📜 Do Delta ao Playbook
O delta já foi medido — agora ele vira ação. Esta trilha transforma os números em regras
dentro de um único .md acionável, e depois injeta esse playbook
no modelo a cada sessão (hook, skill ou CLAUDE.md) — com plano B se você não tiver dados próprios.
Mapa da trilha
Conteúdo detalhado
📝 Escrevendo o Playbook
Do número à regra: o que é um playbook, o gerador, a ordem por força do sinal, corrigir em vez de copiar, as regras transferíveis e o checklist de uma linha.
Um único .md acionável que captura o delta como REGRAS ("pense antes de agir"), não como impressão ou narrativa de vídeo.
Regra é injetável; impressão não. O playbook é o artefato que entra no contexto do modelo.
1 arquivo; instruções imperativas; números reais embutidos; honesto sobre o que NÃO transfere.
O gerador: lê o compare.json (--from-json) ou mede na hora, e injeta os NÚMEROS reais no texto das regras.
É o que garante que o playbook fala dos SEUS dados, não de impressões genéricas.
--from-json reusa medição; sem ele, mede o histórico; números embutidos.
As regras vêm na ordem da FORÇA medida: o pensar-antes-de-agir (delta robusto, +45 pts) primeiro; read-before-edit e teste-depois entram como boa prática.
A ordem comunica prioridade: a regra no topo é a maior alavanca.
Força ≠ ordem do vídeo; delta firme no topo; amostra pequena → cautela no resto.
O playbook honesto INVERTE os hábitos fracos do Fable (over-thinking no trivial, verbosidade, plano que vira ensaio) em vez de replicá-los.
Copiar cego importa também os defeitos; corrigir importa só o que ajuda.
Raciocínio proporcional à dificuldade; aja e resuma curto; plano enxuto.
Pensar antes no não-trivial; ferramenta com propósito (densidade); ler antes de editar → 100%; fechar o loop com teste/build; sequência canônica; parar quando tiver o suficiente.
São as instruções que o modelo-alvo adota — o coração do playbook.
entender → plano → ler → editar → testar → relatar.
A destilação final em uma linha, para colar no topo de tarefas de código: entender → plano curto → ler → editar → testar → relatar.
É o lembrete mínimo que cabe em qualquer prompt sem custo de contexto.
pense-antes-no-não-trivial · ferramenta-com-propósito · read-before-edit→100% · sem-verbosidade.
💉 Injetando no Modelo (e Sem Dados Próprios)
Hook, skill ou CLAUDE.md; o plano B com traces abertos no Hugging Face; o que transfere e o que não; e a ética de fechar o loop.
O inject-playbook.sh injeta o playbook como additionalContext a cada sessão; config no settings.json; é fail-open.
É o caminho "sempre ativo, sem pensar" — o modelo já começa com o ritmo certo.
evento SessionStart; additionalContext; fail-open (não quebra a sessão).
A skill fable-mindset carrega o playbook sob demanda e traz os scripts juntos — para quando você prefere invocar explicitamente.
Nem sempre você quer o playbook em TODA sessão; a skill dá controle.
sob demanda; scripts incluídos; invocação explícita.
Colar ou linkar o playbook no CLAUDE.md — ele já é auto-injetado em toda sessão. Mínimo esforço.
Versionado junto do repo e zero configuração de hook.
hook = sempre ativo / skill = sob demanda / CLAUDE.md = mínimo esforço.
Se você mal conversou com o Fable, use traces abertos no Hugging Face: Glint-Research/Fable-5-traces. O import_hf_traces.py (+ pip install datasets) roda o mesmo exercício.
Ninguém fica de fora por falta de histórico — o método roda em dados de terceiros.
dataset aberto; importador defensivo; mesmo exercício comportamental.
Você imita o RITMO (pensar antes, ler antes de editar, fechar o loop), não clona o modelo — o poder está nos pesos. O playbook melhora a execução, não vira Fable.
Calibra a expectativa: ganho real de ritmo, sem promessa mágica.
ritmo transfere; pesos não; execução melhora, identidade não muda.
Rode no SEU histórico; trate o corpus como sensível (tem seu código/dados); o método aplica a Opus, Codex e open-source; itere o playbook com novos dados.
Fecha o loop com responsabilidade e mantém o playbook vivo.
corpus sensível; generaliza entre modelos; iteração contínua.
O loop fecha aqui
Este curso é parte da comunidade AutomationsAI — pesquisa, educação e experimentos com IA aplicada. Do log ao playbook injetado, o método é seu.