docs: Adota Zabbix e Estratégia de Fine-tuning

Porque foi feita essa alteração? Substitui Prometheus por Zabbix Agent e detalha o fluxo de treinamento contínuo com LoRA.
Quais testes foram feitos? Revisão textual.
A alteração gerou um novo teste? Não.

.gemini/PRD_Classificacao_Bancaria.md

@@ -46,8 +46,8 @@ Este documento define os requisitos para o desenvolvimento de um Agente de Intel
 - **Resources:** Otimizado para rodar localmente limitando uso de RAM.
 
 #### 4.3 Métricas e Observabilidade
-- **Monitoramento Lógico (AgentOps):** Uso do **Langfuse** (self-hosted) para rastreamento (tracing) passo a passo de cada inferência, gestão de prompt e custo de tokens.
-- **Monitoramento de Infraestrutura:** Uso de **Prometheus + Grafana** (via cAdvisor) para monitorar consumo de CPU/RAM dos containers, garantindo que o agente respeite os limites do hardware local.
+- **Monitoramento Lógico (AgentOps):** Uso do **Langfuse** (self-hosted) para rastreamento (tracing) passo a passo de cada inferência. (Integração com Zabbix via Webhooks/API desejável, mas não obrigatória nesta fase).
+- **Monitoramento de Infraestrutura:** Uso de **Zabbix Agent** para monitoramento de CPU/RAM/IO do host e containers.
 - **Feedback Loop:** O sistema deve registrar feedback de usuário como "Scores" no trace do Langfuse para avaliação de qualidade.
 
 ### 5. Requisitos Não Funcionais
@@ -72,9 +72,11 @@ Este documento define os requisitos para o desenvolvimento de um Agente de Intel
 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.
+6. **Learning (RAG + Fine-tuning):** 
+    - **Curto Prazo:** Correções atualizam o índice do Qdrant (RAG imediato).
+    - **Médio Prazo:** Transações confirmadas compõem dataset para **Fine-tuning (LoRA)** periódico do modelo Llama 3.2. Isso "ensina" os padrões ao modelo, reduzindo a dependência de contextos longos e aumentando a velocidade.
 
 ### 8. Próximos Passos
-- [ ] 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.
+- [ ] Definir a versão exata do Llama 3.2 1B e método de quantização.
+- [ ] Configurar container Zabbix Agent.
+- [ ] Modelar pipeline de exportação de dados para Fine-tuning futuro.