diff --git a/.gemini/PRD_Classificacao_Bancaria.md b/.gemini/PRD_Classificacao_Bancaria.md
index 898b091..8f87050 100644
--- a/.gemini/PRD_Classificacao_Bancaria.md
+++ b/.gemini/PRD_Classificacao_Bancaria.md
@@ -69,9 +69,7 @@ Este documento define os requisitos para o desenvolvimento de um Agente de Intel
     - **Vetorial (RAG):** **Qdrant**. Configurado com `on_disk: true` e quantização escalar para economia de RAM.
     - **Embeddings:** `BGE-small-en-v1.5` ou similar (FastEmbed) para geração rápida em CPU.
 
-6. **Learning (RAG + Fine-tuning):** 
-    - **Curto Prazo:** Correções atualizam o índice do Qdrant (RAG imediato).
-    - **Médio Prazo (Ciclo MLOps):** Transações acumuladas disparam pipeline de treino LoRA. O novo adaptador é salvo, versionado e submetido a benchmark antes de ser ativado.
+
 
 ### 7. MLOps e Data Flywheel (Pipeline RAG Completo)
 O pipeline RAG não serve apenas para inferência, mas é o **motor de geração de dataset** para o Agente.
@@ -86,11 +84,11 @@ O pipeline RAG não serve apenas para inferência, mas é o **motor de geração
     5. **Exportação:** Script `export_dataset.py` gera arquivo JSONL formatado para LoRA (`instruction`, `input`, `output`) a partir apenas de exemplos validados.
 
 - **Model Registry & Git Flow:**
-    - Todo novo treino gera um commit automático em uma branch isolada `model-candidates/v{TIMESTAMP}`.
+    - Todo novo treino gera um commit automático em uma branch isolada `candidatos-pos-treino/v{DATA}`.
     - O artefato (`adapter.gguf`) é salvo e preservado independente do resultado do benchmark.
 - **Benchmarking e Promoção (Nível 1 - Manual):**
     - O sistema roda o teste comparativo e anexa o relatório no Pull Request ou Issue.
-    - **Aprovação:** Se aprovado pelo humano, faz merge para `main` e o deploy ocorre.
+    - **Aprovação:** Se aprovado pelo humano, faz merge para `iris-classificacao-bancaria` e o deploy ocorre.
     - **Reprovação:** Se reprovado, a branch é mantida para análise histórica (não é descartada), mas o PR é fechado/ignorado.
 
 ### 8. Fluxo de Execução
@@ -101,6 +99,8 @@ O pipeline RAG não serve apenas para inferência, mas é o **motor de geração
 5. **Human Review (Assíncrono):** Através da aplicação principal, o usuário valida.
 6. **Learning:** Integração com pipeline de MLOps descrito acima.
 
-    - [x] Definir versão exata do Llama 3.2 1B e método de quantização (Q4_K_M) <!-- id: 14 -->
-    - [x] Modelar pipeline de exportação de dados para Fine-tuning futuro (Data Flywheel) <!-- id: 15 -->
-    - [ ] Configurar container Zabbix Agent.
+### 9. Próximos Passos
+- [x] Definir versão exata do Llama 3.2 1B e método de quantização (Q4_K_M) <!-- id: 14 -->
+- [x] Modelar pipeline de exportação de dados para Fine-tuning futuro (Data Flywheel) <!-- id: 15 -->
+- [ ] Configurar container Zabbix Agent.
+