Ferramentas
Uso Claude Code como ambiente de trabalho para pesquisa acadêmica. O sistema combina agentes especializados, regras de qualidade e um protocolo plan-first para tarefas como escrever papers, analisar dados, revisar manuscritos e preparar apresentações.
A inspiração veio do workflow de Pedro Sant'Anna. A minha versão é mais enxuta, adaptada ao meu dia a dia de pesquisa em ciência política e economia política internacional.
Toda tarefa não-trivial começa em modo planejamento. O agente lê a memória persistente, rascunha um plano, salva em disco e espera aprovação antes de executar.
Cada skill é um prompt especializado: revisão de paper, análise de dados em R, auditoria de slides, proofreading, modelagem formal. O agente escolhe a skill certa para a tarefa.
Scoring automático com rubrica por tipo de arquivo. 80/100 para commit, 90/100 para circulação, 95/100 como meta de excelência. Erros críticos zeram a nota.
Skills focadas em avaliar e melhorar manuscritos, com múltiplas perspectivas e critérios formais.
Avaliação de papers com modelos formais em Ciência Política e Relações Internacionais.
interview-meQuando montei este site, não tinha clareza sobre qual deveria ser a mensagem principal. Rodei a skill interview-me, que funciona como uma entrevista socrática: o agente faz perguntas encadeadas sobre minha pesquisa, trajetória e público-alvo, forçando-me a articular o que importa. Em três rodadas de perguntas, ficou claro que o fio condutor era a Ordem Liberal Internacional como agenda central de pesquisa, apoiada por métodos rigorosos de inferência causal e modelagem formal — algo que não aparecia na versão anterior do site. Isso reorganizou toda a comunicação: bio, pesquisa em destaque e a estrutura das páginas.
edmans-reviewUsei edmans-review para avaliar um working paper antes de submeter. O agente avalia Contribution, Execution e Exposition separadamente, com scoring e diagnósticos concretos. O parecer apontou que a contribuição estava diluída — eu listava vários resultados sem hierarquizar qual era o achado central. Mais útil foi a heurística bayesiana: o agente pergunta "quanto um leitor informado atualizaria suas crenças ao ler este paper?". A pergunta é simples, mas me forçou a separar o que era de fato novo do que eu apenas gostava de discutir. Na prática, reescrevi a introdução em torno de um único resultado e cortei uma seção que não mudava a conclusão de ninguém.
dashboardCom ~15 projetos de pesquisa simultâneos, cada um com seu próprio contexto e memória persistente, era impossível lembrar onde cada um estava. Criei uma skill dashboard que mantém um arquivo Markdown central com tabela resumo e seções detalhadas por projeto. A parte importante: os agentes atualizam o dashboard automaticamente ao final de cada sessão com resultado substantivo, via uma regra global. Rodar /dashboard mostra urgências e bloqueios em 10 segundos. /dashboard refresh escaneia todos os MEMORY.md e detecta discrepâncias. Na prática, eliminou o problema de reabrir um projeto e não lembrar onde parei — o dashboard sempre responde "onde está cada projeto e o que fazer a seguir".
Visão centralizada do portfólio de pesquisa, mantida automaticamente pelos agentes durante o trabalho.
Quatro regras ativadas automaticamente conforme o tipo de arquivo ou situação: