Arquitetura da Solução

Diagrama Arquitetural do MVP

Legenda

• 🧱 (Blocos de Código): Serviços, componentes de software, processos.
• 🗂️ (Arquivos/Dados): Fontes de dados estáticas ou artefatos gerados.
• 🗄️ (Banco de Dados): Soluções de armazenamento persistente.
• ☁️ (Serviço Externo): APIs de terceiros.
• 👤 (Ator): Usuário humano do sistema.

---

Camada FRONTEND (Python)

A camada de interação direta com o 👤 Cidadão. É responsável por toda a experiência do usuário.

• Chatbot (Streamlit): Ponto de entrada do usuário. Renderiza um formulário que simula a página de envio de manifestações (inspirado no fala.BR) e contêm o chatbot que irá consumir o sistema de IA. Utilização do Streamlit para criação da UI do projeto usando python.

Camada BACKEND (Python)

O núcleo do sistema, responsável pela lógica de negócios, processamento de ML e gerenciamento de dados. É composto por serviços que se comunicam internamente.

• API Gateway (RestAPI): Ponto de entrada único do backend (Single Point of Entry). Construído em FastAPI, gerencia todas as requisições HTTP, roteando-as para os serviços internos apropriados.

• Serviço RAG: Responsável pela Geração Aumentada por Recuperação (RAG). Utiliza o LlamaIndex para:

  1. Receber a consulta (e o histórico de chat).
  2. Buscar por contexto relevante no 🗄️ Banco Vetorial (Qdrant).
  3. Construir o prompt final (consulta + contexto + regras de prompt) e enviá-lo para a ☁️ LLM (Ollama).
  4. Gerenciar a memória da conversa por sessão de usuário.

  OBS: Para o MVP 1, o Serviço RAG também é responsável por utilizar a LLM para classificar a intenção do usuário e realizar a classficação dos campos.

Camada de PIPELINES DE TREINAMENTO (Offline)

Processos executados em lote ("offline") que criam os artefatos de ML e os dados necessários para o funcionamento dos serviços de backend.

• Scrapers: Scripts (usando BeautifulSoup) que varrem os 🗂️ Sites Governamentais (URL) em busca de manuais, leis e documentos públicos.
• Ingestão RAG: Pipeline do LlamaIndex que recebe os 🗂️ Documentos (PDF) e os dados processados pelos Scrapers. Ele é responsável por dividir (chunking), vetorizar (embedding) e inserir esse conhecimento no 🗄️ Banco Vetorial (Qdrant).

Banco de Dados e Serviços Externos

Componentes de armazenamento e APIs de terceiros que suportam a arquitetura.

• Banco Vetorial (Qdrant): Por meio da pipeline Ingestão RAG Armazena o conhecimento da organização (documentos, manuais, heurísticas) em formato de vetores. É lido pelo Serviço RAG para realizar buscas semânticas rápidas.
• LLM (Ollama): Serviço externo que atua como o cérebro de geração de linguagem. É chamado pelo Serviço RAG para formular as respostas finais ao usuário.

[Esboço] Diagrama Arquitetural Completo