feat(ingest): transcrições brutas com minuto e calendário acadêmico na knowledge

[Adailtononato]

Base: features (é onde vivem ingest-knowledge.py, verify-kernelbot-sync.mjs e o workflow de sync). PR complementar no KernelBot: prompt + disciplina calendario + rótulo de fonte.

Motivação

O bot responde bem a "o que é X", mas mal a dúvida pontual sobre o que foi dito em aula ("como o professor tratou a exceção com finally?", "que comando ele rodou quando deu erro no pandas?"). Só o resumo gerado por LLM vai para o MySQL; a transcrição fica em downloads/ sem ser indexada. E não há nada sobre datas (TP, AT, PB), que é a segunda pergunta mais comum dos alunos.

O que muda

.github/scripts/knowledge_extras.py (novo)

Gera rows extra para a tabela knowledge, no mesmo formato das lições:

Tipo	discipline	slug	Conteúdo
Transcrição bruta	a da aula (config/vtt-to-content.json)	transcricao__NN__DDMMYYYY	Texto integral do .vtt com [mm:ss] a cada ~60 s; nomes de quem fala removidos (alunos aparecem na transcrição)
Calendário	calendario	calendario-YYYY-trim-N	Uma row por trimestre: resumo de entregas TP/AT/PB + grelha semanal, a partir da planilha pública do calendário acadêmico Infnet (export CSV, sem login)

• __NN__ no slug é o padrão que o KernelBot usa para rotular "Aula NN".
• Calendário indisponível (rede, planilha) vira aviso, nunca erro do ingest.
• KNOWLEDGE_EXTRAS=0 desliga; CALENDAR_CSV_URL troca a fonte; TRANSCRIPT_MARKER_SECONDS ajusta o intervalo.
• CLI local: python3 .github/scripts/knowledge_extras.py --dry-run / --dump <slug>.

ingest-knowledge.py

As rows extra entram no mesmo UPSERT e na mesma lista de ativos. Isso é essencial: a desativação NOT IN (rows) apagaria qualquer row gravada por fora. processed_keys continua só com lições (é o que o verify compara com lessons.json). Report ganha extras_count.

verify-kernelbot-sync.mjs

A contagem MySQL exclui discipline = 'calendario' e slug LIKE 'transcricao\_\_%', senão mysql_count !== lesson_count falharia sempre. O gate de catalog_only não muda; as chaves extra aparecem como index_only no /health/catalog, que o verify não penaliza.

sync-kernelbot-knowledge.yml

• workflow_run encadeado ao "Resumir transcrições (Cursor SDK)": o commit automático do resumidor leva [skip ci], logo o gatilho push em content/** nunca dispara a partir dele. Sem isto, lições novas não chegam ao MySQL sozinhas.
• Job ingest só corre em workflow_run se o resumidor terminou com sucesso.
• Corrigido JOB_STATUS do notify: a expressão ${{ … }} quebrada em várias linhas é YAML inválido (implicit keys need to be on a single line); agora é bloco >-. Era pré-existente e impedia o parse do ficheiro.

Teste (dados reais da branch)

$ python3 .github/scripts/knowledge_extras.py --dry-run
rows extra: 88  (84 transcrições + 4 trimestres de 2026)
maior content: 107.076 chars  (limite: 4.000.000)

Chunking do KernelBot (engine.database._chunk_text, 500 palavras) sobre as 84 transcrições: 1.942 chunks, 0 sem marcador no meio, 1 ponta final curta sem marcador. Maior lacuna entre marcadores: 266 palavras. Aula mais longa: 143 min.

Row do calendário (trimestre 4) gerada via URL pública, início:

Calendário acadêmico 2026 — Trimestre 4
Período: 05/10 a 19/12/2026. Fonte: calendário oficial da Infnet (…)
Resumo de entregas e avaliações:
- Entrega do TP1 — Disciplinas regulares: semana 4, 26 a 31/10/2026
- Entrega do TP2 — Disciplinas regulares: semana 6, 09 a 14/11/2026
- Entrega e arguição do AT (Assessment) — Disciplinas regulares: semana 10, 07 a 12/12/2026
…

Não testei contra MySQL real (sem credenciais); o UPSERT usa exatamente o mesmo SQL e a mesma tupla das lições.

Notas

• Transcrições contêm falas de alunos. Os nomes são removidos, mas o conteúdo continua sendo o que foi dito em aula. Vale um aviso no grupo.
• workflow_run só dispara a partir do ficheiro na branch padrão; enquanto este workflow viver só em features, o encadeamento fica inativo.
• Sugestão: ignorar __pycache__/ no .gitignore (há um .pyc versionado em .github/scripts/).

🤖 Generated with Claude Code

[Adailtononato]

Contexto da série de PRs (mesmo objetivo: aulas no bot na mesma manhã, dúvida pontual com minuto da gravação, datas de TP/AT):

1. fix(ci): reutilizar sessão autenticada — wp-login.php está atrás do Cloudflare STRIPPERscrapper#3 — destrava o scraper (wp-login.php atrás do Cloudflare desde maio; sessão reutilizada).
2. Este PR — transcrições brutas + calendário na knowledge, e o sync encadeado ao resumidor.
3. feat: fontes extra do ISS — transcrições com minuto e calendário acadêmico KernelBot#14 — o KernelBot aprende a citar minuto e a disciplina /calendario.

O 3 só faz efeito depois do 2. Fico à disposição para ajustar o que preferires.