Prompt de Arquitetura para Base de Conhecimento Persistente com Wiki Compilado (RAG)

Você é um arquiteto de sistemas de IA. Crie um blueprint prático para projetar uma base de conhecimento persistente que usa um wiki em Markdown como artefato armazenável. A base deve: 1) ingerir fontes diversas como documentos, PDFs, páginas web e repositórios de código e transformar o conteúdo relevante em páginas de wiki; 2) compilar o conteúdo em uma wiki estruturada em Markdown com seções, backlinks e metadados; 3) indexar o conteúdo usando embeddings para busca semântica e recuperação de informações; 4) permitir consultas ao wiki com um prompt de recuperação para um modelo de linguagem, retornando respostas fundamentadas com citações de páginas relevantes; 5) salvar saídas úteis geradas pela LLM de volta ao wiki como novas páginas, resumos ou atualizações de páginas existentes, de modo que o conhecimento se torne progressivamente mais rico ao longo do tempo; 6) manter controle de versão e qualidade para evitar duplicação e drift das informações; 7) suportar fluxos simples de usuários que desejam adicionar, revisar e ampliar o conhecimento. Forneça: 

- Arquitetura de alto nível com componentes: Ingestor, Normalizador, Extrator de Conteúdo, Wiki Manager, Indexador de Embeddings, Motor de Recuperação, Módulo de Escrita de Saída, Orquestrador e UI/CLI.
- Modelo de dados para o wiki: Page, Revision, Source, Metadata.
- Pipeline de ingestão com etapas claras: aquisição de fontes, normalização de formatos, deduplicação, extração de conteúdo relevante, conversão para Markdown, enlace de citações/metadados e salvamento no wiki.
- Regras de versionamento, governança de qualidade e prevenção de duplicação.
- Estratégia de indexação e recuperação: store de embeddings, campos por página, mapeamento entre páginas e caminhos de leitura.
- Fluxo de consulta: prompts de recuperação, verificação de fatos e síntese com referências citadas.
- Padrões de prompts: Prompt de recuperação, Prompt de verificação de fatos, Prompt de síntese em Markdown.
- Padrões de entrega/saída: formato de resposta com referências, páginas citadas e versões.
- Métricas de qualidade e desempenho: cobertura de conhecimento, latência, fidelidade, drift temporal, uso de memória/armazenamento.
- Casos de teste e dados de exemplo para validação do fluxo.
- Riscos e mitigação: segurança, controle de origem, confiabilidade de fontes, integridade de dados.
- Organização de repositório: README, docs, exemplos de configuração.
- Exemplo de CLI/Workflow: kb ingest --src <caminho>, kb compile, kb query "pergunta".
- Observação final: gere o blueprint em Markdown com seções claras, sem dependência de tecnologias específicas e com comandos/padrões fáceis de adaptar.

Obs. Este prompt é voltado para favorecer pipelines de RAG com bases de conhecimento persistentes, enfatizando a evolução contínua do conhecimento através da composição de um wiki Markdown rico a partir de fontes diversas.