O Jardim Secreto do Desenvolvedor: Como a Ontologia Espacial Alinha os LLMs Sem Prompt Engineering

Durante três semanas, desenvolvi plugins Gradle com Opencode, usando três LLMs diferentes — Kimi K2.6, GLM-5.1, e DeepSeek-V4-Pro (o único sobrevivente, mas isso é outra históriaJá coberta aqui.) Meu método de governança agentEu a documentei em detalhes em um artigo anterior. baseia-se em arquivos AsciiDoc —AGENT.adoc, INDEX.adoc, PROMPT_REPRISE.adoc— que carregam ~30 000 tokens de regras, de backlog e de histórico no início de cada sessão.

E apesar dessa infraestrutura documental, duas coisas me chamaram a atenção:

Eu precisava de um mecanismo de alinhamento que não dependesse do número de tokens no prompt.

A resposta: parar de alinhar pelo texto, e começar a alinhar peloespaço.

Meu dossiê`workspace/(em~/workspace/`) não é um repositório Git. É a raiz de todo o meu trabalho — código, documentação, formação, infraestrutura. E está estruturado em quatro áreas que não são convenções de arrumação, mas decírculos de confiança concêntricos:

NOTA: Não há nível 3 na tabela. O nível 3 é um nível transitório: é conteúdo de`office/`que foi anonimizado e está pronto para ser publicado em open data. Não tem uma zona física própria — é um estado do dado, não um local.

Cada nível responde a uma pergunta específica :

Esta ontologia éconsumível por um LLM. Quando ele lê um arquivo dentro`foundry/plantuml-gradle/src/`, ele sabe implicitamente: "estou no círculo 4 — código público, testes obrigatórios, sem segredos, sem dados pedagógicos". Ele não precisa de um prompt que o lembre.

Comparemos as duas abordagens.

Quando o LLM percorre`foundry/, ele dispõe de umtreliça de dados estruturados: nós (plugins, arquivos, testes, dependências), arestas tipadas (`import, depends_on, generates, tests), relações de composição e ordem (`training-gradle`extrai o repositório`slider-gradle`gera os slides →`capsule-gradle`reproduz o vídeo).

Esta álgebra não está escrita em nenhum lugar em texto claro — mas ela é observável. Cada`build.gradle.kts`expõe dependências. Cada`INDEX.adoc`expõe referências cruzadas.

O LLM observa esta álgebra e detecta odelta: a diferença entre o que o sistema já sabe produzir e o que a visão descreve.

A partir desse delta, ele pode definir algunscartografias de especialistas de negócio— CDA (Designer e desenvolvedor de aplicações, Kotlin/Gradle/JHipster) e FPA (Formador Profissional de Adultos, Pedagogie/Qualiopi/Bloom) — e identificar o que falta para cada especialista.

O LLM não precisa que se lhe diga o que fazer. O delta emerge da estrutura.

A álgebra relacional não é uma construção teórica. Ela é materializada por três componentes que formam umvetor composto de contextopara o LLM.

A ontologia espacial não se contente apenas de alinhar o LLM — ela lhe dá umagrade de classificação GDPRpara encaminhar cada dado para sua zona legítima

No final da sessão, o LLM executa umatarefa global:

Le `.gitignore`raiz não é um arquivo de configuração Git — é umarquivo de governança da historicização. Define o esquema que o LLM consome para decidir quais arquivos do jardim secreto entram na biografia estratégica e quais são descartáveis.

O LLM não é mais um simples gerador de texto. Ele é ogerente de informaçãodo ecossistema — produtor, classificador, roteador.

Hoje, esta governança é determinista: o LLM aplica um procedimento descrito em arquivos AsciiDoc. É afase 1— o prompt engineering com memória LLM

La fase 2extrairá cada etapa do procedimento em umatarefa Gradle tipada:

La fase 3modelará o processo de término da sessão como umgrafo de estadocomhttps://github.com/langgraph4j/langgraph4j[LangGraph4j]:

Este grafo será versionado no CI/CD, executado pelo Gradle, configurado via os GitHub Secrets dos plugins. O LLM não precisará mais decidir o roteamento — o grafo fará isso.

Aqui está o que ela traz concretamente:

Não coloco manifesto político no rodapé do meu site. Não coloco regras éticas nos meus prompts. O alinhamento não está no texto — está nosistema de arquivos.

Quando um LLM trabalha neste espaço, ele não pode vazar um segredo (o caminho o impede). Ele não pode confundir um dado pedagógico com código-fonte (a zona física é diferente). Ele não pode esquecer uma regra de segurança de 80 000 tokens — porque a regra não está no prompt, ela está no`workspace/` → configuration/→office/→`foundry/`que cada leitura de arquivo seja reativa

É o princípio do secure by design aplicado ao alinhamento do agente: não pedir ao LLM para se lembrar das regras. Fazer com que a arquitetura torne o erro estruturalmente impossível.

E a propósito, isso dá ao LLM o que nenhum prompt pode lhe dar: a capacidade deperceberonde ele está, o que existe, o que falta — e disso deduzir o que ele deve fazer.