feat: Adiciona PRD para agente de classificação bancária

Porque foi feita essa alteração? Criação do documento de requisitos (PRD) para guiar o desenvolvimento do agente de classificação bancária.
Quais testes foram feitos? Não se aplica a arquivos de documentação.
A alteração gerou um novo teste? Não.

.gemini/PRD_Classificacao_Bancaria.md

@@ -0,0 +1,75 @@
+# PRD - Product Requirements Document
+## 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.
+
+### 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.
+
+### 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.
+
+#### 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).
+
+### 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.
+
+#### 4.2 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).
+
+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).
+
+### 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.
+
+### 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.
+
+### 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.
+
+### 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.