Extração de Conhecimento

Extraia conhecimento de domínio estruturado e com pontuação de qualidade de qualquer modelo de IA — em sessão de modelos fechados (sem chave de API) ou localmente de modelos de código aberto via Ollama.

Visão Geral

O bdistill transforma suas sessões de assinatura de IA em uma base de conhecimento em crescimento. O agente responde a perguntas específicas do domínio, o bdistill estrutura e pontua a qualidade das respostas, e a saída se acumula em um conjunto de dados de referência pesquisável e exportável.

O modo adversarial desafia as afirmações do agente — exigindo evidências, correções e limitações reconhecidas — produzindo candidatos gerados pelo modelo para revisão independente de fontes; a autocorreção adversarial não é validação externa.

Quando Usar Esta Habilidade

• Use quando precisar de dados de referência estruturados sobre qualquer domínio (médico, jurídico, financeiro, cibersegurança)
• Use ao construir tabelas de consulta, conjuntos de dados de Perguntas e Respostas ou corpora de pesquisa
• Use ao gerar dados de treinamento para modelos de ML tradicionais (regressão, classificação — NÃO LLMs concorrentes)
• Use quando quiser comparação entre modelos sobre conhecimento de domínio

Como Funciona

Passo 1: Instalar

pip install bdistill
claude mcp add bdistill -- bdistill-mcp   # Claude Code

Passo 2: Extrair conhecimento em sessão

/distill medical cardiology                    # Preset domain
/distill --custom kubernetes docker helm       # Custom terms
/distill --adversarial medical                 # With adversarial validation

Passo 3: Pesquisar, exportar, compor

bdistill kb list                               # Show all domains
bdistill kb search "atrial fibrillation"       # Keyword search
bdistill kb export -d medical -f csv           # Export as spreadsheet
bdistill kb export -d medical -f markdown      # Readable knowledge document

Formato de Saída

JSONL de referência estruturada — não dados de treinamento:

{
  "question": "What causes myocardial infarction?",
  "answer": "Myocardial infarction results from acute coronary artery occlusion...",
  "domain": "medical",
  "category": "cardiology",
  "tags": ["mechanistic", "evidence-based"],
  "quality_score": 0.73,
  "confidence": 0.73,
  "validated": false,
  "source_model": "<actual host model recorded at run time>"
}

As pontuações numéricas são metadados ilustrativos e não calibrados; a verificação independente de fontes está ausente neste exemplo.

Geração de Dados de ML Tabular

Gere dados de treinamento estruturados para modelos de ML tradicionais:

/schema sepsis | hr:float, bp:float, temp:float, wbc:float | risk:category[low,moderate,high,critical]

Exporta como CSV pronto para pandas/sklearn. Cada linha rastreia source_model para análise entre modelos.

Extração de Modelo Local (Ollama)

Para modelos de código aberto executados localmente:

# Install Ollama from https://ollama.com
ollama serve
ollama pull qwen3:4b

bdistill extract --domain medical --model qwen3:4b

Notas de Segurança e Proteção

• A extração em sessão usa sua assinatura existente — sem chaves de API adicionais
• A extração local é executada inteiramente em sua máquina via Ollama
• A extração em sessão usa o provedor de hospedagem e sua política de dados; não é offline. Um endpoint Ollama genuinamente local mantém a inferência local, mas o download de modelos/instalação de pacotes usa a rede. Verifique os endpoints e o processamento de dados aprovado antes do uso
• A saída são dados de referência, não formato de treinamento de LLM

Habilidades Relacionadas

• @bdistill-behavioral-xray - Raio-X dos padrões comportamentais de um modelo

Limitações

• Conteúdo médico, jurídico, financeiro ou de segurança gerado precisa de evidências autoritativas independentes e revisão de domínio datadas; quality_score/confidence não são precisão clínica/jurídica ou probabilidades calibradas. Não coloque registros pessoais em corpora gerados ou use rótulos sintéticos como resultados reais de pacientes.
• A instalação do MCP ou o download de modelos são separados da extração; use um ambiente revisado e respeite a autorização de host/configuração.
• Não trate a saída como substituta para validação, teste ou revisão de especialista específica do ambiente.
• Pare e peça esclarecimentos se os inputs necessários, permissões, limites de segurança ou critérios de sucesso estiverem ausentes.