docs: Refatora PRD com arquitetura de API e LLM Local

Porque foi feita essa alteração? Ajuste completo do escopo para remover ingestão de arquivos e focar em consumo via API, RAG com Llama 3 local e execução CPU-only, conforme feedback do usuário.
Quais testes foram feitos? Revisão do documento.
A alteração gerou um novo teste que precisa ser implementado no pipeline de testes? Não.

.gemini/PRD_Classificacao_Bancaria.md

@@ -2,74 +2,67 @@
 ## Agente de IA para Classificação de Transações Bancárias
 
 ### 1. Visão Geral
-Este documento define os requisitos para o desenvolvimento de um Agente de Inteligência Artificial especializado na análise, categorização e classificação de transações bancárias. O objetivo é automatizar o processo de conciliação financeira, transformando dados brutos de extratos em informações organizadas e acionáveis.
+Este documento define os requisitos para o desenvolvimento de um Agente de Inteligência Artificial especializado na classificação de transações bancárias. O sistema operará exclusivamente via API, consumindo dados já tratados e utilizando técnicas de RAG (Retrieval-Augmented Generation) para sugerir classificações com base em histórico prévio, priorizando eficiência em ambientes com restrição de hardware (CPU-only).
 
 ### 2. Objetivos do Produto
-- **Automação:** Reduzir em 90% o trabalho manual de classificação de lançamentos financeiros.
-- **Precisão:** Alcançar uma taxa de assertividade superior a 95% na categorização automática.
-- **Inteligência:** Identificar padrões de recorrência e anomalias (possíveis fraudes ou erros).
-- **Escalabilidade:** Capaz de processar milhares de transações em segundos.
+- **Classificação Inteligente:** Categorizar transações com base na descrição, utilizando similaridade (RAG) e inferência de modelo local.
+- **Eficiência de Recurso:** Operar com baixo consumo de RAM e exclusivamente em CPU.
+- **Desacoplamento:** Interação exclusiva via API, sem interface direta com usuário final.
+- **Autonomia:** Processamento assíncrono sem bloqueio aguardando feedback humano imediato.
 
 ### 3. Escopo
 #### 3.1 Incluso
-- Leitura de extratos bancários em formatos padrão (OFX, CSV, Excel, PDF).
-- Processamento de Linguagem Natural (NLP) para entender descrições de transações (ex: "IFOOD *BR" -> "Alimentação").
-- Aprendizado contínuo com feedback do usuário.
-- Geração de relatórios categorizados.
+- Integração via API para recebimento de dados de transações (já parseados).
+- Busca de transações similares em base vetorial (RAG).
+- Motor de inferência utilizando LLM Local (Llama 3).
+- Cálculo de taxa de acerto e confiança.
+- Mecanismo de feedback diferido (Human-in-the-loop passivo).
 
-#### 3.2 Não Incluso (nesta fase)
-- Integração direta via API bancária (Open Finance) - *Fase 2*.
-- Execução de pagamentos ou transferências.
-- Gestão de fluxo de caixa (Dashboard financeiro complexo).
+#### 3.2 Não Incluso
+- Leitura ou parsing de arquivos (OFX, CSV, PDF, Excel).
+- OCR ou extração de dados de imagens.
+- Interface de usuário direta para o agente (o agente é um backend service).
+- Bloqueio de execução por espera humana.
 
 ### 4. Funcionalidades Principais
 
-#### 4.1 Ingestão de Dados
-O sistema deve aceitar arquivos de upload contendo extratos bancários.
-- **Entrada:** Arquivos .csv, .xlsx, .ofx.
-- **Processamento:** Normalização de datas, valores e descrições.
+#### 4.1 Interface de Entrada
+- O agente não processa arquivos. Ele expõe endpoints ou consome filas onde recebe objetos JSON contendo os dados da transação (ID, Descrição, Valor, Data, metadados).
 
-#### 4.2 Motor de Classificação (Core AI)
-O agente deve analisar a descrição da transação e atribuir uma:
-1. **Categoria Principal** (ex: Despesas Administrativas).
-2. **Sub-categoria** (ex: Material de Escritório).
-3. **Tags** opcionais (ex: #reembolsavel, #projeto-alpha).
+#### 4.2 Motor de Classificação (Core AI - RAG + LLM Local)
+- **Estratégia:**
+    1. Recebe a descrição da transação.
+    2. Consulta banco vetorial para encontrar transações passadas similares já classificadas (pelo agente ou humanos).
+    3. LLM (Llama 3) analisa a descrição atual + exemplos recuperados (Contexto).
+    4. Define a Categoria e Subcategoria.
+- **Resources:** Otimizado para rodar localmente limitando uso de RAM.
 
-Exemplos de mapeamento:
-- `UBER DO BRASIL` -> Transporte
-- `AWS EMEA` -> Infraestrutura / Cloud
-- `PAGTO ELETRON COBRANCA` -> Tarifas Bancárias
-
-#### 4.3 Detecção de Padrões e Anomalias
-- **Vencimentos Recorrentes:** Identificar pagamentos que se repetem mensalmente.
-- **Anomalias:** Alertar sobre valores muito acima da média para um determinado fornecedor.
-
-#### 4.4 Interface de Correção (Human-in-the-loop)
-O sistema deve apresentar as classificações com um "Score de Confiança".
-- Baixa confiança (< 70%): Solicitar revisão manual.
-- Alta confiança (> 90%): Aprovação automática (configurável).
+#### 4.3 Métricas e Feedback
+- **Dashboard de Métricas:** Exposição de dados sobre taxa de acerto e confiança do modelo.
+- **Feedback Loop:** O sistema deve permitir que uma aplicação externa envie a correção de uma classificação. Essa correção é salva no banco para refinar futuras buscas RAG.
 
 ### 5. Requisitos Não Funcionais
-- **Privacidade:** Dados sensíveis devem ser anonimizados antes de serem processados por LLMs externos, se aplicável.
-- **Performance:** Tempo de resposta < 2 segundos por transação em lote.
-- **Portabilidade:** Deve rodar localmente ou em container Docker.
+- **Hardware:** Execução exclusiva em CPU. Mínimo consumo de RAM plausível.
+- **Privacidade:** Dados processados localmente. Sem envio para APIs externas (OpenAI/Anthropic).
+- **Latência:** Foco em throughput, aceitável latência de inferência local desde que não trave a aplicação chamadora.
 
-### 6. Stack Tecnológica Sugerida
-- **Linguagem:** Python 3.10+
-- **Framework de Agentes:** CrewAI, LangChain ou Phidata.
-- **LLM:** OpenAI GPT-4o, Anthropic Claude 3.5 Sonnet (para raciocínio complexo) ou modelos locais (Llama 3, Mistral) para privacidade.
-- **Base de Dados:** PostgreSQL ou SQLite para armazenamento estruturado; ChromaDB ou Qdrant para busca semântica (RAG) de históricos de classificação.
+### 6. Stack Tecnológica Definida
+- **Linguagem:** Python (Versão travada: 3.12.1).
+- **Framework:** A definir (LangChain ou implementação customizada leve).
+- **LLM:** Llama 3 (versão otimizada para CPU/Local, ex: GGUF/Ollama se aplicável).
+- **Base de Dados:**
+    - **Relacional:** PostgreSQL (para dados estruturados, logs, ponteiros).
+    - **Vetorial:** Solução integrada ou leve para RAG, indexando descrições e classificações históricas.
 
-### 7. Fluxo de Execução (High-Level)
-1. **Input:** Usuário envia `extrato.csv`.
-2. **Parser:** Script converte para JSON padronizado.
-3. **Agent:**
-    - Consulta base vetorial para ver se já classificou algo similar antes (Few-Shot Learning).
-    - Se não, usa LLM para inferir categoria baseada na descrição.
-4. **Output:** JSON/CSV enriquecido com colunas `Categoria`, `Subcategoria` e `Confiança`.
-5. **Feedback:** Usuário corrige/valida e o sistema salva o exemplo para futuro fine-tuning/RAG.
+### 7. Fluxo de Execução
+1. **Trigger:** Aplicação externa envia transação via API para o Agente.
+2. **Retrieval:** Agente busca no VectorDB as "Top-K" transações mais parecidas semanticamente com a atual.
+3. **Inference:** Prompt montado com a Transação Atual + Exemplos Recuperados é enviado ao Llama 3 Local.
+4. **Result:** Agente retorna a classificação sugerida + Score de Confiança.
+5. **Human Review (Assíncrono):** Através da aplicação principal, o usuário valida.
+6. **Learning:** Se houve correção, a aplicação notifica o Agente/Banco para atualizar o "Golden Record" usado no RAG.
 
 ### 8. Próximos Passos
-- [ ] Definir a taxonomia padrão de categorias (Plano de Contas).
-- [ ] Criar dataset de validação (Golden Dataset).
-- [ ] Implementar MVP com script Python simples e chamada de API LLM.
+- [ ] Definir a versão exata do Llama 3 e método de quantização para CPU.
+- [ ] Modelar o schema do banco de dados (Tabela de Transações vs Tabela de Embeddings).
+- [ ] Configurar ambiente Python 3.12 travado.