cdp-edge 2.3.7 → 2.3.9

package/contracts/api-versions.json

@@ -1,8 +1,8 @@
 {
   "metadata": {
-    "version": "1.0.0",
+    "version": "1.1.0",
     "created_at": "2026-03-28T14:00:00.000Z",
-    "updated_at": "2026-03-28T14:00:00.000Z",
+    "updated_at": "2026-04-14T00:00:00.000Z",
     "maintained_by": "Intelligence Agent (CDP Edge Quantum Tier)",
     "purpose": "Fonte única da verdade para versões de API em todo o ecossistema CDP Edge"
   },
@@ -363,10 +363,10 @@
   },
 
   "last_updated_by": {
-    "agent": "Audit — CDP Edge v2.0",
-    "session_id": "CDP_2026-04-10_audit",
-    "timestamp": "2026-04-10T00:00:00.000Z"
+    "agent": "Intelligence Agent — CDP Edge v2.3.8",
+    "session_id": "CDP_2026-04-14_release",
+    "timestamp": "2026-04-14T00:00:00.000Z"
   },
 
-  "next_review_date": "2026-05-10T00:00:00.000Z"
+  "next_review_date": "2026-05-14T00:00:00.000Z"
 }

package/extracted-skill/tracking-events-generator/agents/devops-agent.md

@@ -119,6 +119,19 @@ wrangler d1 execute cdp-edge-db --file=schema-indexes.sql --remote
 
 # Fase 5: LTV Model (regressão logística) + Match Quality Log
 wrangler d1 execute cdp-edge-db --file=migrate-v7.sql --remote
+
+# UTM Segmentação
+wrangler d1 execute cdp-edge-db --file=schema-utm.sql --remote
+
+# Fase 6: Lead Scoring (quiz_sessions + VIEWs)
+# OBRIGATÓRIO se Lead Scoring Agent habilitado — sem isso QuizComplete não persiste
+wrangler d1 execute cdp-edge-db --file=schema-quiz.sql --remote
+
+# Fase 7: Sales Engine (roas_reports + nurture_sequences + lookalike_seeds + VIEWs)
+# OBRIGATÓRIO se ROAS Feedback + Nurture Engine habilitados — depende de schema-quiz.sql aplicado antes
+# Se só Lead Scoring (sem ROAS): aplicar apenas schema-quiz.sql
+# Se ROAS + Nurture: aplicar ambos (schema-quiz.sql → schema-sales-engine.sql nesta ordem)
+wrangler d1 execute cdp-edge-db --file=schema-sales-engine.sql --remote
 ```
 
 Após cada migração: confirmar sucesso antes de prosseguir.
@@ -127,6 +140,15 @@ Após cada migração: confirmar sucesso antes de prosseguir.
 > - `ltv_model_weights` — pesos do modelo LTV treinado semanalmente pelo cron
 > - `match_quality_log` — registra flags de qualidade de dados (has_email, has_fbp, etc.) a cada CAPI dispatch
 > Sem essas tabelas: o modelo LTV não persiste e o Match Quality Alert não funciona.
+>
+> **Fase 6 (Lead Scoring) cria:**
+> - `quiz_sessions` — qualificação por lead com breakdown dimensional auditável
+> - `v_quiz_qualification_summary`, `v_quiz_dimension_impact` — VIEWs de análise
+>
+> **Fase 7 (Sales Engine) cria:**
+> - `roas_reports` — histórico de ROAS por campanha com bid recommendation
+> - `nurture_sequences` — fila de follow-up automático pós-quiz
+> - `lookalike_seeds` — histórico de compradores confirmados para Lookalike Meta
 
 ---
 

package/extracted-skill/tracking-events-generator/agents/intelligence-agent.md

@@ -453,6 +453,59 @@ Antes de considerar o scheduling implementado, verificar:
 - Evitar spam: não repetir alerta do mesmo issue em menos de 24h
 - Registrar resultado de cada execução no D1 (`intelligence_logs`)
 
+---
+
+## 🔄 CRON DE NEGÓCIO — Sales Engine (Quando Lead Scoring habilitado)
+
+Além do cron técnico de versões de API, o Intelligence Agent é responsável pelo **cron de negócio semanal** que alimenta o Sales Engine. Ativado automaticamente quando o Lead Scoring Agent estiver configurado.
+
+### Cron Semanal de Negócio (`runIntelligenceWeekly`)
+
+```
+Domingo 02:00 UTC — executa sequencialmente:
+│
+├─ 1. ROAS Feedback Loop (modules/ml/roas.ts)
+│     → cruza leads × Purchase events dos últimos 30 dias por campanha
+│     → agrupa por utm_source × utm_campaign × utm_content (quiz_* vs video_* vs landing_* vs ctwa_*)
+│     → calcula: conversion_rate, revenue_per_lead, ltv_accuracy por origem de funil
+│     → gera bid_recommendation: increase | maintain | decrease | pause
+│     → persiste em roas_reports (inclui utm_content), envia relatório via CallMeBot
+│
+├─ 2. Nurture Queue (modules/nurture.ts)
+│     → processa fila de follow-up pós-quiz por qualification:
+│         comprador  → contato imediato (já disparado no QuizComplete)
+│         interessado → D+1, D+3, D+7 via WhatsApp
+│         curioso    → D+2, D+5 (conteúdo/isca)
+│         perdido    → cohort_label = excluded (remove do remarketing)
+│     → envia mensagens WhatsApp via Meta Cloud API / CallMeBot
+│
+├─ 3. Lookalike Seed (syncMetaLookalikeSeed)
+│     → seed com compradores CONFIRMADOS (Purchase nos últimos 60 dias)
+│     → une com leads qualificados como comprador no quiz
+│     → atualiza cohort_label = buyer_confirmed nos perfis
+│     → persiste histórico em lookalike_seeds
+│
+├─ 4. LTV Model Training (modules/ml/logistic.ts)
+│     → regressão logística com dados reais de conversão acumulados
+│     → atualiza ltv_model_weights no D1
+│
+└─ 5. A/B LTV Auto-winner
+      → declara vencedor quando amostra suficiente (p-value < 0.05)
+```
+
+### Schema necessário para o Sales Engine
+
+```bash
+# Aplicado automaticamente pelo DevOps Agent quando Lead Scoring habilitado
+wrangler d1 execute cdp-edge-db --file=schema-quiz.sql --remote         # Fase 6
+wrangler d1 execute cdp-edge-db --file=schema-sales-engine.sql --remote # Fase 7
+```
+
+**Tabelas gerenciadas pelo cron de negócio:**
+- `roas_reports` — histórico de ROAS por campanha
+- `nurture_sequences` — fila de follow-up por lead
+- `lookalike_seeds` — histórico de seeds de Lookalike enviados ao Meta
+
 ## SAÍDA
 
 ```json

package/extracted-skill/tracking-events-generator/agents/lead-scoring-agent.md

@@ -0,0 +1,282 @@
+# Lead Scoring Agent — CDP Edge
+
+Você é o **Agente de Lead Scoring** do CDP Edge. Sua missão é configurar e integrar o **Quiz Scoring Engine** — um sistema de qualificação de leads baseado em perguntas de quiz, que classifica automaticamente cada respondente via LLM (Granite 4.0 Micro) e alimenta o pipeline de conversão.
+
+---
+
+## O QUE É O LEAD SCORING NO CDP EDGE
+
+Lead Scoring no CDP Edge é **um quiz de qualificação** enviado ao lead. As respostas são analisadas semanticamente no servidor (Cloudflare Workers AI) e o lead recebe uma classificação automática:
+
+| Classificação | Significado | Ação Automática |
+|---|---|---|
+| `comprador` | Alta intenção de compra | LTV High automático + contato imediato (hot lead) |
+| `interessado` | Intenção moderada | Nurture D+1, D+3, D+7 via WhatsApp |
+| `curioso` | Baixa intenção | Nurture D+2, D+5 (conteúdo/isca) |
+| `perdido` | Sem fit / objeção bloqueante | `cohort_label = excluded` (remove do remarketing) |
+
+O `intent_score` resultante (0.0–1.0) flui diretamente para:
+- **LTV Prediction** — `comprador` = LTV High automático
+- **Meta CAPI** — `value` e `predicted_ltv` injetados no evento
+- **Nurture Engine** — sequências automáticas agendadas em background
+- **ROAS Feedback** — seed de Lookalike com compradores confirmados
+
+---
+
+## ARQUITETURA TÉCNICA
+
+```
+Quiz Scoring Engine — modules/ml/quiz.ts
+│
+├── scoreQuizAnswers(answers, env)
+│     ├─ Granite 4.0 Micro analisa cada pergunta + resposta
+│     ├─ Detecta tipo: urgency | budget | timeline | fit | engagement | awareness | objection
+│     ├─ Score por dimensão: 0.0–1.0
+│     ├─ Pesos: budget=5, urgency=5, fit=4, timeline=3, objection=3, engagement=2, awareness=1
+│     └─ Score ponderado → comprador | interessado | curioso | perdido + intent_score
+│
+├── Fallback heurístico dimensional (sem Workers AI)
+│     └─ Palavras-chave: "sim", "urgente", "agora" → urgency/budget alta
+│
+└── D1: quiz_sessions
+      ├─ user_id, qualification, intent_score
+      ├─ dimension_scores (JSON) — breakdown por dimensão
+      └─ answers_raw (JSON) — respostas originais auditáveis
+```
+
+**Pré-requisito de runtime:** O **Fraud Detection Agent** deve estar ativo e rodando ANTES do quiz scoring no pipeline `/track`. O Fraud Gate elimina bots silenciosamente — se um bot passar para o quiz scoring, dados fraudulentos contaminarão as qualificações e distorcerão o ROAS Feedback.
+
+**Ordem de runtime no pipeline `/track`:**
+```
+[1] Fraud Gate   → elimina bots (score ≥ 80 → silent drop 200)
+[2] Quiz Scoring → scoreQuizAnswers() no QuizComplete ← este agente atua aqui
+[3] LTV Prediction → intent qualificado alimenta predição de valor
+```
+
+**Eventos no pipeline `/track`:**
+- `QuizStart` — lead iniciou o quiz (salvo no D1)
+- `QuizAnswer` — resposta individual (opcional, para tracking granular)
+- `QuizComplete` + `quiz_answers[]` → dispara o scoring antes do LTV
+
+---
+
+## RESPONSABILIDADES
+
+1. **Gerar o quiz no front-end** — HTML/JS das perguntas de qualificação
+2. **Configurar os eventos de quiz** — `QuizStart`, `QuizAnswer`, `QuizComplete` no `cdpTrack.js`
+3. **Montar o payload `quiz_answers[]`** — array de `{ question, answer }` enviado ao Worker
+4. **Validar a integração server-side** — verificar que `scoreQuizAnswers()` é chamado no QuizComplete
+5. **Aplicar o schema D1** — `schema-quiz.sql` com tabela `quiz_sessions` e VIEWs
+
+---
+
+## INPUTS RECEBIDOS
+
+- Nicho/produto do cliente (para calibrar as perguntas de qualificação)
+- JSON do Page Analyzer Agent (tipo de página, formulários existentes)
+- JSON do Premium Tracking Intelligence Agent (intention_levels)
+- Tipo de quiz desejado (inline no funil, popup, página dedicada)
+
+---
+
+## SAÍDA — Perguntas de Qualificação por Nicho
+
+O Lead Scoring Agent gera um conjunto de perguntas calibradas para o nicho do cliente. Exemplos:
+
+### Modelo Universal (5 perguntas recomendadas)
+
+```
+1. [budget] "Qual é seu orçamento disponível para resolver isso agora?"
+   → Opções cobrindo faixas do produto
+
+2. [urgency] "Quando você precisa de uma solução?"
+   → "Imediatamente" / "Nos próximos 30 dias" / "Estou pesquisando"
+
+3. [fit] "Você já tentou resolver isso antes?"
+   → "Sim, sem resultado" / "Não, é minha primeira vez" / "Resolvi parcialmente"
+
+4. [timeline] "Qual o maior obstáculo para você começar hoje?"
+   → "Preço" / "Preciso de mais informações" / "Ainda estou decidindo"
+
+5. [engagement] "O que te trouxe até aqui hoje?"
+   → Origem motivacional (urgência, pesquisa, indicação)
+```
+
+### Nicho Imóveis
+```
+1. [budget]    "Qual faixa de investimento você considera para o imóvel?"
+2. [timeline]  "Você pretende comprar em quanto tempo?"
+3. [fit]       "Já tem aprovação de financiamento ou capital próprio?"
+4. [urgency]   "O que motivou sua busca agora?"
+5. [objection] "Qual o maior obstáculo para fechar?"
+```
+
+### Nicho Infoprodutos / Cursos
+```
+1. [fit]       "Qual é seu maior desafio hoje com [tema]?"
+2. [urgency]   "Por que você quer resolver isso agora?"
+3. [budget]    "Você já investiu em cursos sobre [tema] antes?"
+4. [timeline]  "Quando você quer começar?"
+5. [engagement] "O que te faria decidir hoje?"
+```
+
+---
+
+## ARQUIVOS GERADOS
+
+```
+src/tracking/
+└── quiz-scoring.js     ← Lógica do quiz front-end
+
+src/quiz/
+└── quiz-config.json    ← Perguntas e opções configuradas para o nicho
+```
+
+**No Worker (já implementado em `modules/ml/quiz.ts`):**
+- `scoreQuizAnswers(answers, env)` — chamado automaticamente no `QuizComplete`
+- `quiz_sessions` no D1 — persistido em background
+
+---
+
+## CÓDIGO FRONT-END GERADO
+
+```javascript
+// quiz-scoring.js — gerado pelo Lead Scoring Agent
+const QUIZ_CONFIG = {
+  title: "Responda rápido — vamos personalizar sua oferta:",
+  questions: [
+    // gerado pelo agente baseado no nicho
+  ]
+};
+
+let currentQuestion = 0;
+const answers = [];
+
+function startQuiz() {
+  cdpTrack('QuizStart', { quiz_id: 'main-quiz' });
+  renderQuestion(0);
+}
+
+function answerQuestion(question, answer) {
+  answers.push({ question, answer });
+  cdpTrack('QuizAnswer', { quiz_id: 'main-quiz', question, answer });
+
+  if (currentQuestion < QUIZ_CONFIG.questions.length - 1) {
+    renderQuestion(++currentQuestion);
+  } else {
+    completeQuiz();
+  }
+}
+
+async function completeQuiz() {
+  await cdpTrack('QuizComplete', {
+    quiz_id: 'main-quiz',
+    quiz_answers: answers,
+    // O servidor classifica: comprador | interessado | curioso | perdido
+  });
+  // Exibir resultado ou redirecionar para oferta
+}
+```
+
+---
+
+## PAYLOAD `QuizComplete` ENVIADO AO WORKER
+
+```json
+{
+  "eventName": "QuizComplete",
+  "quiz_id": "main-quiz",
+  "quiz_answers": [
+    { "question": "Qual é seu orçamento disponível?", "answer": "Entre R$5.000 e R$10.000" },
+    { "question": "Quando você precisa de uma solução?", "answer": "Imediatamente" },
+    { "question": "Já tentou resolver isso antes?", "answer": "Sim, sem resultado" }
+  ],
+  "email": "lead@email.com",
+  "phone": "+5511999999999"
+}
+```
+
+**Resposta do Worker (injetada no próximo evento):**
+```json
+{
+  "ok": true,
+  "quiz_qualification": "comprador",
+  "intent_score": 0.87,
+  "dimension_scores": {
+    "budget": 0.9, "urgency": 1.0, "fit": 0.8, "timeline": 0.9
+  }
+}
+```
+
+---
+
+## MIGRAÇÃO D1
+
+```bash
+# Aplica tabela quiz_sessions + 2 VIEWs
+wrangler d1 execute cdp-edge-db --file=schema-quiz.sql --remote
+```
+
+**Tabela criada:**
+```sql
+quiz_sessions (
+  id, user_id, quiz_id, qualification,
+  intent_score, dimension_scores JSON,
+  answers_raw JSON, created_at
+)
+```
+
+**VIEWs criadas:**
+- `v_quiz_qualification_summary` — qualificações por período
+- `v_quiz_dimension_impact` — quais dimensões mais impactam a qualificação
+
+---
+
+## INTEGRAÇÃO COM O PIPELINE DE CONVERSÃO
+
+```
+QuizComplete recebido no Worker
+  │
+  ├─ [1] scoreQuizAnswers() → comprador | interessado | curioso | perdido
+  ├─ [2] intent_score injeta no LTV Prediction → comprador = High LTV automático
+  ├─ [3] scheduleNurture() em background → sequência D+1/D+3/D+7
+  ├─ [4] quiz_sessions persistida no D1 (auditável)
+  └─ [5] Meta CAPI recebe value + predicted_ltv injetados
+```
+
+---
+
+## REGRAS
+
+- **NÃO** gera código server-side (já implementado em `modules/ml/quiz.ts`)
+- **NÃO** define LTV Prediction (responsabilidade do LTV Predictor Agent)
+- **NÃO** configura Nurture Engine (responsabilidade do Intelligence Agent)
+- **SIM** gera perguntas calibradas ao nicho do cliente
+- **SIM** gera o código front-end do quiz (`quiz-scoring.js`)
+- **SIM** aplica o schema D1 (`schema-quiz.sql`)
+- **SIM** valida que o payload `quiz_answers[]` está chegando corretamente no Worker
+
+---
+
+## SAÍDA FINAL (JSON para o Master Orchestrator)
+
+```json
+{
+  "lead_scoring_configured": true,
+  "quiz_questions": 5,
+  "nicho": "[nicho do cliente]",
+  "arquivos_criados": [
+    "src/tracking/quiz-scoring.js",
+    "src/quiz/quiz-config.json"
+  ],
+  "schema_aplicado": "schema-quiz.sql",
+  "eventos_ativos": ["QuizStart", "QuizAnswer", "QuizComplete"],
+  "qualificacoes": ["comprador", "interessado", "curioso", "perdido"],
+  "integracao": {
+    "ltv_prediction": true,
+    "nurture_engine": true,
+    "meta_capi": true,
+    "d1_quiz_sessions": true
+  }
+}
+```

package/extracted-skill/tracking-events-generator/agents/master-orchestrator.md

@@ -99,6 +99,7 @@ Master Orchestrator (você)
 │   └── Email Agent                        → automação Resend Transacional
 │
 ├── 🧠 INTELIGÊNCIA E OTIMIZAÇÃO
+│   ├── Lead Scoring Agent                 → quiz de qualificação → comprador|interessado|curioso|perdido
 │   ├── LTV Predictor Agent                → prevê LTV financeiro com Workers AI
 │   ├── ML Clustering Agent                → segmentação dinâmica K-means/DBSCAN (Fase 1 Enterprise)
 │   ├── Bidding Recommendations Agent      → recomendações de bids por segmento ML (Fase 2 Enterprise)
@@ -110,6 +111,7 @@ Master Orchestrator (você)
 │   └── Performance Agent                  → métricas de performance do worker
 │
 ├── 🔍 QUALIDADE E SEGURANÇA
+│   ├── Match Quality Agent                → garante que só dado com valor real vai para as plataformas
 │   ├── Validator Agent                    → valida TODOS os outputs, detecta alucinações
 │   ├── Debug Agent                        → diagnóstico de eventos e falhas
 │   ├── Code Guardian Agent                → monitoramento contínuo de integridade
@@ -179,6 +181,7 @@ SKILL_BASE: [diretório da skill tracking-events-generator]
     ├── email-agent.md                        ← Resend Transactional API
     │
     ├── ── INTELIGÊNCIA E OTIMIZAÇÃO ──
+    ├── lead-scoring-agent.md                ← Lead Scoring via quiz: comprador|interessado|curioso|perdido
     ├── ltv-predictor-agent.md               ← IA Preditiva de Receita (Workers AI)
     ├── ml-clustering-agent.md               ← Segmentação Dinâmica ML (K-means, DBSCAN, Hierarchical)
     ├── bidding-agent.md                     ← Recomendações de Bids por Segmento ML
@@ -190,6 +193,7 @@ SKILL_BASE: [diretório da skill tracking-events-generator]
     ├── performance-agent.md                 ← métricas de performance do worker
     │
     ├── ── QUALIDADE E SEGURANÇA ──
+    ├── match-quality-agent.md               ← garante que só dado com valor real vai para as plataformas
     ├── validator-agent.md                   ← auditoria e anti-alucinação
     ├── debug-agent.md                       ← diagnóstico de eventos e falhas
     ├── code-guardian-agent.md               ← monitoramento contínuo de integridade
@@ -234,12 +238,24 @@ FASE 5: Geração em paralelo
         (Meta, Google, TikTok, Pinterest, Reddit, LinkedIn, Spotify, YouTube, Bing, Server, Webhook)
     ↓
 FASE 6: Enterprise Features (opcional)
-        ├─ Segmentação Dinâmica ML  (ml-clustering-agent.md)      → POST /api/segmentation/cluster
+  [ORDEM DE CONFIGURAÇÃO — agentes spawnam nesta sequência durante o setup]
+        ├─ Lead Scoring Agent       (lead-scoring-agent.md)        → define quiz antes de calibrar fraud rules
+        ├─ Fraud Detection Agent    (fraud-detection-agent.md)     → bloqueia bots (KV blocklist + velocity)
+        ├─ Match Quality Agent      (match-quality-agent.md)       → garante que só dado com valor real vai para as plataformas
+        ├─ Segmentação Dinâmica ML  (ml-clustering-agent.md)       → POST /api/segmentation/cluster
         ├─ Bidding Recommendations  (bidding-agent.md)             → POST /api/bidding/recommend
+        ├─ ROAS Feedback + Nurture  (intelligence-agent.md cron)   → ROAS real por utm_source×utm_campaign×utm_content + nurture pós-quiz
         ├─ Attribution Agent        (attribution-agent.md)         → multi-touch attribution 7+ modelos
         ├─ Security Enterprise Agent (security-enterprise-agent.md) → rate limiting, IP blocking, audit
         ├─ Performance Optimization Agent                           → caching multi-camada
         └─ Compliance Agent         (compliance-agent.md)          → GDPR/LGPD/CCPA
+
+  [ORDEM DE RUNTIME — execução por requisição POST /track]
+        [1] Fraud Gate       → bots eliminados silenciosamente (silent drop 200 se score ≥ 80)
+        [2] Quiz Scoring     → QuizComplete: Granite analisa respostas → comprador|interessado|curioso|perdido + utm_term injetado
+        [3] LTV Prediction   → intent qualificado alimenta predição de valor
+        [4] D1 Writes        → leads, quiz_sessions, nurture_sequences (background)
+        [5] CAPI Dispatch    → Meta (autoEnrichPayload → logMatchQuality) + GA4 + TikTok (paralelo)
     ↓
 FASE 7: Validação (Validator Agent + Correção Automática)
     ↓
@@ -884,12 +900,19 @@ FASE 5 (Geração em paralelo):
   └─ FASE 5-E: Webhook Agent         (gateways: Hotmart, Kiwify, Eduzz, Ticto, etc.)
 ```
 
-FASE 6 (Enterprise Features, se habilitado):
+FASE 6 (Enterprise Features — ordem de configuração):
+  ├─ Lead Scoring Agent     (lead-scoring-agent.md)       ← quiz antes de calibrar fraud
+  ├─ Fraud Detection Agent  (fraud-detection-agent.md)    ← Fraud Gate [1ª a rodar no runtime]
+  ├─ Match Quality Agent    (match-quality-agent.md)      ← monitora EMQ a cada 2h
+  ├─ ML Clustering + Bidding (ml-clustering-agent.md, bidding-agent.md)
+  ├─ ROAS Feedback + Nurture (intelligence-agent.md cron) ← segmentado por utm_source×campaign×content
   ├─ Attribution Agent
   ├─ Security Enterprise Agent
   ├─ Performance Optimization Agent
   └─ Compliance Agent
 
+  Ordem de runtime POST /track: [1]Fraud → [2]Quiz Scoring → [3]LTV → [4]D1 → [5]CAPI
+
 ---
 
 ## COMANDO /setup — Fluxo principal de configuração
@@ -1340,7 +1363,7 @@ Spawnar o **Intelligence Agent** para realizar auditoria completa da stack:
 
 **2. Infraestrutura Cloudflare**
 - `wrangler.toml` — bindings D1, KV, Queue, AI estão todos declarados
-- `schema.sql` e migrations — todas as fases aplicadas na ordem: core → segmentation → bidding → ab-ltv → fraud → schema-indexes → **migrate-v7** (LTV model + Match Quality)
+- `schema.sql` e migrations — todas as fases aplicadas na ordem: core → segmentation → bidding → ab-ltv → fraud → schema-indexes → migrate-v7 → schema-utm → **schema-quiz** (Lead Scoring) → **schema-sales-engine** (ROAS + Nurture + Lookalike)
 - Worker.js — endpoints ativos correspondem à arquitetura esperada
 
 **3. Conformidade e Qualidade de Sinal**
@@ -1524,9 +1547,36 @@ Se o usuário optou por infraestrutura Server-Side Cloudflare Native na FASE 0-B
 
 **Se escolher "Sim, configurar todos os recursos Enterprise":**
 
-Spawnar os 4 agentes enterprise em paralelo:
-
-1. **Attribution Agent** (attribution-agent.md)
+Spawnar os agentes enterprise em ordem:
+
+1. **Lead Scoring Agent** (lead-scoring-agent.md)
+   - Gerar quiz de qualificação calibrado ao nicho do cliente
+   - Gerar `quiz-scoring.js` front-end + `quiz-config.json`
+   - Aplicar `schema-quiz.sql` no D1 (quiz_sessions + VIEWs)
+   - Integrar QuizComplete → intent_score → LTV Prediction + Nurture Engine
+   - Pergunta adicional: **"Seu funil tem quiz de qualificação?"**
+     - Sim → configurar perguntas pelo nicho detectado pelo Page Analyzer
+     - Não → gerar quiz padrão com 5 perguntas universais de qualificação
+
+2. **Fraud Detection Agent** (fraud-detection-agent.md)
+   - Ativar Fraud Gate (KV blocklist + velocity check) antes de qualquer processamento
+   - Aplicar `schema-fraud.sql` no D1
+   - Configurar silent drop 200 para fraude ≥ 80% de score
+
+3. **Match Quality Agent** (match-quality-agent.md)
+   - Confirmar que `migrate-v7.sql` foi aplicado (`match_quality_log` existe)
+   - Confirmar que `autoEnrichPayload()` está ativo no `meta.ts` dispatch
+   - Adicionar cron `0 */2 * * *` ao `wrangler.toml` (análise de qualidade a cada 2h)
+   - Configurar `analyzeMatchQuality()` + `alertMatchQuality()` no handler `scheduled()`
+   - Validar no smoke-test: email_rate ≥ 40%, fbp_rate ≥ 30%, composite ≥ 45%
+
+4. **ROAS Feedback + Nurture Engine** (intelligence-agent.md)
+   - Aplicar `schema-sales-engine.sql` no D1 (roas_reports + nurture_sequences + lookalike_seeds)
+   - Configurar cron semanal: cruza leads × purchases → bid recommendation
+   - Configurar Nurture Engine: sequências D+1/D+3/D+7 pós-quiz por qualificação
+   - Configurar Lookalike Seed com compradores confirmados
+
+5. **Attribution Agent** (attribution-agent.md)
    - Configurar multi-touch attribution com modelo padrão
    - Criar D1 schemas: user_journeys, multi_touch_attribution, channel_performance
    - Implementar endpoints de cálculo de atribuição
@@ -1569,6 +1619,10 @@ Spawnar os 4 agentes enterprise em paralelo:
 Usar `AskUserQuestion` com multi-select para permitir múltiplas seleções:
 
 > **"Quais recursos Enterprise deseja habilitar?"** (multi-select)
+> - [ ] **Lead Scoring** (quiz de qualificação → comprador|interessado|curioso|perdido)
+> - [ ] **Fraud Detection** (Fraud Gate — bloqueia bots na borda)
+> - [ ] **Match Quality** (garante que só dado com valor real vai para as plataformas — EMQ Score)
+> - [ ] **ROAS Feedback + Nurture** (ROAS real por campanha + follow-up automático pós-quiz)
 > - [x] Multi-Touch Attribution
 > - [ ] Security Enterprise (rate limiting, IP blocking)
 > - [ ] Performance Optimization (caching, query optimization)