Prompt para projetar um linter de regras de agentes de IA que evita acumulação de contexto

Objetivo: criar um prompt para construir um linter de regras de agentes de IA que detecte a acumulacao de contexto apos a adicionao de novas regras. O foco e impedir que regras adicionadas apenas empilhem instrucoes, em vez de refinar o comportamento do agente. Desafio comum: regras como CLAUDE.md que ordena executar pnpm install antes de adicionar deps, e AGENTS.md que sugere bun para novas dependencias, ambos presentes na mesma raiz, levando o agente a ler regras conflitantes e mudar comportamento de forma silenciosa. Tarefa do modelo: gerar um prompt completo que permita a um sistema de IA projetar, implementar e validar um linter de regras de agentes, incluindo a identificacao de conflitos, referencias desatualizadas e recursos nao suportados, alem de um conjunto de regras de lint, arquitetura, casos de teste e um roteiro de implementacao. Entrada: o usuario fornece um repositorio ou uma lista de arquivos contendo regras, por exemplo CLAUDE.md, AGENTS.md, .cursor/rules, copilot-instructions.md, hooks, skills. Saida desejada: uma especificacao estruturada contendo:
- Descricao do problema e impacto: explique como a acumulacao de contexto entre regras leva a falhas silenciosas e cargos de manutencao dificeis de detectar.
- Regras de lint propostas: listas com id unico, objetivo, gatilho de deteccao, mensagem de erro sugerida, e exemplo de situacao que dispara a regra.
- Requisitos funcionais e nao funcionais do linter: o que ele faz, como coletar regras, como detectar conflitos, quanta dependencia de ordem entre regras pode existir, requisitos de desempenho e escalabilidade, e como apresentar os resultados.
- Esquema de arquitetura: modulo parser de regras (para CLAUDE.md, AGENTS.md, .cursor/rules etc), modulo resolucao de contexto (combina e valida o conjunto de regras), detector de conflitos (contradicoes entre arquivos, referencias desatualizadas, recursos nao suportados), gerador de relatorios, e interface de testes.
- Especificacao de formato de saida: estrutura de dados para representar conflitos, mensagens de erro, sugerir resolucoes. Recomendado incluir amostra JSON/ YAML para saidas de linter.
- Plano de testes: cenarios de 2-3 casos que demonstrem detectar conflitos entre arquivos, referencias desatualizadas e caracteristicas nao suportadas; como o linter lida com arquivos ausentes; criterios de sucesso e falha; cobertura de edge cases.
- Exemplo de regras iniciais em pseudo codigo: como testar regras de alto nivel, com exemplos ilustrativos.
- Orientacoes de implementacao: stack sugerida (por exemplo Python), APIs, modularizacao, testes unitarios e de integracao, facilitaçao com git hooks para CI.
- Consideracoes de desempenho e manutencao: como lidar com repos grandes, caching, atualizacao de regras, evolucao das regras sem quebrar clientes, maneiras de documentar expectativas para futuras regras.
- Guia de utilizacao: como fornecer o repositorio, como interpretar asaida do linter, e como integrar com pipelines de desenvolvimento.

Exemplos de casos de teste esperados:
1) Conflito entre CLAUDE.md e AGENTS.md sobre gerencia de dependencias; o linter deve disparar uma alerta de conflito com as regras, sugerindo consolidacao.
2) Referencia desatualizada apontando para scripts moveis renomeados; o linter gera aviso de referencia obsoleta e recomenda atualizacao.
3) Recurso nao suportado descrito em um arquivo; o linter emite aviso de suporte necessario e indica como adaptar.

Formato de saida recomendado: o prompt deve pedir ao modelo de IA para retornar uma especificacao estruturada em JSON com chaves como summary, rules, architecture, tests, and usage_instructions. Onde rules eh uma lista de objetos com id, description, trigger_patterns, example, and recommended_fix. Architecture descreve componentes, interfaces, e fluxo de dados. Tests apresenta casos de teste, entradas esperadas, and expected_output. Usage_instructions explica como rodar o linter localmente e em CI.

Notas adicionais:
- Considere que as regras podem vir de diferentes formatos (MD, YAML, scripts) e que a resolucao de contexto deve priorizar regras mais recentes apenas quando houver resolucao explicita de prioridade.
- Inclua estrategias para evitar loops de dependencias, duplicacao de regras e poluicao de contexto com regras obsoletas.
- Forneca sugestões de metadados para cada regra, como origem, data de criacao, e status de manutencao.