OpenCode Ecosystem v4.6.1

Multi-Agent AI Platform for Assisted Scientific Research

Ultima atualizacao: 2026-05-30 · 17 Iteracoes · 79 Agentes · 38 MCPs · 104 Skills · CORA-Score 3.04 (M4)

---

Sobre

O OpenCode Ecosystem e uma plataforma multi-agente para pesquisa cientifica assistida. Diferente de sistemas que dependem de um unico modelo, este ecossistema coordena 79 agentes especializados, 38 servidores MCP e 104 skills que colaboram, debatem e verificam resultados entre si.

A arquitetura de 6 camadas com injecao de dependencia suporta um pipeline academico que vai da busca autonoma em fontes academicas (arXiv, PubMed, OpenAlex, Semantic Scholar, CORE, Sci-Hub) ate a geracao de artigos com exportacao LaTeX/PDF, passando por revisao simulada por pares e verificacao formal multi-agente.

Este projeto e um trabalho em andamento. Muitos componentes estao em estagio experimental e as metricas reportadas sao auto-avaliadas pelo proprio sistema, nao por auditores externos.

---

🎯 Aletheia-Superhuman v1.0-validated — Scientific Evolution Strategy

Ver Release v1.0-aletheia-validated

O OpenCode Ecosystem agora inclui uma validacao completa de um pipeline SPEC-013-016 para resolucao de problemas formais de Erdos, integrado com:

• 430/430 (100%) taxa de sucesso vs 6.1% baseline (+93.9pp melhoria)
• p < 0.001 significancia estatistica (extraordinaria)
• Cohen's d = 3.93 (efeito extraordinario)
• CORA-Debate v1-v7 (7 verificadores simbolicos)
• Reasoning Orchestrator v11 (68 tipos de raciocinio em 12 categorias)
• PhD Auditor certificacao (Nash, Cohen, Bonferroni, Qualis A1)
• 6 Decisoes Arquiteturais (ADRs) registradas em DecisionNode
• 100% Reproducibilidade garantida (seed=42)

Como Usar

cd aletheia-superhuman-validation
cat README.md                    # Quick start
cat reproducibility/protocol.md  # Reproducao passo-a-passo
python verify_reproducibility.py --seed 42 --sample 50  # Verificar

Documentacao: SCIENTIFIC_EVOLUTION_STRATEGY.md — 11 secoes com loop completo de evolucao cientifica

---

CORA-Eval — Maturidade Cientifica

O ecossistema e validado pelo CORA-Eval, benchmark de 150 tarefas em 10 dimensoes × 4 niveis (Basico a Pesquisa). Resultados da execucao real:

Metrica	Valor
CORA-Score bruto	3.04 (Pesquisa, M4) [auto-reportado]
Validacao externa (Project Euler + Rosalind)	34/34 (100%)
Testes internos (11 suites)	154/156 (98.7%)
Calibracao V1-V7 (F1 medio)	95.5% (466 testes)
Cross-Validation K=10	CV=2.2%
Dimensoes em N4 (Pesquisa)	5 (D1, D2, D3, D7, D10)

Repositorio: CORA-Eval-Dissertacao

SPECs Ativas (11)

SPEC	Descricao	CTs	TDD
SPEC-001	Orchestration Pipeline	9	✅
SPEC-002	Academic Output (MASWOS)	9	✅
SPEC-003	MCP Integration	9	✅
SPEC-004	Quantum Computing	8	✅
SPEC-005	Reverse Engineering	8	✅
SPEC-006	Data Orchestration	9	✅
SPEC-007	Evolution Engine	8	✅
SPEC-008	Triangulacao Anti-Circularidade	9	14/14 ✅
SPEC-009	D1 — Raciocinio Matematico	8	12/12 ✅
SPEC-010	D2 — Modelagem Fisica	8	8/8 ✅
SPEC-011	D9 — Metodologia Experimental	8	15/15 ✅

---

Componentes

Agentes (79 arquivos em agents/)

Grupo	Quantidade	Descricao
Core	56	Orquestracao, debugging, revisao, documentacao
MASWOS (criador-artigo)	—	49 agentes definidos em criador-artigo/agents/
SEEKER (basis-research)	—	12 agentes definidos em basis-research/agents/
Reversa + Corretor	8	Engenharia reversa e correcao linguistica
Utilitarios	15	Browser, imagem, busca, dados

Nota: Os 125 agentes mencionados em documentacao interna referem-se ao total incluindo definicoes distribuidas em criador-artigo/agents/ e basis-research/agents/. O diretorio agents/ contem 79 definicoes diretas.

MCP Servers (38 configurados em opencode.json)

Categoria	Quantidade	Exemplos
Infraestrutura	12	filesystem, github, sqlite, sequential-thinking
Busca	8	websearch, gh_grep, context7, scihub
Codigo	6	eslint, diff, code-runner, playwright
Dados	8	fetch, pdf, time, node-sandbox
Dominio	4	memory, decisionnode, antigravity

Skills (104 diretorios em skills/)

Categoria	Quantidade	Destaques
Research	25	academic-export-abnt, editais-br, academic-ml-pipeline
System	18	code-review, reasoning-orchestrator, pypi-scout
Juridico	7	edicao-cirurgica, pecas-juridicas-html, triagem-juridica
Agente	8	agent-forum, cora-debate, coder-agent, ws-coder
Tooling	16	mcp-builder, log-analyzer, browser-use
Dados	8	graph-builder-pipeline, entity-ner-reader, fs-ipc
Workflows	6	plan-protocol, planning-with-files
Outros	16	frontend, social, marketing, superpowers

---

Pipeline Academico (MASWOS + SEEKER)

SEEKER (pesquisa) --> MASWOS (escrita, 49 agentes, 8 estagios)
  --> Anti-AI (TSAC, 87 palavras banidas)
  --> Banca simulada (5 revisores + 4 orientadores)
  --> Correcao iterativa (loop ate score >= 95/100)
  --> Exportacao LaTeX/PDF
  --> Verificacao CJK (ptbr_corrector.py)

Cora-Debate V1-V7 (verificacao simbolica interna)

Verificador	Funcao	Confianca (auto-reportada)
V1	Consistencia Logica	0.98
V2	Coerencia Semantica	0.95
V3	Validacao de Referencias	0.97
V4	Rigor Estatistico	0.96
V5	Correlacao Cruzada	0.94
V6	Completude	0.93
V7	Originalidade	0.99

Nota: As pontuacoes de confianca acima sao metricas internas do sistema, calculadas pelo proprio Cora-Debate via self-consistency (K=7) com calibracao Platt. Nao representam validacao externa independente.

PhD Auditor (modulo de verificacao estatistica)

• NashSolver: Equilibrio Nash em jogos NxM (algoritmo Lemke-Howson)
• StatisticalRigor: Cohen's d, correcao Bonferroni, power analysis (1-beta)
• QualisA1Auditor: Motor interno de pontuacao baseado em 7 criterios academicos
• SensitivityAnalyzer: Analise de sensibilidade OAT (One-At-a-Time)
• IMRADFormatter: Formatacao IMRAD canonica com filtro anti-AI

Nota sobre o score Qualis A1: A pontuacao 96/100 e gerada pelo motor interno AUTO_SCORE_QUALIS.py e nao por uma banca Qualis/CAPES real. E uma metrica de auto-avaliacao usada como criterio de parada no loop de correcao iterativa. O threshold de 95/100 e uma meta interna do pipeline.

---

Ciclos de Desenvolvimento (17 iteracoes)

O ciclo de desenvolvimento do ecossistema e incremental: cada iteracao adiciona capacidades com base nos resultados da iteracao anterior. Scores abaixo sao auto-atribuidos pelo motor AUTO_SCORE_QUALIS.py.

Iteracao 1 — Integracao com World Bank API

Metrica	Valor
Score auto-atribuido	85/100
Skills adicionadas	cross-validation-quantitativa, world-bank-data-analysis
Resultado	27 indicadores analisados em 50 paises; bootstrap com 10.000 reamostragens
Observacao	Educacao r=-0,03 (correlacao quase nula com inovacao); P&D privado r=+0,73

Iteracao 2 — Pipeline de Artigo

Metrica	Valor
Score auto-atribuido	90/100
Skills adicionadas	pipeline-artigo-academico
Resultado	Artigo 35 paginas ABNT com 26 referencias e DOIs; exportacao LaTeX

Iteracao 3 — TSAC + Sci-Hub

Metrica	Valor
Score auto-atribuido	92/100
Skills adicionadas	tsac-rastreabilidade, scihub-paper-downloader
Resultado	Sistema de citacao rastreavel (DOI + hash SHA256); 46 anotacoes TSAC; 87 palavras banidas

Iteracao 4 — Sci-Hub MCP

Metrica	Valor
Score auto-atribuido	88/100
Skills adicionadas	scihub-mcp-server, scihub-search-enhanced
Resultado	Servidor MCP para Sci-Hub; busca paralela arXiv + Sci-Hub

Iteracao 5 — Cross-Validation

Metrica	Valor
Score auto-atribuido	92/100
Skills adicionadas	cross-validation-quantitativa v2
Resultado	Pearson, Spearman, Kendall; 50 indicadores (World Bank, WHO, FAO, UNESCO)

Iteracao 6 — Correcao Iterativa

Metrica	Valor
Score auto-atribuido	95/100
Skills adicionadas	iterative-correction-loop
Resultado	Banca simulada: 5 revisores + 4 orientadores; score 86,5 -> 92,7 apos 3 iteracoes

Iteracao 7 — Detector CJK

Metrica	Valor
Score auto-atribuido	96/100
Skills adicionadas	ptbr-corrector, token-efficiency
Resultado	ptbr_corrector.py; deteccao CJK zero-tolerance; 8 regras de eficiencia de tokens

Iteracao 8 — Progressive Disclosure

Metrica	Valor
Score auto-atribuido	98/100
Skills adicionadas	progressive-disclosure-design, agent-observability-monitor
Resultado	Padrao SKILL.md <= 2.5KB; health score 96/100; 89/104 skills em conformidade

Iteracao 9 — SDD+TDD Pipeline

Metrica	Valor
Score auto-atribuido	94/100
Skills adicionadas	sdd-tdd-pipeline, simulacao-arguicao
Resultado	7 specs; 9 CTs; 3 ADRs DecisionNode; 16 perguntas de banca simuladas

Iteracao 10 — LaTeX Refino

Metrica	Valor
Score auto-atribuido	96/100
Skills adicionadas	latex-refino, framework-docs
Resultado	4 overfulls eliminados; fix_history catalog; docstrings expandidas

Iteracao 11 — Menu Adaptativo

Metrica	Valor
Score auto-atribuido	96/100
Skills adicionadas	menu-adaptativo, plugin-system
Resultado	Menu de 11 opcoes fixas para auto-descoberta; .menu_registry.json

Iteracao 12 — Antigravity Bridge

Metrica	Valor
Score auto-atribuido	98/100
Skills adicionadas	antigravity-integration, antigravity-bridge.ts
Resultado	Delegacao de imagem, browser, busca web para Google DeepMind

Iteracao 13 — PyPI Scout

Metrica	Valor
Score auto-atribuido	95/100
Skills adicionadas	pypi-scout, ecosystem-hooks
Resultado	CLI 7 comandos; catalogo 22+ bibliotecas; matriz de afinidade

Iteracao 14 — DataOrchestrator

Metrica	Valor
Score auto-atribuido	97/100
Skills adicionadas	data-orchestrator, multi-domain-hooks
Resultado	8 dominios de dados; 30+ bibliotecas; QueryIntent com 80+ keywords

Iteracao 15 — Auditoria + UX

Metrica	Valor
Score auto-atribuido	95/100
Skills adicionadas	auditoria-caixa-branca, ux-refinamento
Resultado	9 componentes de auditoria; scorecards; alertas de orcamento

Iteracao 16 — Teoria dos Jogos

Metrica	Valor
Score auto-atribuido	96/100
Skills adicionadas	reasoning-orchestrator-v9, game-theory-agents
Resultado	10 estrategias de teoria dos jogos (Nash, Minimax, Shapley, etc.)

Iteracao 17 — CORA-Eval Benchmark

Metrica	Valor
Score auto-atribuido	97/100
Skills adicionadas	cora-eval-benchmark, cora-benchmark-tracker
Resultado	150 tarefas em 10 dimensoes; baseline CORA-Score 0.67

---

Progressao (auto-reportada)

Metrica	Inicio (~v1.0)	Atual (~v4.6.1)	Variacao
Skills	20	104	+84
Agentes em agents/	~25	79	+54
MCPs configurados	12	38	+26
Testes	~200	557 passando	+357
Iteracoes de desenvolvimento	1	17	+16

---

Limitacoes Conhecidas

• Scores auto-atribuidos: As pontuacoes Qualis A1 e confianca Cora-Debate sao geradas internamente. Nao ha validacao externa independente.
• Cobertura de testes: Reportada em 97.7% com base em metricas internas. A suite de testes cobre principalmente o Container DI e servicos core.
• Estagio experimental: Varios componentes (quantum, evolucao autonoma, MiroFish/BettaFish) estao em estagio inicial de desenvolvimento.
• Dependencia de modelo externo: O sistema depende do modelo deepseek-v4-pro (gratuito) como backend LLM. Mudancas no modelo podem afetar resultados.
• Plataforma principal Windows 11: Suporte para Linux/macOS e experimental.
• Repositorio contem artefatos: Diretorios como OpenCode_Ecosystem-main/, .reversa/, MembrosDoCanal-main/ contem copias e artefatos de desenvolvimento que aumentam o tamanho do repositorio.

---

Estrutura do Repositorio

Diretorio/Arquivo	Descricao
agents/	79 definicoes de agentes em Markdown com frontmatter YAML
skills/	104 skills com padrao progressive disclosure
nexus/	Orquestrador multi-agente Nexus (scripts Python, core, dashboard)
quantum/	Modulo de computacao quantica — VQC, QML, ZNE/PEC
criador-artigo/	Pipeline academico MASWOS — 49 agentes em agents/
basis-research/	Subsistema SEEKER de pesquisa autonoma
core/	Infraestrutura core — Container DI, gerenciadores, bridges
plugins/	Plugins TypeScript — AutoEvolve, sync, bridges
commands/	29 definicoes de comandos slash
diagrams/	11 diagramas SVG de arquitetura
evolution/	Registros das 17 iteracoes de desenvolvimento
docs/	Documentacao de engenharia de software
tdd-docs/	Documentacao de TDD academico
tests/	Suite de testes (25 arquivos, core/ + nexus/)
opencode.json	Configuracao principal (556 linhas, 38 MCPs, agentes, skills)
AGENTS_PTBR.md	Documentacao de agentes em Portugues Brasileiro
OPENCODE_ECOSYSTEM.md	Documentacao tecnica completa (1.289 linhas)

---

Documentacao

Documento	Conteudo
ENGENHARIA_DE_SOFTWARE.md	SDD, TDD, CI/CD, SWEBOK, Git Safety, ADR, arquitetura 6 camadas
SPEC_COVERAGE.md	186 componentes documentados, matriz por especificacao
TDD Academico	557 testes, 25/25 validacoes, pipeline de validacao
Cora-Debate	Verificacao simbolica V1-V7, self-consistency K=7
PhD Auditor	NashSolver, StatisticalRigor, QualisA1Auditor
TSAC	Sistema de citacao rastreavel, 87 palavras banidas
Score Qualis	Motor de pontuacao, 7 criterios, historico
Primeiros Passos	Guia de instalacao e primeiro uso
Contribuicao	Guia para contribuidores
Roadmap	Planejamento futuro
Tutoriais	Tutoriais praticos
Glossario	Termos tecnicos
Projetos	Painel de projetos
Diagramas	11 diagramas SVG
Doc. Tecnica Completa	1.289 linhas de documentacao
Referencias	50 referencias com DOIs reais e verificaveis (13 categorias)
Integridade e Auditabilidade	Principio obrigatorio — 8 raciocinios, 5 faces, 25 regras
Avaliacao de Maturidade	Resultados da execucao real — 154/156 testes (98.7%)
Triangulacao Anti-Circularidade	Framework SPEC-008 — 15 refs com DOI
Dissertacao CORA-Eval	Repositorio completo — artigos, TDD, avaliacoes, PDF 142p

---

Instalacao

git clone https://github.com/MarceloClaro/OpenCode_Ecosystem.git
cd OpenCode_Ecosystem
bun install
pip install -r requirements.txt
opencode init

Pre-requisitos

Dependencia	Versao
Node.js	20+
Bun	1.3+
Python	3.12+
OpenCode CLI	1.14+

Comandos principais

opencode run /artigo    # Pipeline academico
opencode run /reversa   # Engenharia reversa
opencode run /quantum   # Computacao quantica
opencode run /evolve    # Evolucao autonoma

---

Licenca

MIT License — veja LICENSE.

Copyright (c) 2026 Marcelo Claro Laranjeira · marceloclaro@gmail.com · Prefeitura Municipal de Crateus/CE — ORCID: 0000-0001-8996-2887.

---

Citacao

@software{OpenCode_Ecosystem2026,
  author = {Marcelo Claro Laranjeira},
  orcid = {0000-0001-8996-2887},
  affiliation = {Secretaria de Educacao, Prefeitura Municipal de Crateus, Ceara, Brasil},
  title = {OpenCode Ecosystem: Multi-Agent AI Platform for Assisted Scientific Research},
  year = {2026},
  version = {4.6.1},
  url = {https://github.com/MarceloClaro/OpenCode_Ecosystem}
}

---

OpenCode Ecosystem v4.6.1 · 17 Iteracoes de Desenvolvimento · 79 Agentes · 38 MCPs · 104 Skills

Trabalho em andamento — metricas auto-reportadas

Autor: Marcelo Claro Laranjeira — ORCID: 0000-0001-8996-2887

Professor / Pedagogo — Secretaria de Educacao, Prefeitura Municipal de Crateus, Ceara, Brasil

Contato: marceloclaro@gmail.com | +55 (88) 981587145