sumarizacao-hierarquica-recursiva

Descrição

A skill sumarizacao-hierarquica-recursiva realiza a condensação e geração de resumos de obras literárias de longa extensão (romances) de forma estruturada. Ela opera em múltiplos níveis de granularidade (cena, capítulo e livro completo), dividindo o texto de forma a respeitar as quebras naturais de cena do autor para evitar perda de coerência temporal e sem estourar as janelas de contexto limitadas de modelos de linguagem locais.

Quando usar

Gatilhos concretos e observáveis:

• O escritor encerra a redação de um capítulo ou cena (save de arquivo).
• O autor solicita explicitamente um resumo estruturado da obra ou de um conjunto de capítulos no painel do romance.
• Ocorre a importação em lote de um manuscrito longo inédito para catalogação no sistema.

Quando NÃO usar:

• Para responder a perguntas pontuais de lore (nesse caso, usar a skill recuperacao-conhecimento-qfs-narrativo).
• Em notas de worldbuilding ou brainstorm curtas.

Pré-requisitos

• Modelo de linguagem local (SLM) otimizado para resumos de longa extensão (ex: Qwen-2.5-7B ou Llama-3-8B quantizado).
• Segmentador de texto que identifique quebras de capítulos (# Capítulo N) e marcadores de quebra de cena (ex: *** ou quebras de parágrafo significativas).

Processo (passo a passo executável)

1. Montagem da Árvore de Segmentos Narrativos (ASN):
   • Dividir o manuscrito de entrada hierarquicamente:
     • Nível L1 (Folhas): Cenas individuais (blocos lógicos de 200 a 1000 palavras delimitados por marcadores do autor).
     • Nível L2 (Ramos): Capítulos estruturais (conjunto de cenas L1 de um capítulo).
     • Nível L3 (Raiz): Romance completo (conjunto de resumos L2 de capítulos).
2. Sumarização L1 (Local):
   • Para cada bloco de cena L1, executar a inferência de resumo no SLM local usando o prompt de extração factual literária. O resultado gera um resumo conciso de cena $R_{L1}$ (limite: 150 palavras).
3. Fusão Contextual L2 (Capítulo):
   • Agrupar os resumos $R_{L1}$ de um mesmo capítulo.
   • Concatenar as saídas aplicando o método de Context-Aware Hierarchical Merging (CAHM) para preencher lacunas nas bordas das cenas.
   • Gerar o resumo do capítulo completo $R_{L2}$ (limite: 300 palavras).
4. Sumarização L3 (Global):
   • Reunir todos os resumos de capítulos $R_{L2}$.
   • Processar a fusão final no SLM local para produzir a sinopse global consolidada da obra $R_{L3}$ (limite: 500 palavras), focando na progressão dramática central (protagonista, conflito e clímax).

Parâmetros e configuração

• L1_MAX_WORDS: Limite máximo de palavras para o resumo de cada cena individual. Padrão: 150.
• L2_MAX_WORDS: Limite máximo de palavras para o resumo de cada capítulo. Padrão: 300.
• L3_MAX_WORDS: Limite máximo de palavras para a sinopse global da obra. Padrão: 500.
• CHUNK_OVERLAP_SENTENCES: Sentenças de sobreposição nas bordas dos blocos de cena para manter a coesão no CAHM. Padrão: 2.

Armadilhas e como evitá-las

• Armadilha: Chunking Fixo Arbitrário: cortar o romance em fatias cegas baseando-se em contagem bruta de tokens (ex: a cada 2000 tokens) quebra sentenças e diálogos importantes no meio, gerando resumos desconexos com falhas graves de enredo. Mitigação: Forçar o sistema a segmentar o texto baseando-se estritamente em elementos semânticos estruturais (marcadores de parágrafo, quebras de cena *** e títulos de capítulos). Sentenças nunca devem ser cortadas ao meio.

Critérios de validação (Definition of Done)

• O algoritmo atinge score médio de ROUGE-1 e ROUGE-L igual ou superior a 0.38 perante o dataset BookSum.
• O score de consistência lógica (BooookScore) dos resumos globais gerados é superior a 88% em testes automatizados contra o dataset de validação.

Fundamentação científica

• DTCRS (2026) - Dynamic Tree Construction for Recursive Summarization - arXiv 2026
• CAHM (2025) - Context-Aware Hierarchical Merging for Long Document Summarization - arXiv 2025
• Kryściński, W. et al. (2021) - BookSum: Datasets for Long-form Narrative Summarization - arXiv 2021

Requisitos do projeto relacionados

• RF-52 (resumo de textos longos)
• RF-181 (mesclar textos)

Maturidade e riscos de adoção

Nível: Consolidada. A sumarização recursiva por divisão de árvore (map-reduce adaptado) é a abordagem mais sólida e consolidada de engenharia de prompt para processar textos que excedem a janela física de atenção de LLMs locais.

Exemplos

Entrada (Cena L1):

[Cena 1] Kael subiu os degraus de pedra fria com o coração palpitando. A porta do laboratório estava entreaberta. Ao entrar, deparou-se com o mago Érebo caído no chão, segurando um frasco quebrado. Érebo sussurrou: 'O traidor... está no conselho'. Kael tentou reanimá-lo, mas o mago deu seu último suspiro.

Saída esperada (Resumo L1):

Kael encontra o mago Érebo gravemente ferido em seu laboratório. Antes de morrer, Érebo revela a Kael que há um traidor no conselho real.

Caso de falha conhecido: Gerar um resumo que omita a informação crucial de morte de um personagem ou altere o culpado devido a um corte de chunk arbitrário no meio do diálogo.