aiox-core 5.0.3 → 5.0.5

package/pro/squads/squad-creator-pro/data/executor-decision-tree.md

@@ -1,774 +0,0 @@
-# Executor Type Decision Tree
-
-**Date:** 2026-02-03
-**Version:** 1.0.0
-**Status:** Standard
-**Author:** Squad Architect
-**Domain:** Technical / Process Automation
-**Pattern:** EXEC-DT-001
-
----
-
-## Purpose
-
-Esta decision tree determina **QUEM ou O QUE executa uma task**: código determinístico (Worker), LLM probabilístico (Agent), combinação AI+Human (Hybrid), ou decisão humana pura (Human).
-
-A escolha correta de executor impacta diretamente:
-- **Custo**: Worker ($) vs Agent ($$$$)
-- **Velocidade**: Worker (ms) vs Human (horas)
-- **Consistência**: Worker (100%) vs Human (variável)
-- **Qualidade**: Depende do tipo de task
-
-**Princípio fundamental:** Maximizar determinismo. Usar LLM apenas quando necessário.
-
----
-
-## Os 4 Tipos de Executor
-
-### 1. Worker (Código Determinístico)
-
-**Definition:** Execução por script, função, API call, ou automação sem julgamento.
-
-**When to use:**
-- Input e output são 100% previsíveis
-- Regras podem ser codificadas completamente
-- Não há ambiguidade na interpretação
-- Task pode ser escrita como função pura
-- Mesma entrada SEMPRE produz mesma saída
-
-**Examples:**
-- Formatar JSON para YAML
-- Validar schema de arquivo
-- Fazer API call e transformar response
-- Mover arquivos entre diretórios
-- Calcular métricas a partir de dados estruturados
-- Gerar relatório a partir de template + dados
-
-**Characteristics:**
-
-| Attribute | Value |
-|-----------|-------|
-| Custo | $ (mais barato) |
-| Velocidade | Milissegundos a segundos |
-| Consistência | 100% (determinístico) |
-| Escalabilidade | Infinita |
-| Julgamento | Zero |
-| Fallback requerido | Sim (para erros) |
-
-**Implementation:**
-```yaml
-executor:
-  type: Worker
-  pattern: EXEC-W-001
-  implementation:
-    language: "python | node | bash"
-    location: "scripts/{task_id}.py"
-    idempotent: true
-    retry_policy: "3 attempts, exponential backoff"
-```
-
----
-
-### 2. Agent (LLM Probabilístico)
-
-**Definition:** Execução por modelo de linguagem que interpreta, analisa, ou gera conteúdo.
-
-**When to use:**
-- Task requer interpretação de linguagem natural
-- Output varia baseado em contexto/nuance
-- Análise de padrões em texto não-estruturado
-- Geração de conteúdo criativo ou analítico
-- Síntese de múltiplas fontes de informação
-
-**Examples:**
-- Analisar sentimento de feedback de clientes
-- Gerar primeiro rascunho de copy
-- Extrair entidades de texto livre
-- Resumir documento longo
-- Classificar tickets de suporte por categoria
-- Responder perguntas sobre codebase
-
-**Characteristics:**
-
-| Attribute | Value |
-|-----------|-------|
-| Custo | $$$$ (tokens) |
-| Velocidade | Segundos a minutos |
-| Consistência | ~85-95% (probabilístico) |
-| Escalabilidade | Alta (paralelo) |
-| Julgamento | Médio (baseado em training) |
-| Fallback requerido | Sim (para Hybrid) |
-
-**Implementation:**
-```yaml
-executor:
-  type: Agent
-  pattern: EXEC-A-001
-  implementation:
-    model: "claude-sonnet | gpt-4 | gemini-pro"
-    temperature: 0.3  # Lower = more deterministic
-    max_tokens: 4096
-    validation: "automated"
-    confidence_threshold: 0.7
-    fallback_to: Hybrid
-```
-
----
-
-### 3. Hybrid (AI + Human Validation)
-
-**Definition:** LLM executa, humano valida/aprova antes de prosseguir.
-
-**When to use:**
-- Output do LLM precisa de revisão antes de uso
-- Task tem impacto médio-alto se errada
-- Humano pode melhorar/corrigir output do AI
-- Processo de aprendizado (AI melhora com feedback)
-- Decisões que afetam clientes/usuários externos
-
-**Examples:**
-- Gerar email de resposta → humano revisa antes de enviar
-- Criar PR description → humano aprova antes de merge
-- Sugerir classificação de lead → humano confirma
-- Rascunhar proposta comercial → humano ajusta valores
-- Analisar contrato → humano valida pontos críticos
-
-**Characteristics:**
-
-| Attribute | Value |
-|-----------|-------|
-| Custo | $$ (AI + tempo humano parcial) |
-| Velocidade | Minutos a horas |
-| Consistência | 95%+ (AI + human check) |
-| Escalabilidade | Limitada pelo humano |
-| Julgamento | Alto (combinado) |
-| Fallback requerido | Opcional (para Human) |
-
-**Implementation:**
-```yaml
-executor:
-  type: Hybrid
-  pattern: EXEC-HY-001
-  implementation:
-    ai_phase:
-      model: "claude-sonnet"
-      output: "draft"
-    human_phase:
-      action: "review | approve | edit"
-      timeout: "4h"
-      escalation: "manager"
-    feedback_loop: true  # AI learns from corrections
-```
-
----
-
-### 4. Human (Decisão Humana Pura)
-
-**Definition:** Humano executa a task do início ao fim, sem assistência de AI.
-
-**When to use:**
-- Decisão estratégica de alto impacto
-- Requer contexto que AI não tem acesso
-- Envolve relacionamentos interpessoais
-- Negociação ou persuasão necessária
-- Responsabilidade legal ou ética
-- Criatividade genuína (não derivativa)
-
-**Examples:**
-- Aprovar orçamento acima de $10k
-- Demitir ou promover funcionário
-- Negociar contrato com cliente enterprise
-- Definir estratégia de produto
-- Resolver conflito entre stakeholders
-- Decidir pivô de negócio
-
-**Characteristics:**
-
-| Attribute | Value |
-|-----------|-------|
-| Custo | $$$ (tempo humano integral) |
-| Velocidade | Horas a dias |
-| Consistência | Variável (depende da pessoa) |
-| Escalabilidade | Muito limitada |
-| Julgamento | Máximo |
-| Fallback requerido | Não |
-
-**Implementation:**
-```yaml
-executor:
-  type: Human
-  pattern: EXEC-H-001
-  implementation:
-    responsible: "@role or @person"
-    decision_criteria: "documented"
-    time_limit: "48h"
-    escalation: "skip-level manager"
-    documentation: "required"
-```
-
----
-
-## Decision Tree
-
-```mermaid
-graph TD
-    Start([🎯 Nova Task]) --> Q1{1. Output é 100%<br/>previsível dado<br/>o input?}
-
-    Q1 -->|✅ SIM| Q2{2. Pode ser escrito<br/>como função pura?<br/>f(x) → y sempre igual}
-    Q1 -->|❌ NÃO| Q3{3. Requer interpretação<br/>de linguagem natural<br/>ou contexto?}
-
-    Q2 -->|✅ SIM| Q2a{2a. Existe biblioteca/<br/>API que faz isso?}
-    Q2 -->|❌ NÃO| Q3
-
-    Q2a -->|✅ SIM| Worker[🔧 WORKER<br/>Código Determinístico]
-    Q2a -->|❌ NÃO| Q2b{2b. Vale a pena<br/>codificar?<br/>Será usado 3+ vezes?}
-
-    Q2b -->|✅ SIM| Worker
-    Q2b -->|❌ NÃO| Agent[🤖 AGENT<br/>LLM Probabilístico]
-
-    Q3 -->|✅ SIM| Q4{4. Erro no output<br/>causa impacto<br/>significativo?}
-    Q3 -->|❌ NÃO| Q5{5. Requer julgamento<br/>estratégico ou<br/>relacionamento?}
-
-    Q4 -->|✅ SIM Alto| Hybrid[🔄 HYBRID<br/>AI + Human Review]
-    Q4 -->|❌ NÃO Baixo| Agent
-
-    Q5 -->|✅ SIM| Q6{6. AI pode<br/>assistir/preparar?}
-    Q5 -->|❌ NÃO| Q4
-
-    Q6 -->|✅ SIM| Hybrid
-    Q6 -->|❌ NÃO| Human[👤 HUMAN<br/>Decisão Humana]
-
-    Worker --> End([✅ Executor Definido])
-    Agent --> End
-    Hybrid --> End
-    Human --> End
-
-    style Worker fill:#2ecc71,color:#000
-    style Agent fill:#3498db,color:#fff
-    style Hybrid fill:#f39c12,color:#000
-    style Human fill:#e74c3c,color:#fff
-    style Start fill:#9b59b6,color:#fff
-    style End fill:#1abc9c,color:#fff
-```
-
----
-
-## Detailed Decision Criteria
-
-### Criterion 1: Output é 100% previsível?
-
-**Question:** Dado o mesmo input, o output será SEMPRE idêntico?
-
-**Examples:**
-
-| Scenario | Answer | Why? | Path |
-|----------|--------|------|------|
-| Converter JSON para YAML | ✅ SIM | Transformação determinística | → Worker |
-| Extrair campos de formulário estruturado | ✅ SIM | Parsing com regras fixas | → Worker |
-| Resumir artigo de blog | ❌ NÃO | Resumo varia por interpretação | → Pergunta 3 |
-| Classificar email como spam/não-spam | ❌ NÃO | Depende de contexto e nuance | → Pergunta 3 |
-| Calcular total de fatura | ✅ SIM | Matemática pura | → Worker |
-| Sugerir próxima ação para lead | ❌ NÃO | Depende de análise contextual | → Pergunta 3 |
-
-**If SIM → Pergunta 2**
-**If NÃO → Pergunta 3**
-
----
-
-### Criterion 2: Pode ser função pura?
-
-**Question:** A task pode ser implementada como `function(input) → output` sem side effects e sem ambiguidade?
-
-**Examples:**
-
-| Scenario | Answer | Why? | Path |
-|----------|--------|------|------|
-| Validar CPF | ✅ SIM | Algoritmo fixo de validação | → 2a |
-| Gerar slug a partir de título | ✅ SIM | Regras de transformação claras | → 2a |
-| Decidir melhor horário para reunião | ❌ NÃO | Depende de preferências implícitas | → Pergunta 3 |
-| Formatar data para padrão ISO | ✅ SIM | Transformação determinística | → 2a |
-| Escolher melhor imagem para thumbnail | ❌ NÃO | Julgamento estético | → Pergunta 3 |
-
-**If SIM → Pergunta 2a (existe lib/API?)**
-**If NÃO → Pergunta 3**
-
----
-
-### Criterion 2a: Existe biblioteca/API?
-
-**Question:** Existe código pronto (biblioteca, SDK, API) que faz essa operação?
-
-**Examples:**
-
-| Scenario | Answer | Implementation | Path |
-|----------|--------|----------------|------|
-| Validar email | ✅ SIM | `email-validator` lib | → Worker |
-| Parse de PDF | ✅ SIM | `pdf-parse`, `PyPDF2` | → Worker |
-| OCR de imagem | ✅ SIM | Tesseract, Google Vision API | → Worker |
-| Traduzir texto | ⚠️ PARCIAL | APIs existem mas são probabilísticas | → Agent |
-| Formatar markdown | ✅ SIM | `remark`, `markdown-it` | → Worker |
-
-**If SIM → Worker**
-**If NÃO → Pergunta 2b**
-
----
-
-### Criterion 2b: Vale codificar?
-
-**Question:** A task será executada 3+ vezes? O esforço de codificar compensa?
-
-**Rule of thumb:**
-- < 3 execuções → Agent (mais rápido implementar)
-- 3-10 execuções → Avaliar complexidade
-- > 10 execuções → Worker (investimento se paga)
-
-**If SIM → Worker (codificar)**
-**If NÃO → Agent (LLM é mais rápido para one-off)**
-
----
-
-### Criterion 3: Requer interpretação de linguagem natural?
-
-**Question:** A task envolve entender, analisar, ou gerar texto que não segue estrutura fixa?
-
-**Examples:**
-
-| Scenario | Answer | Why? | Path |
-|----------|--------|------|------|
-| Analisar sentimento de review | ✅ SIM | Linguagem natural, nuances | → Pergunta 4 |
-| Extrair nome de campo JSON | ❌ NÃO | Estrutura fixa, parsing | → Worker |
-| Gerar descrição de produto | ✅ SIM | Criação de texto | → Pergunta 4 |
-| Classificar intenção de mensagem | ✅ SIM | Interpretação semântica | → Pergunta 4 |
-| Somar valores de array | ❌ NÃO | Operação matemática | → Worker |
-
-**If SIM → Pergunta 4**
-**If NÃO → Pergunta 5**
-
----
-
-### Criterion 4: Impacto de erro é significativo?
-
-**Question:** Se o output estiver errado, qual é o impacto?
-
-**Impact Levels:**
-
-| Level | Description | Examples | Path |
-|-------|-------------|----------|------|
-| **Baixo** | Facilmente corrigível, sem consequências | Typo em draft interno, classificação errada que será revisada | → Agent |
-| **Médio** | Retrabalho necessário, mas reversível | Email enviado com erro, relatório impreciso | → Hybrid |
-| **Alto** | Dano financeiro, reputacional, ou legal | Proposta com valor errado, comunicação a cliente, decisão de compliance | → Hybrid ou Human |
-| **Crítico** | Irreversível ou catastrófico | Dados deletados, violação legal, demissão injusta | → Human |
-
-**If Baixo → Agent**
-**If Médio/Alto → Hybrid**
-**If Crítico → Human**
-
----
-
-### Criterion 5: Requer julgamento estratégico ou relacionamento?
-
-**Question:** A task envolve decisões que dependem de contexto político, estratégico, ou interpessoal?
-
-**Examples:**
-
-| Scenario | Answer | Why? | Path |
-|----------|--------|------|------|
-| Decidir prioridade de roadmap | ✅ SIM | Estratégia de produto | → Pergunta 6 |
-| Negociar desconto com fornecedor | ✅ SIM | Relacionamento comercial | → Pergunta 6 |
-| Escolher stack tecnológico | ✅ SIM | Decisão arquitetural de longo prazo | → Pergunta 6 |
-| Gerar relatório de vendas | ❌ NÃO | Dados objetivos | → Pergunta 4 |
-| Aprovar férias de funcionário | ⚠️ DEPENDE | Se rotina → Worker; se conflito → Human | → Avaliar |
-
-**If SIM → Pergunta 6**
-**If NÃO → Pergunta 4**
-
----
-
-### Criterion 6: AI pode assistir/preparar?
-
-**Question:** Um AI pode fazer trabalho preparatório que acelera a decisão humana?
-
-**Examples:**
-
-| Scenario | AI Assist | Human Decision | Path |
-|----------|-----------|----------------|------|
-| Contratar candidato | AI faz triagem inicial | Human entrevista e decide | → Hybrid |
-| Aprovar grande investimento | AI prepara análise de ROI | Human aprova | → Hybrid |
-| Resolver conflito de equipe | ❌ Não aplicável | Human media | → Human |
-| Definir preço de produto | AI analisa mercado/concorrência | Human define estratégia | → Hybrid |
-| Demitir funcionário | ❌ Não aplicável | Human executa | → Human |
-
-**If SIM → Hybrid**
-**If NÃO → Human**
-
----
-
-## Comparison Matrix
-
-| Attribute | Worker | Agent | Hybrid | Human |
-|-----------|--------|-------|--------|-------|
-| **Custo por execução** | $ | $$$$ | $$ | $$$ |
-| **Velocidade** | ms-s | s-min | min-h | h-dias |
-| **Consistência** | 100% | 85-95% | 95%+ | Variável |
-| **Escalabilidade** | ∞ | Alta | Média | Baixa |
-| **Julgamento** | Zero | Médio | Alto | Máximo |
-| **Setup inicial** | Alto | Baixo | Médio | Zero |
-| **Manutenção** | Média | Baixa | Média | Zero |
-| **Fallback** | Hybrid | Hybrid | Human | N/A |
-| **Auditabilidade** | Total | Alta | Alta | Média |
-| **Adaptabilidade** | Nenhuma | Alta | Alta | Máxima |
-| **Best For** | Transformações, validações, integrações | Análise, geração, classificação | Conteúdo crítico, decisões médias | Estratégia, relacionamentos, crítico |
-
----
-
-## Cost-Benefit Analysis
-
-### Custo por 1000 Execuções
-
-| Type | Custo Direto | Custo Indireto | Total Estimado |
-|------|--------------|----------------|----------------|
-| Worker | ~$0.10 (compute) | $0 | **$0.10** |
-| Agent | ~$5-50 (tokens) | $0 | **$5-50** |
-| Hybrid | ~$5-50 (tokens) + ~$100 (15min human × $40/h × 0.25) | $0 | **$15-60** |
-| Human | ~$500 (30min × $40/h × 25 tasks) | Opportunity cost | **$500+** |
-
-### ROI Decision Framework
-
-```
-Se task será executada N vezes:
-
-N < 3:        → Agent (menor setup)
-3 ≤ N < 50:   → Avaliar: Worker se simples, Agent se complexo
-N ≥ 50:       → Worker (ROI positivo mesmo com setup alto)
-N ≥ 1000:     → Worker OBRIGATÓRIO (Agent seria $5k-50k)
-```
-
----
-
-## Migration Paths
-
-### Agent → Worker (Determinização)
-
-**Trigger:** Task executada 50+ vezes com output consistente
-
-**Process:**
-1. Analisar outputs do Agent dos últimos 30 dias
-2. Identificar padrões/regras que emergem
-3. Codificar regras como função
-4. Testar Worker contra histórico do Agent
-5. Se accuracy > 98% → Migrar para Worker
-
-**Example:**
-```yaml
-migration:
-  from: Agent
-  to: Worker
-  task: "Classificar tipo de documento"
-  trigger: "500 execuções, 97% consistência"
-
-  before:
-    executor: Agent
-    prompt: "Classifique este documento como: invoice, receipt, contract, other"
-    cost_per_1000: $25
-
-  after:
-    executor: Worker
-    implementation: "scripts/classify_document.py"
-    rules:
-      - "if 'INVOICE' in header → invoice"
-      - "if 'RECEIPT' in header → receipt"
-      - "if 'AGREEMENT' in text → contract"
-      - "else → other"
-    cost_per_1000: $0.05
-
-  savings: "99.8% redução de custo"
-```
-
-### Hybrid → Agent (Confiança Aumentada)
-
-**Trigger:** Human approval rate > 95% por 30 dias
-
-**Process:**
-1. Analisar taxa de aprovação humana
-2. Identificar padrões de rejeição
-3. Adicionar guardrails para casos de rejeição
-4. Implementar validação automatizada
-5. Se validação captura 99% dos erros → Migrar para Agent
-
-### Human → Hybrid (Assistência AI)
-
-**Trigger:** Task repetitiva onde AI pode preparar contexto
-
-**Process:**
-1. Mapear informações que humano precisa para decidir
-2. Criar prompt que coleta/analisa essas informações
-3. AI prepara "briefing" para humano
-4. Humano decide em fração do tempo
-
----
-
-## Implementation Examples
-
-### Example 1: Processar Upload de Arquivo
-
-**Context:** Usuário faz upload de arquivo, sistema precisa processar.
-
-**Decision Process:**
-1. Output previsível? → Depende do tipo de arquivo
-2. Função pura? → SIM para parsing básico
-3. Existe lib? → SIM (mime-type, file-parser)
-
-**Result:** Worker
-
-```yaml
-task:
-  id: process-file-upload
-  executor:
-    type: Worker
-    pattern: EXEC-W-001
-    rationale: "Parsing de arquivo é determinístico"
-    implementation:
-      script: "scripts/process_upload.py"
-      libs: ["python-magic", "PyPDF2", "openpyxl"]
-    fallback:
-      type: Hybrid
-      trigger: "Arquivo corrompido ou formato não suportado"
-```
-
----
-
-### Example 2: Gerar Resposta a Ticket de Suporte
-
-**Context:** Cliente abre ticket, sistema sugere resposta.
-
-**Decision Process:**
-1. Output previsível? → NÃO (cada ticket é único)
-2. Linguagem natural? → SIM
-3. Impacto de erro? → MÉDIO (cliente pode ficar insatisfeito)
-
-**Result:** Hybrid
-
-```yaml
-task:
-  id: generate-support-response
-  executor:
-    type: Hybrid
-    pattern: EXEC-HY-001
-    rationale: "LLM gera draft, humano revisa antes de enviar"
-    implementation:
-      ai_phase:
-        model: "claude-sonnet"
-        prompt: "Gere resposta empática e útil para: {ticket}"
-        output: "draft_response"
-      human_phase:
-        action: "review_and_send"
-        ui: "support-dashboard"
-        timeout: "2h"
-    fallback:
-      type: Human
-      trigger: "Ticket marcado como 'escalado' ou 'VIP'"
-```
-
----
-
-### Example 3: Aprovar Despesa > $5000
-
-**Context:** Funcionário solicita reembolso de despesa alta.
-
-**Decision Process:**
-1. Output previsível? → NÃO (depende de contexto)
-2. Julgamento estratégico? → SIM (política e budget)
-3. AI pode assistir? → SIM (verificar política, histórico)
-
-**Result:** Hybrid
-
-```yaml
-task:
-  id: approve-high-expense
-  executor:
-    type: Hybrid
-    pattern: EXEC-HY-001
-    rationale: "AI verifica compliance, human aprova"
-    implementation:
-      ai_phase:
-        checks:
-          - "Despesa está dentro da política?"
-          - "Funcionário tem histórico de fraude?"
-          - "Budget do departamento permite?"
-        output: "compliance_report"
-      human_phase:
-        action: "approve | reject | request_info"
-        required_role: "finance_manager"
-        documentation: "required"
-```
-
----
-
-### Example 4: Definir OKRs do Trimestre
-
-**Context:** Liderança define objetivos estratégicos.
-
-**Decision Process:**
-1. Output previsível? → NÃO
-2. Julgamento estratégico? → SIM (direção da empresa)
-3. AI pode assistir? → NÃO efetivamente (contexto político interno)
-
-**Result:** Human
-
-```yaml
-task:
-  id: define-quarterly-okrs
-  executor:
-    type: Human
-    pattern: EXEC-H-001
-    rationale: "Decisão estratégica requer contexto que AI não tem"
-    implementation:
-      responsible: "@leadership_team"
-      process: "quarterly_planning_meeting"
-      inputs:
-        - "performance_metrics"
-        - "market_analysis"
-        - "team_capacity"
-      documentation: "okr_document"
-```
-
----
-
-## Quick Reference Checklist
-
-Use esta checklist para decisão rápida:
-
-### Step 1: Teste de Determinismo
-- [ ] Mesmo input SEMPRE gera mesmo output?
-  - ✅ SIM → Provavelmente **Worker**
-  - ❌ NÃO → Continue
-
-### Step 2: Teste de Linguagem Natural
-- [ ] Task envolve entender/gerar texto livre?
-  - ✅ SIM → Provavelmente **Agent** ou **Hybrid**
-  - ❌ NÃO → Provavelmente **Worker**
-
-### Step 3: Teste de Impacto
-- [ ] Erro causa dano significativo?
-  - ✅ SIM → **Hybrid** ou **Human**
-  - ❌ NÃO → **Agent** ou **Worker**
-
-### Step 4: Teste de Julgamento
-- [ ] Requer decisão estratégica/política/interpessoal?
-  - ✅ SIM → **Human** (possivelmente **Hybrid**)
-  - ❌ NÃO → **Agent** ou **Worker**
-
-### Step 5: Validação Final
-- [ ] Escolha final:
-  - **Worker** → Existe código que faz? Se não, vale codificar?
-  - **Agent** → Prompt está claro? Fallback definido?
-  - **Hybrid** → Fluxo de review definido? Timeout?
-  - **Human** → Responsável definido? Critérios documentados?
-
----
-
-## Common Mistakes to Avoid
-
-### 1. Usar Agent para task determinística
-
-**Mistake:** Usar LLM para formatar data, validar CPF, converter unidades.
-
-**Why it happens:** "LLM pode fazer tudo" → esquece que código é mais barato e consistente.
-
-**Correct approach:** Sempre perguntar "Isso pode ser uma função pura?" primeiro.
-
----
-
-### 2. Usar Worker para task que requer interpretação
-
-**Mistake:** Tentar codificar regras para classificar sentimento ou intenção.
-
-**Why it happens:** Excesso de confiança em regex e if/else.
-
-**Correct approach:** Se a task tem "interpretação", "análise", ou "julgamento", é Agent ou Hybrid.
-
----
-
-### 3. Pular Hybrid e ir direto para Human
-
-**Mistake:** Humano faz tudo sozinho quando AI poderia preparar 80%.
-
-**Why it happens:** "Não confio no AI" ou "É mais fácil eu fazer".
-
-**Correct approach:** Sempre perguntar "O que o AI pode preparar para acelerar a decisão humana?"
-
----
-
-### 4. Não definir fallback para Agent
-
-**Mistake:** Agent executa sem plano B quando falha ou output é ruim.
-
-**Why it happens:** Assumir que LLM sempre funciona.
-
-**Correct approach:** Todo Agent deve ter `fallback_to: Hybrid` com trigger claro.
-
----
-
-### 5. Usar Human para task repetitiva
-
-**Mistake:** Humano processa 100 itens por dia que poderiam ser automatizados.
-
-**Why it happens:** "Sempre fizemos assim" ou "É rápido".
-
-**Correct approach:** Se task é repetida 50+ vezes, DEVE ser Worker ou Agent.
-
----
-
-## Version History
-
-| Version | Date | Author | Changes |
-|---------|------|--------|---------|
-| 1.0.0 | 2026-02-03 | Squad Architect | Initial decision tree with 6 criteria |
-
----
-
-## Related Documents
-
-- `executor-matrix-framework.md` - Framework original de executores
-- `executor-matrix-checklist.md` - Checklist de validação
-- `task-tmpl.md` - Template de task (inclui campo execution_type)
-- `create-task.md` - Workflow de criação de task
-
----
-
-## Integration with Task Creation
-
-Este decision tree deve ser aplicado no **Step 0.3** do `create-task.md`:
-
-```yaml
-# Integração proposta
-step_0_3:
-  name: "Assign Executor Type"
-
-  elicitation:
-    - question: "Dado o mesmo input, output será SEMPRE idêntico?"
-      type: boolean
-      if_yes: "criterion_2"
-      if_no: "criterion_3"
-
-    - id: criterion_2
-      question: "Pode ser implementado como função pura sem ambiguidade?"
-      if_yes: "criterion_2a"
-      if_no: "criterion_3"
-
-    - id: criterion_2a
-      question: "Existe biblioteca/API pronta para isso?"
-      if_yes: "result_worker"
-      if_no: "criterion_2b"
-
-    # ... continua seguindo a árvore
-
-  output:
-    executor_type: "{resultado}"
-    executor_rationale: "{explicação baseada no caminho}"
-    executor_pattern: "EXEC-{tipo}-001"
-```
-
----
-
-**END OF DECISION TREE**