# Plano: Fine-tuning de Modelo LLaMA para o Sistema do Mestre

## Visão Geral
Transformar o sistema de ordens estáticas em um modelo de linguagem personalizado que gere conteúdo no estilo do "Mestre".

---

## Opção A: Fine-tuning com LoRA (Recomendado)

### Recursos Necessários
| Item | Requisito Mínimo |
|------|------------------|
| GPU | 24 GB VRAM (A100 3090 4090) ou Colab Pro |
| RAM | 32 GB sistema |
| Disco | 20 GB (modelo base + logs) |
| Tempo | 2–4 horas (LoRA 8B) |

### Passos

1. **Preparação do Dataset**
   - Extrair ordens dos arquivos `dados*.py`
   - Formato JSONL:
     ```json
     {"text": "### Instruction:\nEscreva uma ordem erótica.\n### Response:\n[ordem]"}
     ```

2. **Configuração**
   - Usar `llama.cpp` + `transformers` + `peft` (LoRA)
   - Treinar com taxas de aprendizado baixas (2e-4)

3. **Conversão para GGUF**
   - Após treino, converter com `llama.cpp/tools`
   - Quantizar em Q4_K_M para velocidade

4. **Integração**
   - Substituir `LLAMACPP_BASE_URL` apontando para o novo modelo
   - Ajustar `SYSTEM_PROMPT` se necessário

---

## Opção B: Ajuste de Prompts + RAG (Sem GPU)

### Como fazer
1. Criar um "banco de ordens" em memória vetorial (FAISS)
2. No prompt, pedir para o modelo escolher/expandir do banco
3. Isso simula um modelo personalizado sem fine-tuning

### Vantagem
- Funciona com CPU
- Respostas sempre alinhadas ao estilo do projeto

---

## Dataset de Exemplo (extraído dos dados do projeto)

```json
{"text": "### Instruction:\nGere uma ordem erótica para homem e mulher.\n### Response:\n👫 CASAL HOMEM & MULHER\n⚠️ PRAZER É ORDEM. O corpo veste a camisa do prazer..."}
{"text": "### Instruction:\nGere uma ordem de masturação com gozo.\n### Response:\n💦 MAST. E GOZO INDIVIDUAL\n⚠️ GOZAR É OBRIGATÓRIO..."}
```

---

## Próximos Passos (se aprovado)

- [ ] Criar script de extração de ordens (`extract_orders.py`)
- [ ] Configurar ambiente LoRA (`train_lora.py`)
- [ ] Pipeline de conversão GGUF
- [ ] Testes de velocidade/qualidade