Definições dos termos técnicos utilizados no ecossistema. Organizado em ordem alfabética.
Engine de evolução autônoma do ecossistema. Executa o ciclo PLAN → ACT → REFLECT → EXTRACT → EVOLVE, gerando novas skills em evolution/ a partir de padrões de sucesso. Implementado em plugins/manus-evolve.ts. Já completou 11 ciclos com progressão de score de 85 → 97/100.
Ponte bidirecional entre o OpenCode Ecosystem e o Antigravity (Google DeepMind Advanced Agentic Coding). Expõe 6 capacidades exclusivas: generate_image, browser_subagent, search_web, read_url_content, parallel_subagents, artifact_creation.
Container central de Injeção de Dependência. Registra 11 serviços (8 core + 4 plugins TS). Os 4 plugins TS são: plugin.manus-evolve, plugin.ecosystem-sync, plugin.bernstein-sync e plugin.antigravity-bridge.
Camada universal de acesso a dados do ecossistema (data_orchestrator.py, 592 linhas). Permite consultas em linguagem natural roteadas automaticamente para a fonte de dados correta entre 8 domínios: Geo, Finance, Crypto, BioMed, Academic, Economic, Health, PDF. Arquitetura de 3 camadas: QueryIntent (parser 80+ keywords) → DataSourceRegistry (auto-discovery 30+ bibliotecas) → Ecosystem Hooks (10 hooks). Implementado no Round 9 do /evolve.
Componente do DataOrchestrator responsável por auto-discovery das bibliotecas disponíveis no ambiente Python. Verifica 8 domínios e 30+ bibliotecas via importlib, detectando quais domínios estão operacionais sem configuração manual.
Camada de integração entre bibliotecas Python e pipelines do ecossistema (ecosystem_hooks.py, v2.0, ~700 linhas). Composta por 10 hooks organizados em duas rodadas evolutivas: Round 8 (SeekerMultiSource, WorldBankAnalyzer, PDFProcessor, MCPScoutBridge, HTTPXClient) e Round 9 (GeoAnalyzer, FinanceAnalyzer, MarketSpeculator, BioMedAnalyzer, QualisDatasetHub).
Mapeamento da relevância funcional (0--100%) de cada biblioteca Python para cada pipeline do ecossistema (SEEKER, MASWOS, PhD Auditor, data_analysis, MCP_server). Armazenada em opencode_catalog.json. Afinidades máximas: mcp→MCP_server (100%), wbgapi→data_analysis (95%), scholarly→SEEKER (95%), arxiv→SEEKER (95%).
Ferramenta canônica de descoberta de bibliotecas Python no ecossistema (pypi_scout.py, 350 linhas). Catálogo curado com 22+ bibliotecas em 6 categorias, métricas de afinidade para 5 pipelines, CLI com 7 comandos (search, catalog, category, install, recommend, diff, help). Substitui o PyPISearcher v3.0. Skill registrada como pypi-scout.
Parser de intenção do DataOrchestrator. Converte consultas em linguagem natural para intenções estruturadas (domínio, entidade, métrica) utilizando 80+ palavras-chave mapeadas para 8 domínios. Extrai automaticamente entidade e métrica da consulta, atribuindo pontuação de confiança (0--100%).
Engine de evolução autônoma do ecossistema. Executa o ciclo PLAN → ACT → REFLECT → EXTRACT → EVOLVE, gerando novas skills em evolution/ a partir de padrões de sucesso identificados em ciclos anteriores. Implementado em plugins/manus-evolve.ts. Já completou 9 ciclos com progressão de score de 85 → 98/100.
Ponte bidirecional entre o OpenCode Ecosystem v4.6 e o Antigravity (Google DeepMind Advanced Agentic Coding). Composta por três artefatos: plugins/antigravity-bridge.ts (plugin TypeScript registrado no Container DI), nexus/antigravity_mcp_server.py (servidor MCP com 7 ferramentas JSON-RPC) e agents/antigravity-orchestrator.md (agente roteador com fallback). Indexada como skill em skills/agent-forum/antigravity-integration/SKILL.md (v1.0). Expos 6 capacidades exclusivas: generate_image, browser_subagent, search_web, read_url_content, parallel_subagents, artifact_creation. Health score monitorado em .evolve/antigravity-bridge-state.json.
Modelo de linguagem padrão do OpenCode Ecosystem. Também conhecido como OpenCode Zen. Características: 200K tokens de contexto, 128K tokens de saída, gratuito. Utilizado como orquestrador central de todos os agentes do ecossistema.
Container central de Injeção de Dependência do ecossistema. Registra 11 serviços (8 core + 4 plugins TypeScript) e oferece acesso via padrão singleton. Os 8 serviços core são: state_manager, event_bus, agent_manager, plugin_manager, skill_manager, cache, task_queue e command_registry. Os 4 plugins TS são: plugin.manus-evolve, plugin.ecosystem-sync, plugin.bernstein-sync e plugin.antigravity-bridge (v1.0, 2026-05-24).
Injeção de Dependência — padrão de design em que os componentes recebem suas dependências externamente em vez de criá-las internamente. No OpenCode Ecosystem, o Container DI centraliza 11 serviços com bridge bidirecional Python ⟷ TypeScript. Migração completa em 7 fases com 88/88 testes passando e 100% de compatibilidade retroativa.
Padrão de inicialização utilizado pelos servidores MCP. Os MCPs só inicializam na primeira chamada de ferramenta, não durante a inicialização do sistema. Isso reduz o tempo de startup e o consumo de recursos, pois apenas os MCPs efetivamente utilizados são carregados em memória.
Multi-Agent System Writing Orchestration System — Sistema de orquestração multiagente para produção de artigos acadêmicos. Utiliza 49 agentes especializados distribuídos em 8 estágios sequenciais: pesquisa (SEEKER) → estrutura → escrita → formatação → revisão (banca de 5) → correção (4 orientadores) → score (AUTO_SCORE_QUALIS.py) → exportação (LaTeX/PDF). Produz artigos com score ≥ 95/100 segundo critérios Qualis A1 da CAPES.
Model Context Protocol — Protocolo criado pela Anthropic (2024) que define comunicação padronizada entre agentes de IA e servidores de contexto via JSON-RPC. No OpenCode Ecosystem, 41 servidores MCP (38 locais via stdio + 2 remotos via HTTP + 1 Antigravity MCP) fornecem ferramentas, recursos e prompts ao agente orquestrador. Cada servidor opera em sessão 1:1 com o cliente MCP.
Pipeline de simulação multiagente adaptado de frameworks de inteligência de enxame (MiroFish, 61K estrelas) e análise multiagente (BettaFish, 40.9K estrelas). No ecossistema, implementa os padrões P14-P18 com 11 componentes: OASIS, Forum, Config, Graph, Report, Nash, Stats, Qualis, Sensitivity, IMRAD e Debate. Integra 204 tipos de raciocínio (25 categorias) e 10 estratégias de Teoria dos Jogos.
Nexus Multi-Agent v6.2 — Orquestrador meta-granular central do ecossistema. Responsável por sincronizar operações atômicas entre todos os agentes por meio de 120+ sync barriers e 500+ constraints de validação distribuída. Contém 63 scripts Python organizados em 6 camadas internas (L0-L5). Health score: 96/100.
Componente P18 do pipeline MiroFish/BettaFish. Implementa auditoria acadêmica de rigor científico com 5 módulos: NashSolver (equilíbrio de Nash generalizado), StatisticalRigor (Cohen's d, Bonferroni, Power Analysis), QualisA1Auditor (score 0-100 com 7 critérios), SensitivityAnalyzer e IMRADFormatter. Garante que os artigos produzidos atendam aos padrões Qualis A1.
Padrão de organização de skills do ecossistema. Cada SKILL.md contém no máximo 2.500 bytes com frontmatter YAML e uma tabela de referências. O conteúdo detalhado reside em arquivos separados em references/*.md. Isso otimiza o uso de tokens ao carregar apenas o resumo da skill, com acesso ao conteúdo completo sob demanda.
Geração Aumentada por Recuperação — Técnica que combina busca de informação com geração de texto. O ecossistema implementa 9 estratégias RAG no servidor maswos-rag: Vanilla, Memory, Agentic, Graph, Hybrid, CRAG (Corrective), Adaptive, Fusion e HyDE. A seleção de estratégia é automática via Adaptive RAG baseado no tipo de consulta.
Padrão de raciocínio dos agentes: THOUGHT → ACTION → OBSERVATION → REPEAT. O agente pensa sobre o problema, executa uma ação, observa o resultado e repete o ciclo até alcançar a conclusão. Utilizado como loop principal de execução do orquestrador central.
Sistema de pontuação de qualidade da sessão de pesquisa (0-100). Avalia 6 critérios ponderados: densidade de evidências (25%), fontes verificadas (20%), TSAC compliance (20%), diversidade de fontes (15%), cobertura multi-domínio (10%) e peer review (10%). Grades: A (≥90), B (≥75), C (≥60), D (≥40), F (<40).
Sistema de pesquisa científica autônoma implementado em basis-research/. Composto por 10 agentes Python (grounder, social, historian, gaper, vision, theorist, rude, synthesizer, thinker, scribe) e um argument tree engine. Pesquisa em 10+ fontes acadêmicas: arXiv, PubMed, OpenAlex, CORE, Semantic Scholar, entre outras. Cada afirmação é rastreável até uma evidência verificável.
Anotações anti-IA auditáveis — Sistema que garante que o texto gerado não apresente padrões típicos de escrita por IA. Mantém uma lista de 87 palavras e expressões banidas (termos frequentemente usados por modelos de linguagem). O artigo final inclui 46 anotações TSAC verificáveis por pares acadêmicos, assegurando originalidade e naturalidade do texto.
OpenCode Ecosystem v4.6 · Glossário de Termos Técnicos