[WIP] Implement functional modules for scientific governance pipeline

[Copilot]

Thanks for asking me to work on this. I will get started on it and keep this PR's description up to date as I form a plan and make progress.

Implementar Pipeline Científico com Governança v1 — Fase de Execução Completa

Situação atual

Branch feat/scientific-governance-pipeline-v1 já contém estrutura base. Agora é necessário implementar módulos funcionais reais com integração ponta-a-ponta.

Fase de Implementação — Escopo Minucioso

Parte A: Validação de Schemas e Contract Tests

• Criar schemas/optimal_question.schema.json com todos os campos obrigatórios
• Criar schemas/vector_execution_decision.schema.json com gates de decisão
• Criar schemas/ethical_assessment.schema.json com princípios e hard-blocks
• Implementar tests/contract/test_optimal_question_schema.py
• Implementar tests/contract/test_vector_execution_decision_schema.py
• Implementar tests/contract/test_ethical_assessment_schema.py
• Todos testes de contrato verdes antes de prosseguir

Parte B: Implementação OQS (Optimal Question Scanner)

• mci/oqs/intake.py — normalizar problema bruto
• mci/oqs/uncertainty_scanner.py — mapear lacunas, ambiguidades, suposições
• mci/oqs/candidate_generator.py — gerar perguntas por tipo
• mci/oqs/scoring.py — calcular URS, SVS, DRI, CCI, CS (CS = URS + SVS - DRI - CCI)
• mci/oqs/selector.py — selecionar Q* = argmax(CS) com desempate determinístico
• tests/unit/test_oqs_scoring.py — testes de score e monotonicidade
• Cobertura OQS >= 90%

Parte C: Implementação VSEE (Vector Shortcut Execution Engine)

• mci/vsee/policy.py — gates de decisão (validação, risco, fidelidade, ganho)
• mci/vsee/router.py — escolher rota: original vs vetorial
• mci/vsee/executor.py — executar caminho selecionado
• mci/vsee/fallback.py — fallback automático em exception/timeout/low EFS
• mci/vsee/telemetry.py — calcular EG, TRR, RI, EFS
• tests/unit/test_vsee_policy_and_fallback.py — testes de roteamento, fallback, fidelidade
• Cobertura VSEE >= 90%

Parte D: Implementação EGS (Ethical Governance Scanner)

• mci/egs/principle_engine.py — carregar perfil de princípios (v1 default)
• mci/egs/stress_test.py — executar stress tests éticos
• mci/egs/alignment.py — calcular alignment_score [0,1]
• mci/egs/governance_analyzer.py — decisão (approve/approve_with_constraints/block) + hard-blocks
• mci/egs/explainability.py — gerar recomendações e justificativas
• tests/unit/test_egs_alignment_and_decision.py — testes de score, decisão, hard-block
• Cobertura EGS >= 90%

Parte E: Pipeline Integrado

• mci/pipeline/scientific_governance_pipeline.py — orquestração completa
• Implementar run_scientific_cycle(question, context) retornando ScientificRunResult
• Propagação de trace_id ponta-a-ponta
• Log estruturado por etapa
• tests/integration/test_scientific_governance_pipeline.py — fluxo completo, block ético, fallback
• Cobertura integração >= 85%

Parte F: Research Suite (Pesquisa e Benchmarking)

• Finalizar research/experiments/scenario_matrix_v1.json com 300 cenários distribuídos
• Implementar research/pipelines/run_research_batch.py — substituir stubs por chamadas reais
• Implementar research/pipelines/analyze_research_batch.py — análise estatística com IC 95%
• Criar research/evaluation/metrics.py — cálculo de CS, EG, TRR, RI, EFS, alignment
• Criar research/evaluation/statistics.py — IC, testes t-Welch, correção múltipla
• Criar research/evaluation/calibration.py — Brier score, ECE
• tests/research/test_run_research_batch.py — validação do runner
• tests/research/test_analyze_research_batch.py — validação da análise

Parte G: Testes Críticos e Qualidade

• tests/regression/test_regression_known_failures.py:
  • OQS-CRIT-01: pergunta ótima muda quando mapa de incerteza muda
  • VSEE-CRIT-01: fallback automático em baixa fidelidade
  • VSEE-CRIT-02: original selecionado quando risco acima do limite
  • EGS-CRIT-01: hard-block prevalece sobre score
  • PIPE-CRIT-01: block ético bloqueia aprovação final
• Atingir cobertura: policy modules >= 95%, overall >= 85%
• 0 flaky tests em 20 execuções
• Lint + typecheck passando

Parte H: Documentação e Relatório Final

• Atualizar docs/SDD_pipeline_cientifico_governanca.md com implementação real
• Atualizar docs/TDD_plano_pipeline_cientifico_governanca.md com resultados
• Criar research/results/reports/IMPLEMENTATION_SUMMARY.md com:
  • Status de implementação por módulo
  • Cobertura de testes alcançada
  • Matriz de 300 cenários executada (smoke de 20)
  • Resultados: pass rates, métricas médias, comparação com baseline
  • Parecer final: "Pronto para superhuman-like?" (sim/não com justificativa)
• Criar exemplos executáveis em research/examples/ demonstrando pipeline completo

Critérios de Aceite Finais

• Todos módulos implementados e funcionais
• Testes críticos passando 100%
• Cobertura mínima atingida
• Batch de 300 cenários executável
• Análise estatística gerando relatório com decisão automática
• Documentação completa e atualizada
• PR pronto para merge em main

Entregáveis do PR Final

1. Estrutura completa (schemas + módulos + testes)
2. Pipeline executável ponta-a-ponta
3. Research suite funcional
4. Matriz de 300 cenários com runner
5. Análise estatística com IC 95%
6. Parecer científico final assinado
7. Documentação técnica completa

The following is the prior conversation context from the user's chat exploration (may be truncated):

User: PROSSIGA E DESCREVA DE FORMA MINUCIOSA APROFUNDADA PT-BR

Assistant: Excelente — vamos aprofundar minuciosamente em PT-BR.

Com base no que você definiu (MCI científico + OQS + VSEE + EGS), abaixo está um plano de execução técnico-operacional detalhado, com foco em engenharia real para o repositório MarceloClaro/opencode-ecosystem-core (main), organizado para virar implementação sem ambiguidade.

---

1) Visão arquitetural consolidada (nível estratégico)

Seu ecossistema passa a ter 3 camadas de inteligência acopladas ao núcleo científico:

1. Camada Epistêmica (OQS + MCI científico)

   • melhora a pergunta antes de raciocinar;
   • garante hipótese, teste, refutação e confiança calibrada.

2. Camada Operacional (VSEE)

   • decide dinamicamente entre caminho original e vetorial;
   • maximiza eficiência mantendo fidelidade;
   • faz fallback seguro.

3. Camada Normativa (EGS)

   • audita legitimidade ética e governança;
   • bloqueia outputs tecnicamente corretos, porém eticamente inadequados.

Resultado: o sistema não só “responde”, mas pergunta melhor, executa melhor e decide melhor.

---

2) Blueprint detalhado por módulo

2.1 OQS — Optimal Question Scanner (detalhado)

Objetivo técnico

Reduzir espaço de incerteza antes do custo cognitivo alto.

Pipeline interno

1. Problem Intake: normaliza entrada em objeto canônico.
2. Uncertainty Scanner: extrai lacunas, ambiguidades, suposições.
3. Noise Filter: remove adorno textual e bifurcação irrelevante.
4. Candidate Generator: cria perguntas por tipo (definição, causal, validação...).
5. Question Vectorization: vetoriza cada pergunta por atributos.
6. Scoring: calcula URS, SVS, DRI, CCI, CS.
7. Selection: escolhe Q*.
8. Answer Direction Test: verifica potencial real de avanço.

Estruturas recomendadas

• ProblemModel:
  • problem_id, raw_text, normalized_text, domain, constraints.
• QuestionCandidate:
  • id, text, type, vector_features, scores, risk_flags.
• OptimalQuestionResult:
  • selected_question, ranking, rationale, discarded_reasons.

Regras de score (v1)

• CS = URS + SVS - DRI - CCI
• pesos iniciais (opcional):
  • URS: 0.35
  • SVS: 0.35
  • DRI: 0.15
  • CCI: 0.15
• gate mínimo:
  • URS >= 0.40
  • SVS >= 0.40
  • DRI <= 0.50

Riscos técnicos OQS

• “pergunta elegante, mas improdutiva”
  Mitigação: Answer Direction Test obrigatório + fallback clarificador.

---

2.2 VSEE — Vector Shortcut Execution Engine (detalhado)

Objetivo técnico

Executar com menor custo mantendo equivalência funcional.

Política de roteamento

Entrada mínima:

• original_representation
• vector_representation
• validation_metrics
• risk_metrics
• execution_context

Decisão:

• escolher vetorial somente se:
  • atalho validado,
  • risco aceitável,
  • fidelidade esperada >= limiar,
  • ganho esperado > 1.0.

Executor dual-route

• RouteExecutor:
  • execute_original()
  • execute_vector()
• Router:
  • aplica policy e seleciona rota.
• FallbackManager:
  • captura exceções/timeout/baixa fidelidade
  • reroteia para original.

Métricas formais

• EG = custo_original / custo_executado
• TRR = tokens_economizados / tokens_originais
• RI = tempo_original / tempo_atual
• EFS = resultados_preservados / resultados_esperados

Invariantes VSEE

• nunca sacrificar segurança por ganho;
• fallback sempre disponível;
• output precisa declarar caminho escolhido e razão.

---

2.3 EGS — Ethical Governance Scanner (detalhado)

Objetivo técnico

Inserir “teste de legitimidade” no ciclo TDD.

Etapas internas

1. Ethical Intake
2. Principle Engine
3. Ethical Stress Test
4. Governance Analyzer
5. Alignment Score
6. Explainability Layer

Princípios-base v1 (parametrizáveis)

• dignidade humana
• autonomia
• justiça
• não maleficência
• transparência
• responsabilidade
• supervisão humana

Decisão de governança

• approve: score >= 0.80
• approve_with_constraints: 0.60–0.79
• block: < 0.60

Hard-blocks (override)

• dano discriminatório explícito
• violação grave de dignidade
• ausência de supervisão humana em domínio crítico

Saída explicável

• princípios preservados
• princípios tensionados
• riscos (ético/regulatório/institucional/reputacional)
• recomendações acionáveis

---

3) Orquestração ponta-a-ponta (contrato de execução)

Fluxo final recomendado:

1. input_problem
2. oqs.run() -> optimal_question
3. scientific_core.run() -> scientific_claim
4. vsee.run() -> execution_decision + telemetry
5. egs.run() -> ethical_assessment
6. reporter.compose() -> relatório único

Regra de precedência de decisão

• Se EGS = block -> resultado final bloqueado (mesmo com sucesso técnico).
• Se VSEE falhar -> fallback original + continuar pipeline.
• Se OQS em baixa confiança -> pipeline segue com flag de cautela.

---

4) Plano TDD aprofundado (qualidade forte)

4.1 Ordem obrigatória

1. schemas e contract tests
2. unit tests OQS
3. unit tests VSEE + fault injection
4. unit tests EGS + hard-block tests
5. integration tests pipeline
6. regressão + performance

4.2 Testes críticos de verdade

• OQS muda Q* quando muda mapa de incerteza.
• VSEE cai para original em baixa fidelidade.
• VSEE não escolhe vetorial com risco acima do limite.
• EGS hard-block prevalece sobre qualquer score.
• Pipeline bloqueia publicação quando EGS bloqueia.

4.3 Metas de qualidade

• policy modules >= 95% coverage
• overall >= 85%
• 0 flaky em 20 execuções
• mutation score > 70% (ideal nos módulos policy-heavy)

---

5) Implementação orientada a diretórios (prática)

Estrutura final esperada:

mci/
  oqs/
  vsee/
  egs/
  pipeline/
schemas/
tests/
  contract/
  unit/
  integration/
  regression/
fixtures/
docs/

Padrões:

• cada módulo com __init__.py
• tipagem com typing / dataclasses ou pydantic
• logs JSON com trace_id
• versões explícitas de policy/schema/principles

---

6) Observabilidade e auditoria (nível produção)

Cada estágio deve gerar evento:

• trace_id
• stage
• input_hash
• output_hash
• duration_ms
• decision
• scores
• policy_version
• principles_version
• fallback_triggered (quando houver)

Auditoria:

• trilha append-only
• replay determinístico (seed + versões + hashes)
• redaction de dados sensíveis

---

7) Governança de evolução (v1 -> v2)

v1

• scaffolding robusto + testes críticos + contratos estáveis

v1.1

• estatística real (scipy/statsmodels)
• calibração real de confiança
• thresholds com tuning em benchmark interno

v1.2

• dashboard de tendência:
  • reprodutibilidade
  • fidelidade vetorial
  • taxa de hard-block
  • custo/token/time savings

v2

• aprendizado adaptativo com guardrails
• perfis de princípio por domínio (saúde, jurídico, educação etc.)

---

8) Riscos de programa e mitigação

1. Complexidade inicial alta
   Mitigar com release incremental e flags por módulo.

2. Divergência entre score técnico e ético
   Mitigar com precedência explícita (EGS block > técnico).

3. Overhead de latência
   Mitigar com orçamento por etapa e telemetria assíncrona.

4. Subjetividade no EGS
   Mitigar com princípios versionados + hard constraints.

---

9) Próximo passo objetivo (recomendação)

Você já está pronto para a fase de execução real.
A melhor sequência agora é:

1. criar no repo os dois docs finais (SDD/TDD PT-BR),
2. abrir issue/épico “Pipeline Científico com Governança v1”,
3. iniciar Sprint 1 com schemas + contract tests.

Se quiser, na próxima resposta eu te entrego o conteúdo exato da Issue-Mãe + 12 subissues (com checklist, critérios de aceite e prioridade) para você colar diretamente no GitHub Projects.

User: PROSSIGA

Assistant: Perfeito.
Para prosseguir de forma operacional e minuciosa, segue o pacote pronto de gestão no GitHub: 1 Issue-Mãe + 12 Subissues (com prioridade, DoD, critérios de aceite e checklist técnico) para o repo MarceloClaro/opencode-ecosystem-core.

---

Issue-Mãe (épico)

Título: [EPIC] Pipeline Científico com Governança v1 (OQS + MCI + VSEE + EGS)

Descrição (cole no GitHub):

Objetivo: implementar pipeline auditável e reprodutível:

Problem Intake -> OQS -> MCI Scientific Core -> VSEE -> EGS -> Final Report

Metas v1

• Pergunta ótima por convergência (OQS)
• Execução eficiente com fallback seguro (VSEE)
• Validação ética com decisão de governança (EGS)
• Contratos estáveis + testes críticos + integração ponta-a-ponta

Definition of Done do Épico

• Schemas finalizados e versionados
• Testes de contrato verdes
• OQS, VSEE, EGS implementados com testes unitários
• Pipeline integrado com testes de integração
• Regressão crítica coberta
• Cobertura: policy modules >=95%, overall >=85%
• Documentação técnica atualizada

---

Subissue 1

Título: [ARCH] Estrutura base de diretórios e convenções de módulo

Prioridade: P0
Dependências: nenhuma

Escopo

Criar estrutura:

• mci/oqs, mci/vsee, mci/egs, mci/pipeline
• schemas/
• tests/{contract,unit,integration,regression}
• fixtures/

Critérios de aceite

• Estrutura criada
• __init__.py em todos os pacotes
• Convenções de nome e versionamento documentadas em docs/

---

Subissue 2

Título: [SCHEMA] Contrato OptimalQuestionResult (OQS)

Prioridade: P0
Dependências: #1

Escopo

Criar schemas/optimal_question.schema.json com:

• problem_id, candidates[], selected_question
• scores {URS, SVS, DRI, CCI, CS}
• selection_rationale, discarded_with_reason[], version

Critérios de aceite

• Schema válido draft 2020-12
• Campos obrigatórios definidos
• Enums/faixas validadas

---

Subissue 3

Título: [SCHEMA] Contrato VectorExecutionDecision (VSEE)

Prioridade: P0
Dependências: #1

Escopo

Criar schemas/vector_execution_decision.schema.json com:

• request_id, chosen_path
• policy_reason, risk_level, expected_gain
• fallback_triggered
• telemetry {EG, TRR, RI, EFS}
• version

Critérios de aceite

• chosen_path restrito a original|vector
• métricas numéricas com limites mínimos
• schema validado em teste

---

Subissue 4

Título: [SCHEMA] Contrato EthicalAssessment (EGS)

Prioridade: P0
Dependências: #1

Escopo

Criar schemas/ethical_assessment.schema.json com:

• assessment_id, principles_checked[], tensions[]
• alignment_score, risk_buckets
• recommendations[]
• decision: approve|approve_with_constraints|block
• version

Critérios de aceite

• score limitado em [0,1]
• enum de decisão restrito
• validação de obrigatoriedade completa

---

Subissue 5

Título: [TEST-CONTRACT] Testes de contrato para OQS/VSEE/EGS

Prioridade: P0
Dependências: #2 #3 #4

Escopo

Criar:

• tests/contract/test_optimal_question_schema.py
• tests/contract/test_vector_execution_decision_schema.py
• tests/contract/test_ethical_assessment_schema.py

Critérios de aceite

• testes positivos (payload válido)
• testes negativos (payload inválido)
• suite 100% verde

---

Subissue 6

Título: [OQS] Intake + Scanner de Incerteza + Geração de Candidatas

Prioridade: P1
Dependências: #5

Escopo

Implementar:

• mci/oqs/intake.py
• mci/oqs/uncertainty_scanner.py
• mci/oqs/candidate_generator.py

Critérios de aceite

• candidatos não vazios para problema válido
• objetos normalizados com problem_id
• logs com trace_id

---

Subissue 7

Título: [OQS] Scoring de convergência e seleção da pergunta ótima

Prioridade: P1
Dependências: #6

Escopo

Implementar:

• mci/oqs/scoring.py
• mci/oqs/selector.py

Regras:

• CS = URS + SVS - DRI - CCI
• Q* = argmax(CS)
• desempate determinístico

Critérios de aceite

• teste de monotonicidade de score
• seleção determinística
• output aderente ao schema OQS

---

Subissue 8

Título: [VSEE] Política de decisão e roteamento original vs vetorial

Prioridade: P1
Dependências: #5

Escopo

Implementar:

• mci/vsee/policy.py
• mci/vsee/router.py

Gate vetorial:

• atalho validado
• risco <= limiar
• fidelidade esperada >= mínimo
• ganho esperado > 1.0

Critérios de aceite

• escolhe vetorial quando todos os gates passam
• escolhe original quando qualquer gate falha
• razão de decisão registrada

---

Subissue 9

Título: [VSEE] Executor dual-route, fallback e telemetria (EG/TRR/RI/EFS)

Prioridade: P1
Dependências: #8

Escopo

Implementar:

• mci/vsee/executor.py
• mci/vsee/fallback.py
• mci/vsee/telemetry.py

Critérios de aceite

• fallback em exception/timeout/baixa fidelidade
• métricas EG, TRR, RI, EFS calculadas
• output aderente ao schema VSEE

---

Subissue 10

Título: [EGS] Engine de princípios, stress test ético e alignment score

Prioridade: P1
Dependências: #5

Escopo

Implementar:

• mci/egs/principle_engine.py
• mci/egs/stress_test.py
• mci/egs/alignment.py

Critérios de aceite

• princípios carregados por perfil
• alignment score em [0,1]
• tensões éticas detectáveis por regra

---

Subissue 11

Título: [EGS] Decisão de governança + hard-block + explainability

Prioridade: P1
Dependências: #10

Escopo

Implementar:

• mci/egs/governance_analyzer.py
• mci/egs/explainability.py

Decisão:

• approve / approve_with_constraints / block
  Hard-blocks:
• dignidade, discriminação explícita, ausência de supervisão em domínio crítico

Critérios de aceite

• hard-block sobrescreve score
• recomendações acionáveis geradas
• output aderente ao schema EGS

---

Subissue 12

Título: [PIPELINE] Integração ponta-a-ponta + regressão + quality gates

Prioridade: P0
Dependências: #7 #9 #11

Escopo

Implementar:

• mci/pipeline/scientific_governance_pipeline.py
• testes:
  • tests/integration/test_scientific_governance_pipeline.py
  • tests/regression/test_regression_known_failures.py

Critérios de aceite

• fluxo completo executa
• block ético bloqueia aprovação final
• fallback VSEE não aborta pipeline
• cobertura mínima atingida (95/85)
• 0 flaky em 20 runs

---

Labels sugeridos

• epic
• architecture
• schema
• testing
• oqs
• vsee
• egs
• pipeline
• priority:P0
• priority:P1

---

Milestones sugeridos

• M1 (Semana 1): [WIP] Confirm fix for Ollama installer on Windows and expand requirements #1 [WIP] Implement functional modules for scientific governance pipeline #2 Feat/medical digital twin mirofish reversa #3 #4 #5 #6 #7
• M2 (Semana 2): #8 #9 #10 #11 #12

---

Se você quiser, no próximo passo eu já transformo isso em texto pronto de 13 issues em Markdown individual (um bloco por issue, copiável 1:1 no GitHub).

User: PROSSIGA

Assistant: Perfeito.
Aqui estão os 13 blocos prontos (1 Épico + 12 subissues) para você copiar e criar diretamente no GitHub do MarceloClaro/opencode-ecosystem-core.

---

ISSUE 1/13 — ÉPICO

Título: [EPIC] Pipeline Científico com Governança v1 (OQS + MCI + VSEE + EGS)

Descrição:
Implementar pipeline auditável e reprodutível:

Problem Intake -> OQS -> MCI Scientific Core -> VSEE -> EGS -> Final Report

Objetivos v1

• Pergunta ótima por convergência (OQS)
• Execução eficiente com fallback seguro (VSEE)
• Validação ética com decisão de governança (EGS)
• Contratos estáveis + testes críticos + integração ponta-a-ponta

Definition of Done do Épico

• Schemas finalizados e versionados
• Testes de contrato verdes
• OQS implementado com seleção determinística de Q*
• VSEE implementado com fallback obrigatório
• EGS implementado com hard-block
• Pipeline integrado com testes de integração
• Regressão crítica coberta
• Cobertura: policy modules >= 95%, overall >= 85%
• Documentação técnica atualizada

Labels sugeridas

epic, architecture, testing, priority:P0

Milestone

M1+M2 Pipeline Científico v1

---

ISSUE 2/13

Título: [ARCH] Estrutura base de diretórios e convenções de módulo

Descrição:
Criar estrutura-base para OQS, VSEE, EGS e pipeline integrado.

Escopo

• Criar mci/oqs/
• Criar mci/vsee/
• Criar mci/egs/
• Criar mci/pipeline/
• Criar schemas/
• Criar tests/contract/
• Criar tests/unit/
• Criar tests/integration/
• Criar tests/regression/
• Criar fixtures/
• Adicionar __init__.py nos pacotes Python

Critérios de aceite

• Estrutura criada sem quebrar import atual do projeto
• Convenções mínimas documentadas em docs/
• Projeto continua executando testes existentes

Labels

architecture, priority:P0

---

ISSUE 3/13

Título: [SCHEMA] Contrato OptimalQuestionResult (OQS)

Descrição:
Definir contrato formal de saída do OQS.

Arquivo

• schemas/optimal_question.schema.json

Campos mínimos

• problem_id
• candidates[]
• selected_question
• scores: {URS, SVS, DRI, CCI, CS}
• selection_rationale
• discarded_with_reason[]
• version

Critérios de aceite

• JSON Schema draft 2020-12 válido
• Campos obrigatórios definidos
• Tipos e limites de scores definidos

Labels

schema, oqs, priority:P0

---

ISSUE 4/13

Título: [SCHEMA] Contrato VectorExecutionDecision (VSEE)

Descrição:
Definir contrato formal de decisão de execução do VSEE.

Arquivo

• schemas/vector_execution_decision.schema.json

Campos mínimos

• request_id
• chosen_path: original|vector
• policy_reason
• risk_level
• expected_gain
• fallback_triggered
• telemetry: {EG, TRR, RI, EFS}
• version

Critérios de aceite

• chosen_path restrito a enum válido
• métricas numéricas com validações mínimas
• schema validável por testes automáticos

Labels

schema, vsee, priority:P0

---

ISSUE 5/13

Título: [SCHEMA] Contrato EthicalAssessment (EGS)

Descrição:
Definir contrato formal de avaliação ética e governança.

Arquivo

• schemas/ethical_assessment.schema.json

Campos mínimos

• assessment_id
• principles_checked[]
• tensions[]
• alignment_score
• risk_buckets
• recommendations[]
• decision: approve|approve_with_constraints|block
• version

Critérios de aceite

• alignment em [0,1]
• enum de decisão válido
• obrigatoriedade dos campos críticos definida

Labels

schema, egs, priority:P0

---

ISSUE 6/13

Título: [TEST-CONTRACT] Testes de contrato para OQS/VSEE/EGS

Descrição:
Criar testes que validam os 3 schemas (positivo e negativo).

Arquivos

• tests/contract/test_optimal_question_schema.py
• tests/contract/test_vector_execution_decision_schema.py
• tests/contract/test_ethical_assessment_schema.py

Critérios de aceite

• payload válido passa
• payload inválido falha
• suite de contrato 100% verde no CI/local

Labels

testing, schema, priority:P0

---

ISSUE 7/13

Título: [OQS] Intake + Scanner de Incerteza + Geração de Candidatas

Descrição:
Implementar núcleo inicial do OQS até geração de perguntas candidatas.

Arquivos

• mci/oqs/intake.py
• mci/oqs/uncertainty_scanner.py
• mci/oqs/candidate_generator.py

Tarefas

• normalizar problema em ProblemModel
• extrair lacunas e ambiguidades
• gerar candidatas por tipo (definição/causal/validação/etc.)

Critérios de aceite

• para entrada válida, gera candidatas não vazias
• registra trace_id e metadados mínimos
• testes unitários base passam

Labels

oqs, testing, priority:P1

---

ISSUE 8/13

Título: [OQS] Scoring de convergência e seleção determinística de Q*

Descrição:
Implementar score e seleção da pergunta ótima.

Arquivos

• mci/oqs/scoring.py
• mci/oqs/selector.py

Regras

• CS = URS + SVS - DRI - CCI
• Q* = argmax(CS)
• desempate determinístico

Critérios de aceite

• score calculado corretamente
• monotonicidade básica coberta por testes
• output final aderente ao schema OQS

Labels

oqs, testing, priority:P1

---

ISSUE 9/13

Título: [VSEE] Política de decisão e roteamento (original vs vetorial)

Descrição:
Implementar política de seleção de rota.

Arquivos

• mci/vsee/policy.py
• mci/vsee/router.py

Gates para rota vetorial

• atalho validado
• risco <= threshold
• fidelidade esperada >= mínimo
• ganho esperado > 1.0

Critérios de aceite

• escolhe vetorial quando todos gates passam
• escolhe original quando qualquer gate falha
• decisão inclui policy_reason

Labels

vsee, testing, priority:P1

---

ISSUE 10/13

Título: [VSEE] Executor dual-route, fallback automático e telemetria

Descrição:
Implementar execução e segurança operacional do VSEE.

Arquivos

• mci/vsee/executor.py
• mci/vsee/fallback.py
• mci/vsee/telemetry.py

Métricas

• EG, TRR, RI, EFS

Critérios de aceite

• fallback em exception/timeout/baixa fidelidade
• telemetria calculada corretamente
• output aderente ao schema VSEE

Labels

vsee, testing, priority:P1

---

ISSUE 11/13

Título: [EGS] Principle Engine + Stress Test + Alignment Score

Descrição:
Implementar núcleo de avaliação ética.

Arquivos

• mci/egs/principle_engine.py
• mci/egs/stress_test.py
• mci/egs/alignment.py

Tarefas

• carregar perfil de princípios v1
• detectar tensões éticas
• calcular alignment score em [0,1]

Critérios de aceite

• princípios carregados com versionamento
• tensões detectadas por regras explícitas
• score estável com testes unitários

Labels

egs, testing, priority:P1

---

ISSUE 12/13

Título: [EGS] Decisão de governança, hard-block e explicabilidade

Descrição:
Implementar camada decisória final do EGS.

Arquivos

• mci/egs/governance_analyzer.py
• mci/egs/explainability.py

Regras

• approve >= 0.80
• approve_with_constraints 0.60–0.79
• block < 0.60
• hard-block sobrepõe score (dignidade/discriminação/supervisão em domínio crítico)

Critérios de aceite

• hard-block validado por teste específico
• decisão com recomendações acionáveis
• output aderente ao schema EGS

Labels

egs, governance, priority:P1

---

ISSUE 13/13

Título: [PIPELINE] Integração ponta-a-ponta + regressão + quality gates

Descrição:
Integrar OQS+MCI+VSEE+EGS com testes finais e gates de qualidade.

Arquivos

• mci/pipeline/scientific_governance_pipeline.py
• tests/integration/test_scientific_governance_pipeline.py
• tests/regression/test_regression_known_failures.py

Cenários críticos

• OQS altera Q* quando muda mapa de incerteza
• VSEE falha vetorial e cai para original
• EGS block impede aprovação final
• pipeline propaga trace_id ponta-a-ponta

Quality gates

• coverage policy modules >=95%
• coverage geral >=85%
• 0 flaky tests em 20 execuções

Labels

pipeline, integration, regression, priority:P0

---

Se quiser, no próximo passo eu monto também os templates prontos de PR description para cada milestone (M1 e M2), incluindo checklist de evidências e seção de risco.

User: SEGUINDO ISSO CHEGAREMOS AO SUPERHUMANAN E SIMULA AS CENTENAS DE CENARIOS E RESULTADOS DA PESQUISA COM MIROFISH TUDO INTEGRADO?