Decompose é o primitivo cognitivo que falta para agentes de IA. Texto entra, unidades estruturadas saem. Sem LLM. Sem setup. Uma chamada.
Antes / Depois
Resultado real da Especificacao MCP Transport.
attention — Score de prioridade de 0 a 10. A Unidade 2 pontua 4.5 (risco de seguranca + autoridade diretiva). O overview pontua 0.0. Seu agente sabe onde focar.
risk: security — "attackers", "DNS rebinding", "authentication" ativam a deteccao de risco de seguranca. O overview nao carrega nenhum sinal de risco.
authority — MUST/MUST NOT = obrigatorio/proibitivo. SHOULD = diretivo. Texto comum = informativo. Seu agente sabe o que vincula e o que e recomendacao.
actionable — A Unidade 2 exige acao: validar header Origin, restringir a localhost, implementar autenticacao. O overview nao exige nada.
O que faz
Obrigatorio, proibitivo, diretivo, permissivo, informativo, condicional. Sabe a diferenca entre "shall", "should" e "may".
Seguranca critica, compliance, financeiro, contratual, consultivo. Cada bloco recebe score e categoria de risco.
Normas, datas, valores monetarios, percentuais. Regex deterministico. Sem alucinacoes. Sem chamadas de API.
Detecta conteudo que deve ser preservado na integra — mandatos legais, valores-limite, parametros de seguranca. Diz ao seu modelo o que ele nao pode resumir.
Segmentacao Markdown com reconhecimento de headers. Divisao por limites de sentenca. Cada bloco preserva sua posicao estrutural.
Cada unidade recebe um score de atencao de 0 a 10. Seu agente sabe quais blocos sao prioritarios sem ler todos.
Instalacao
OpenClaw / ClawHub
Instale a skill para qualquer agente compativel com OpenClaw:
Integracao MCP
Adicione um bloco na sua config MCP. Seu agente ganha duas ferramentas: decompose_text e decompose_url.
Benchmarks
11 documentos, 162.107 caracteres, rodando em Apple Silicon.
Como treina seu modelo
Decompose nao so ajuda agentes a ler — produz os labels estruturados que tornam modelos mais inteligentes ao longo do tempo.
irreducible: true — Os calculos financeiros ($10.000 × 1,06^5 = $13.382,25) contem valores exatos. Um modelo treinado com esse label aprende: nunca parafrasear valores monetarios, formulas ou limites. E assim que voce evita numeros alucinados.
irreducible: false — A secao "Why let Claude think?" e prosa consultiva. Um modelo treinado com esse label aprende: seguro resumir, reescrever ou comprimir. E assim que voce economiza tokens sem perder significado.
risk: financial — Decompose detectou valores monetarios e calculos de investimento. Um modelo ajustado com esses labels aprende a sinalizar conteudo financeiro para revisao humana — mesmo quando o texto ao redor parece tutorial.
attention score — Unidade 7 pontua 1.5 (multiplicador de risco financeiro). Unidade 3 pontua 0.1 (permissivo + informativo). Na construcao de RAG ou treinamento ponderado por curriculo, o attention diz quais amostras priorizar.
Use scores de atencao para ponderar amostras de treinamento. Unidades de alta atencao sao sobre-amostradas. Filler informativo e sub-amostrado. Seu modelo aprende a priorizar o que importa.
Cada unidade e um par natural (entrada, label). Entrada: o texto bruto. Labels: autoridade, risco, acionavel, irredutivel. Ajuste um modelo para classificar documentos como o Decompose faz.
Unidades marcadas PRESERVE_VERBATIM ensinam ao modelo qual conteudo nunca parafrasear — valores exatos, mandatos legais, limites de seguranca. E assim que voce para alucinacoes numericas.
Em vez de empurrar documentos inteiros pro contexto, alimente apenas unidades acima do seu limiar de atencao. O modelo ve 1 unidade em vez de 10, com metadata explicando por que importa.
heading_path da ao seu agente a topologia do documento sem ler tudo. Roteie unidades de seguranca pra uma cadeia de safety, financeiras pra audit, informativas pra /dev/null.
Tudo isso roda local em ~14ms por documento. Sem chamadas de API. Sem GPU. Sem tokens consumidos. Estruture seus dados antes de tocar num modelo.
Seu modelo e tao bom quanto o que voce alimenta. Alimente com estrutura.