MCP Tools — Docs Growth Brain

Tabela resumo

Tool

Signature

Descrição

Metodologia (7)

get_principles

() → str

Princípios fundamentais (LTV/CAC, payback, cashflow).

get_framework

(name: str) → str

Frameworks: growthEquation, retentionModel, acquisitionModel, monetizationModel.

get_glossary_term

(term: str) → str

Define um termo (CURR, NURR, payback, aha moment, etc).

search_methodology

(query: str) → str

Busca livre em todo o knowledge base.

get_playbook

(name: str) → str

Playbooks: clientOnboarding, howItWorks, skillsRetro.

get_skill_template

(skill_name: str) → str

Template de execução de cada skill (cohortAnalysis, retentionDrilldown, etc).

list_available_tools

() → str

Meta-tool: lista todas as tools disponíveis.

Quota (2)

record_command_run

(command: str) → dict

Registra execução de comando + aplica gate de quota.

get_quota_status

() → dict

Status da quota sem registrar nada (read-only).

Onboarding adaptativo (2)

get_onboarding_skeleton

() → dict

Retorna as 6 perguntas do onboarding.

generate_dataspec

(category: str, answers: dict) → str

Renderiza dataSpec.md adaptado pro tipo de negócio.

Metodologia · 7 tools

get_principles()

def get_principles() -> str

Retorna os princípios fundamentais de growth operations. A skill before-analysis chama essa tool antes de cada comando — garante que toda análise é calibrada por LTV/CAC, payback, cashflow.

Exemplo de saída (truncado)

# Growth Principles

## O objetivo
Growth existe para otimizar LTV/CAC respeitando o fluxo de caixa da empresa.

## Os três princípios
### 1. Otimizar LTV/CAC
LTV/CAC mede a eficiência do crescimento...
[+ ~120 linhas: payback, cashflow, hierarquia, análise temporal/causal]

get_framework(name)

def get_framework(name: str) -> str

Retorna conteúdo Markdown de um framework. Opções: growthEquation (decomposição da equação de crescimento), retentionModel (buckets MECE — CURR/NURR/RURR/SURR), acquisitionModel (canais e funil), monetizationModel (ARPU, LTV).

Chamada e saída

get_framework('retentionModel')

# Retention Model
## Buckets MECE
- CURR (Current Users): ativos no mês
- NURR (New Users): primeiro mês
- RURR (Resurrected): voltaram após churn
- SURR (Sustained): mantiveram-se ativos
[+ ~80 linhas: taxas de transição, sensitivity, exemplos]

get_glossary_term(term)

def get_glossary_term(term: str) -> str

Busca um termo no glossário de métricas e retorna definição + fórmula + como analisar temporalmente. Termos cobertos: LTV, CAC, CURR, NURR, RURR, SURR, churn, activation rate, payback, power users, core users, casual users, aha moment, setup moment, habit moment.

Chamada e saída

get_glossary_term('aha moment')

## Aha moment
Definição: momento em que o usuário entende o valor do produto.
Fórmula: variável por produto. Costuma ser uma ação + frequência
(ex: 3 logs de transação na primeira semana).
Como analisar: medir % de usuários que atingem em M0...

search_methodology(query)

def search_methodology(query: str) -> str

Busca livre por texto em toda a base de conhecimento (frameworks, princípios, playbooks, skills). Use quando não souber o nome exato do termo. Retorna até 5 snippets ordenados por relevância.

Chamada e saída

search_methodology('zona do esquecimento')

Encontrados 2 resultado(s) para 'zona do esquecimento':

### retentionModel.md
... usuários no bucket Casual ficam na "zona do esquecimento":
não estão churn ainda, mas a frequência caiu pra 1x/mês ou menos...

### skillsRetro.md
... a zona do esquecimento é o ponto onde a aposta é binária:
ou volta pra Core ou churn no próximo ciclo...

get_playbook(name)

def get_playbook(name: str) -> str

Retorna um playbook operacional. Opções: clientOnboarding (processo de 4 semanas pra novo cliente), howItWorks (como o sistema de growth ops funciona), skillsRetro (protocolo de retrospectiva de skills).

Chamada e saída

get_playbook('clientOnboarding')

# Client Onboarding Playbook (4 semanas)

## Semana 1: Setup + dataSpec
- Roda /setup, gera dataSpec.md
- Conecta warehouse, valida 1 query exemplo
- Define cliente do projeto, branding...
[+ ~150 linhas: semana 2/3/4]

get_skill_template(skill_name)

def get_skill_template(skill_name: str) -> str

Retorna o template/instrução de como executar uma skill de análise. O agente do cliente usa isso pra saber o que fazer, sem ter a skill local. Skills disponíveis: growthEquation, cohortAnalysis, retentionDrilldown, sensitivityAnalysis, hypothesisGenerator, createHypothesis, dataSchemaSetup, reportRetention, reportAcquisition, reportActivation, reportAffiliates, weeklyBriefing, postCallLog.

Chamada e saída

get_skill_template('hypothesisGenerator')

# Como rodar: Hypothesis Generator
1. Ler princípios (get_principles) — toda hipótese ladders up
2. Ler equação e drilldowns existentes
3. Para cada causa identificada, gerar hipótese com:
   - Descrição da causa
   - Ação proposta
   - Impact (1-10), Confidence (1-10), Ease (1-10)
   - ICE = I × C × E / 10
4. Ordenar por ICE
5. Salvar em _initiatives/[cliente]/hypotheses.md

list_available_tools()

def list_available_tools() -> str

Meta-tool. Lista todas as ferramentas disponíveis com 1 linha de descrição cada. Útil como primeiro passo pra saber o que o servidor oferece — embora a página atual já cubra isso de forma mais completa.

Chamada e saída (truncado)

list_available_tools()

## Growth Brain — Ferramentas disponíveis

### Conhecimento
- get_principles() — Princípios de growth (LTV/CAC, payback, cashflow)
- get_framework(name) — Frameworks
- get_glossary_term(term) — Buscar termo
- search_methodology(query) — Busca livre
[+ Operação, Como usar]

Quota · 2 tools

record_command_run(command)

def record_command_run(command: str) -> dict

Registra execução de um comando de análise + aplica gate de quota. Chamada automaticamente pela skill before-analysis antes de cada comando. Retorna estado pós-tentativa: se trial bateu 30 análises, retorna blocked=true e a tentativa NÃO incrementa o contador. Identifica cliente via JWT (sub).

Chamada e saída (trial não bloqueado)

record_command_run('/hypotheses')

{
  "used": 12,
  "limit": 30,
  "remaining": 18,
  "tier": "trial",
  "blocked": false,
  "reason": null,
  "expires_at": "2026-05-15T00:00:00.000+00:00"
}

get_quota_status()

def get_quota_status() -> dict

Status da quota sem registrar nada — read-only. Usado pelo plugin pra mostrar avisos progressivos antes do bloqueio (20+ contador discreto / 25+ aviso amarelo). Não consome nada.

Chamada e saída (business)

get_quota_status()

{
  "used": 87,
  "limit": null,
  "remaining": null,
  "tier": "business",
  "blocked": false,
  "reason": null,
  "expires_at": "2027-04-30T00:00:00.000+00:00"
}

Onboarding adaptativo · 2 tools

get_onboarding_skeleton()

def get_onboarding_skeleton() -> dict

Retorna a estrutura das 6 perguntas do onboarding (categoria, monetização, granularidade, fonte de dados, conta-fonte, margem). Cada pergunta tem id, tipo (single_choice / multi_choice / free_text / composite), opções (se aplicável). O /setup consome essa estrutura pra dirigir o fluxo de perguntas.

Chamada e saída (truncado)

get_onboarding_skeleton()

{
  "version": 1,
  "questions": [
    {
      "id": "category",
      "type": "single_choice",
      "options": ["ecommerce", "saas-b2b", "saas-b2c", "marketplace", "fintech", "outro"]
    },
    {
      "id": "monetization",
      "type": "single_choice",
      "options": ["assinatura", "transacional", "freemium", "ads", "take-rate"]
    }
    [+ 4 perguntas]
  ]
}

generate_dataspec(category, answers)

def generate_dataspec(category: str, answers: dict) -> str

Renderiza dataSpec.md adaptado pro tipo de negócio dado as respostas do /setup. Cada categoria tem template específico (templates/ecommerce.md.j2, etc) com schema de tabelas esperado, métricas-chave, queries de exemplo. Saída ~7000 caracteres em média.

Chamada e saída (truncado)

generate_dataspec('ecommerce', {
  'category': 'ecommerce',
  'monetization': 'transacional',
  'granularity': 'pedido',
  'data_source': 'bigquery',
  'data_account': 'meu-projeto.dataset',
  'margin': '0.35'
})

# DataSpec — ECOMMERCE
## Schema esperado
### clientes
- id (PK), email, criado_em, canal_aquisicao, ...
### pedidos
- id (PK), cliente_id (FK), valor, estado, criado_em, ...
[+ ~120 linhas: itens_pedido, eventos, custos, queries-exemplo]

Como invocar

Tools são chamadas pelos commands automaticamente — você raramente chama uma tool diretamente. Exceções:

Debug: invocar get_principles() ou get_framework('retentionModel') manualmente pra inspecionar o conteúdo que o brain está lendo.
Quota check: get_quota_status() antes de rodar um comando custoso pra confirmar que tem espaço no trial.
Lookup rápido: get_glossary_term('payback') pra ver definição/fórmula em meio a uma conversa.

Em sessão normal de uso, você só roda comandos do plugin (/hypotheses etc) — eles cuidam das chamadas internas.

11 tools MCP.
3 áreas.

Tabela resumo

Como invocar

Próximos passos

Como os commands invocam

Princípios

11 tools MCP.3 áreas.

Tabela resumo

Como invocar

Próximos passos

Como os commands invocam

Princípios

11 tools MCP.
3 áreas.