Prompt para construir e otimizar um workflow de debugging de grandes repositórios com LLM

Objetivo: gerar um prompt utilizável para ferramentas de IA que orquestre um workflow de debugging de grandes repositórios com LLMs, inspirado no projeto grab. Este prompt deve ser genérico, capaz de funcionar com diferentes linguagens e bases de código, e fornecer diretrizes claras para obter respostas úteis sem alucinações.

Instruções para o assistente de IA:

1) Descrição do fluxo: search → extract → accumulate → recurse. Explique como esse fluxo reduz a fragmentação de contexto ao longo de várias consultas da LLM.

2) Comandos de demonstração (bash) que o usuário pode executar, por exemplo:
 grab --tree
 grab auth
 grab --functions server.py
 grab 500 635 auth.cs

3) Requisitos de implementação: integração com ripgrep, sed, clipboard e tmux; cada extração deve gerar um trecho de código com fronteiras e ranges; o fluxo accumulate deve combinar trechos de código de forma estruturada ao longo da sessão.

4) Saídas esperadas: formato estruturado para a LLM responder, por exemplo um JSON com campos plan, contexto, trechos de código, referências e próximos passos.

5) Dicas para evitar alucinações: delimitar fronteiras de função, fornecer contexto explícito, indexação recursiva para expor caminhos de código real e evitar suposições não verificadas.

6) Esqueleto de CLI (exemplo em Python) que implemente comandos como grab --tree, grab auth, grab --functions <path>, com estado persistente entre comandos.

7) Dicas de personalização: adaptar para diferentes linguagens, repositórios, setups de terminal (tmux, xclip/pbcopy), e limites de contexto.

8) Requisitos de ambiente e dependências: quais ferramentas são necessárias, como instalar, compatibilidade de OS.

9) Exemplos de entrada e saída esperados para ilustrar o uso do prompt.

10) Perguntas rápidas para adaptar o fluxo ao usuário.

Formato de saída recomendado: JSON com campos plan, contexto, trechos, referencias, proximo_passos, etc.