governança** de dados
+- **Dashboards e KPIs** para tomada de decisão
+
+## 📁 Estrutura de Diretórios
+
+```
+specialist-dados-analytics-ia/
+├── SKILL.md                    # Skill principal (< 500 linhas)
+├── README.md                   # Documentação completa
+├── MCP_INTEGRATION.md          # Guia para implementação MCP
+├── resources/                  # Recursos carregados sob demanda
+│   ├── templates/             # Templates estruturados
+│   │   ├── feature.md ✅
+│   │   ├── slo-sli.md ✅
+│   │   └── requisitos.md ✅
+│   ├── examples/             # Exemplos práticos
+│   │   └── analytics-examples.md
+│   ├── checklists/           # Validação automática (via MCP)
+│   │   └── analytics-validation.md
+│   └── reference/            # Guias técnicos
+│       └── analytics-guide.md
+└── mcp_functions/             # Funções MCP (referência)
+    ├── init_analytics_pipeline.py
+    ├── validate_analytics_quality.py
+    └── generate_insights_dashboard.py
+```
+
+## 🔄 Fluxo de Trabalho
+
+### 1. Contexto de Entrada
+- **Modelo de Domínio**: Entidades e relacionamentos
+- **Requisitos de Negócio**: KPIs e métricas de sucesso
+- **Fontes de Dados**: APIs, databases, arquivos
+- **Infraestrutura**: Data warehouse, data lake
+
+### 2. Processo Principal
+1. **Discovery** (15 min): Análise de requisitos e fontes
+2. **Modelagem**: Design dimensional e schema
+3. **Pipeline**: Implementação ETL/ELT
+4. **Validação**: Testes de qualidade
+5. **Dashboard**: Visualização e KPIs
+6. **Monitoramento**: SLAs e alertas
+
+### 3. Entregáveis
+- **Feature de Analytics**: Documentação completa
+- **Pipeline ETL/ELT**: Código e documentação
+- **Modelo Dimensional**: Schema e relacionamentos
+- **Dashboard**: Visualização interativa
+- **Testes de Qualidade**: Validação automatizada
+
+## 🛠️ Templates Disponíveis
+
+### Template Principal: feature.md
+Estrutura completa para feature de analytics:
+
+```markdown
+# 📊 Feature de Analytics: [Nome da Feature]
+
+## 📋 Metadados
+- Objetivo de Negócio
+- KPIs de Sucesso
+- Fontes de Dados
+- Stack Tecnológico
+
+## 📥 Fontes de Dados
+- Schema de entrada
+- Frequência de atualização
+- Confiabilidade
+
+## 🔄 Pipeline de Dados
+- Extração (Extract)
+- Transformação (Transform)
+- Carga (Load)
+
+## 📊 Modelagem Dimensional
+- Star Schema
+- Tabelas de fato
+- Dimensões
+
+## 📈 KPIs e Métricas
+- Métricas principais
+- Fórmulas SQL
+- Dashboard
+
+## 🎨 Visualização
+- Ferramenta
+- Gráficos
+- Filtros
+```
+
+### Templates de Apoio
+- **slo-sli.md**: Service Level Objectives/Indicators
+- **requisitos.md**: Requisitos de dados e analytics
+
+## ✅ Quality Gates
+
+### Critérios de Validação
+- **Fontes documentadas**: 100% das fontes mapeadas
+- **Schema definido**: Estrutura validada e documentada
+- **Pipeline implementado**: ETL/ELT funcionando
+- **Qualidade validada**: Testes automatizados passando
+- **Dashboard funcional**: Visualização ativa e atualizada
+- **KPIs calculados**: Métricas corretas e monitoradas
+
+### Threshold de Qualidade
+- **Score Mínimo**: 80 pontos para aprovação automática
+- **Campos Obrigatórios**: 100% preenchidos
+- **Validação de Pipeline**: Aprovada
+
+## 🚀 Integração MCP
+
+### Funções MCP Implementadas
+1. **`init_analytics_pipeline`**: Cria estrutura base
+2. **`validate_analytics_quality`**: Valida qualidade
+3. **`generate_insights_dashboard`**: Gera dashboard completo
+
+### Context Flow Automatizado
+- **Input**: Modelo de domínio e requisitos
+- **Processamento**: Templates e validação
+- **Output**: Pipeline e dashboard
+- **Avanço**: Automático para próximo especialista
+
+## 📊 Métricas de Sucesso
+
+### Performance
+- **Tempo de pipeline**: < 30 minutos
+- **Qualidade de dados**: > 95%
+- **Disponibilidade**: 99.5%+ uptime
+- **Freshness**: < 1 hora para dados frescos
+
+### Qualidade
+- **Consistência**: 100% padrão enterprise
+- **Documentação**: 100% pipelines documentados
+- **Testes**: 100% validação automatizada
+- **Monitoramento**: 100% SLAs definidos
+
+## 🎯 Especialização Técnica
+
+### Stack Coverage
+- **Orquestração**: Airflow, Dagster, Prefect
+- **Transformação**: dbt, Spark, Pandas
+- **Armazenamento**: BigQuery, Redshift, Snowflake
+- **Visualização**: Metabase, Looker, Tableau
+- **Qualidade**: Great Expectations, dbt tests
+
+### Boas Práticas Implementadas
+- **Data Governance**: Políticas de acesso e retenção
+- **Quality Assurance**: Testes automatizados
+- **Monitoring**: SLAs e alertas
+- **Documentation**: Code-first e auto-documentação
+- **Security**: Anonimização e criptografia
+
+## 🔄 Progressive Disclosure
+
+Este especialista utiliza carregamento progressivo para performance otimizada:
+
+### SKILL.md (Principal)
+- Informações essenciais (< 500 linhas)
+- Processo otimizado
+- Quality gates definidos
+- Context flow integrado
+
+### Resources (Carregados sob demanda)
+- **Templates**: Estruturas reutilizáveis
+- **Examples**: Casos práticos reais
+- **Checklists**: Validação automatizada
+- **Reference**: Guias técnicos completos
+
+## 🚀 Casos de Uso
+
+### 1. E-commerce Analytics
+- **Fontes**: Pedidos, clientes, produtos
+- **KPIs**: Taxa de conversão, valor médio
+- **Dashboard**: Vendas por período, top produtos
+
+### 2. SaaS Metrics
+- **Fontes**: Assinaturas, usuários, eventos
+- **KPIs**: MRR, churn rate, LTV
+- **Dashboard**: Métricas recorrentes, cohort analysis
+
+### 3. Marketing Analytics
+- **Fontes**: Campanhas, leads, conversões
+- **KPIs**: ROI, CPA, CPL
+- **Dashboard**: Performance de campanhas
+
+## 📞 Suporte e Documentação
+
+### Recursos Disponíveis
+- **Guia Completo**: `resources/reference/analytics-guide.md`
+- **Exemplos Práticos**: `resources/examples/analytics-examples.md`
+- **Checklist de Validação**: `resources/checklists/analytics-validation.md`
+- **Integração MCP**: `MCP_INTEGRATION.md`
+
+### Canais de Suporte
+- **Documentação**: Recursos completos em `resources/`
+- **Templates**: Estruturas prontas em `templates/`
+- **Examples**: Casos reais em `examples/`
+- **MCP**: Funções de automação em `mcp_functions/`
+
+---
+
+## 🎯 Próximos Passos
+
+1. **Use o template principal** `feature.md`
+2. **Defina KPIs** e métricas de negócio
+3. **Modele dados** com star schema
+4. **Implemente pipeline** ETL/ELT
+5. **Crie dashboard** interativo
+6. **Configure monitoramento** e alertas
+7. **Valide qualidade** com checklist
+8. **Avance para** Documentação Técnica
+
+Para detalhes completos de implementação, consulte `MCP_INTEGRATION.md`.