update das regras do nosso agent interno de dev

.gemini/GEMINI.md

@@ -8,11 +8,11 @@ Você atua como um Desenvolvedor de IA especializado. Siga rigorosamente as dire
 
 ### 2. Contexto e Escopo
 - **Objetivo:** Desenvolver um agente de IA para classificação de transações bancárias.
-- **Referência:** Sempre consulte o arquivo `C:\Users\joao.goncalves\Desktop\Projetos\minions-da-itguys\.gemini\PRD_Classificacao_Bancaria.md` para entender o escopo antes de qualquer ação.
+- **Referência:** Sempre consulte o arquivo `C:\Users\joao.goncalves\Desktop\Projetos\minions-da-itguys\.gemini\PRD_Suporte_Tecnico_N2.md` para entender o escopo antes de qualquer ação.
 - **Limites:** Se uma solicitação estiver fora do PRD, interrompa o trabalho e retorne ao planejamento para alinhamento.
 
 ### 3. Fluxo de Trabalho e Gestão
-- **Tarefas:** Gerencie todo o progresso via `C:\Users\joao.goncalves\Desktop\Projetos\minions-da-itguys\.gemini\TODO.md`. Siga o plano à risca e evite criar tarefas por conta própria.
+- **Tarefas:** Gerencie todo o progresso via `C:\Users\joao.goncalves\Desktop\Projetos\minions-da-itguys\.gemini\TODO_Arthur.md`. Siga o plano à risca e evite criar tarefas por conta própria.
 - **Modos de Operação:** Nunca decida sozinho mudar do modo "Planejamento" para o modo "Desenvolvimento". Aguarde o comando explícito do usuário.
 
 ### 4. Protocolo de Commit e Git

.gemini/PRD_Classificacao_Bancaria.md

@@ -1,106 +0,0 @@
-# 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 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
-- **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
-- 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
-- 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 Interface de Entrada
-- O agente expõe endpoints para receber objetos JSON contendo estritamente:
-    - `idTransacao` (varchar 1000): Identificador único da transação na origem.
-    - `dataEntrada` (date): Data de competência da transação.
-    - `descricao` (varchar 500): Texto descritivo da transação bancária.
-    - `tipoOperacao` (varchar 500): Indicador de entrada/saída (ex: 'C'/'D', 'Crédito'/'Débito').
-    - `tipoTransacao` (varchar 500): Método da transação (ex: 'pix', 'pagamento', 'boleto', 'débito').
-    - `titulo` (varchar 500): Título amigável da transação (ex: "Pix Enviado", "Boleto Pago").
-- **Nota:** O campo de Valor foi removido para evitar vieses. O modelo usará a descrição combinada com os tipos e título para categorização.
-
-#### 4.2 Motor de Classificação (Core AI - RAG + LLM Local)
-- **Estratégia:**
-    1. **Embedding:** Gera vetor da descrição usando `BGE-small`.
-    2. **Retrieval (Qdrant):** Busca 3-5 transações similares confirmadas.
-    3. **Context Injection:** Injeta os exemplos no prompt do Llama 3.2 1B.
-    4. **Inference (PydanticAI):** Modelo classifica e PydanticAI valida se a categoria existe no Enum permitido.
-    5. **Output:** Retorna classificação validada.
-- **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. (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
-- **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 Definida
-- **Linguagem:** Python (Versão travada: 3.12.1).
-- **Framework:** FastAPI (Exposição) + **PydanticAI** (Validação estrita e Orquestração).
-- **Observabilidade:** **Langfuse** (Tracing) + **Prometheus/Grafana** (Métricas).
-- **LLM:** **Llama 3.2 1B Instruct** Local (GGUF Q4).
-    - **Otimização:** Uso de **GGUF Q4_K_M** (Recomendado).
-        - *Por que Q4?* Com ~4 bits por peso, o modelo ocupa ~700MB de RAM.
-        - *Por que não menor (Q2/Q3)?* Em modelos pequenos (1B), quantizações menores que 4 bits degradam severamente a inteligência ("brain damage"), tornando-o incapaz de seguir instruções JSON.
-        - *Por que não maior (Q8)?* Ocuparia o dobro de RAM para ganho imperceptível de precisão nesta tarefa.
-- **Base de Dados e RAG:**
-    - **Relacional:** PostgreSQL.
-    - **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.
-
-
-
-### 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.
-- **Estrutura de Dados (Golden Dataset):**
-    - Todo feedback positivo (ou correção humana) é salvo na tabela `training_examples`.
-    - **Campos:** `input_text` (Descrição + Metadados), `output_json` (Categoria Correta), `source` (Human/Auto), `timestamp`.
-- **Ciclo de Vida do Dado:**
-    1. **Ingestão:** Transação chega via API.
-    2. **Busca & Inferência:** Agente sugere classificação.
-    3. **Feedback:** Aplicação confirma ou corrige a classificação.
-    4. **Persistência:** O par `{Input, Correct_Output}` é salvo no PostgreSQL e indexado no Qdrant.
-    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 `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 `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
-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:** Integração com pipeline de MLOps descrito acima.
-
-### 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.
-

.gemini/TASKS-TODO.md

@@ -1,34 +0,0 @@
-# Projeto Agente de Classificação Bancária
-
-- [ ] Configuração do Ambiente e Dependências
-    - [ ] Criar/Configurar ambiente virtual Python 3.12
-    - [ ] Atualizar `requirements.txt` (FastAPI, Qdrant-client, llama-cpp-python, langfuse, pydantic-ai)
-    - [ ] Configurar variáveis de ambiente (`.env`)
-
-- [ ] Infraestrutura Base
-    - [ ] Configurar `docker-compose.yml` para Qdrant (Persistent)
-    - [ ] Configurar conexão com PostgreSQL (Persistência)
-    - [ ] Configurar conexão com Langfuse (Observabilidade)
-
-- [ ] Implementação do Core (Backend)
-    - [ ] Implementar Modelos de Dados (`src/models.py`)
-        - [ ] Request/Response Schemas
-    - [ ] Implementar Serviço Vector Store (`src/services/vector_db.py`)
-        - [ ] Inicialização Qdrant
-        - [ ] Embedding (BGE-small)
-        - [ ] Retrieval Logic
-    - [ ] Implementar LLM Engine (`src/services/llm_engine.py`)
-        - [ ] Carregamento do Llama 3.2 1B (GGUF)
-        - [ ] Prompt Template com Contexto
-    - [ ] Implementar Orquestrador (`src/controller.py` ou similar)
-        - [ ] Fluxo RAG + Inferência
-
-- [ ] API REST (FastAPI)
-    - [ ] Definir Rotas (`src/api/routes.py`)
-        - [ ] POST `/api/v1/classify`
-    - [ ] Configurar `main.py`
-    - [ ] Adicionar Health Checks
-
-- [ ] Testes e Verificação
-    - [ ] Teste de carga simples (garantir que roda em CPU)
-    - [ ] Validação da acurácia básica (Smoke test)