Compare commits
No commits in common. "29bbe0ec00d7a3f8534fefb86440e67de79e687d" and "d13418d70801e471b18b0080cf061e874b3c5a9d" have entirely different histories.
29bbe0ec00
...
d13418d708
16
chainlit.md
16
chainlit.md
|
|
@ -1,4 +1,4 @@
|
|||
# 🧠 Antigravity Brain - Minions da ITGuys
|
||||
# Antigravity Brain - Minions da ITGuys
|
||||
|
||||
Bem-vindo ao centro de comando da **Inteligência Artificial Corporativa da ITGuys**.
|
||||
|
||||
|
|
@ -6,24 +6,24 @@ Aqui você tem acesso a **26 Agentes Especializados** prontos para colaborar, re
|
|||
|
||||
---
|
||||
|
||||
## 🚀 O que podemos fazer por você hoje?
|
||||
## O que podemos fazer por você hoje?
|
||||
|
||||
### 🛠️ Engenharia & Infraestrutura
|
||||
### Engenharia & Infraestrutura
|
||||
* **Arthur M. & Gus Fring:** Automação Zabbix, validação de templates e estabilidade de sistemas.
|
||||
* **Tony Stark:** DevOps e automação de código.
|
||||
|
||||
### 🔐 Segurança Ofensiva & Defensiva
|
||||
### Segurança Ofensiva & Defensiva
|
||||
* **Elliot & Devil:** Testes de intrusão, segurança e auditoria de vulnerabilidades.
|
||||
|
||||
### 💼 Negócios & Estratégia
|
||||
### Negócios & Estratégia
|
||||
* **Harvey & Kevin:** Compliance jurídico, análise de ROI e estratégia corporativa.
|
||||
|
||||
### 💰 Vendas & Crescimento
|
||||
### Vendas & Crescimento
|
||||
* **Ari Gold & Don Draper:** Fechamento de negócios, pitches e prospecção agressiva.
|
||||
|
||||
---
|
||||
|
||||
## 💡 Como usar?
|
||||
## Como usar?
|
||||
|
||||
Basta digitar sua solicitação naturalmente. O sistema de **Roteamento Inteligente** irá invocar a Crew ou Agente ideal para o seu problema.
|
||||
|
||||
|
|
@ -31,4 +31,4 @@ Basta digitar sua solicitação naturalmente. O sistema de **Roteamento Intelige
|
|||
|
||||
---
|
||||
|
||||
🔒 *Sistema Privado ITGuys - Acesso Restrito*
|
||||
*Sistema Privado ITGuys - Acesso Restrito*
|
||||
|
|
|
|||
|
|
@ -1,405 +0,0 @@
|
|||
# 🔗 Análise: Bancos Vetoriais + Grafos de Relacionamento
|
||||
|
||||
## 📋 Resumo Executivo
|
||||
|
||||
Este documento analisa a implementação atual do sistema de memória e propõe a integração de **grafos de relacionamento** com o **banco de dados vetorial (Qdrant)** existente para melhorar significativamente a capacidade dos agentes de IA em encontrar, classificar e contextualizar informações.
|
||||
|
||||
---
|
||||
|
||||
## 🔍 Situação Atual
|
||||
|
||||
### Arquitetura Existente
|
||||
|
||||
O sistema **Antigravity Brain** atualmente utiliza:
|
||||
|
||||
1. **Banco Vetorial (Qdrant)**:
|
||||
- Armazena embeddings de memórias e conhecimento
|
||||
- Busca por similaridade semântica via `SearchMemoryTool`
|
||||
- Integrado via **Mem0** (`src/memory/wrapper.py`)
|
||||
|
||||
2. **Metadados Básicos**:
|
||||
- `source`: origem da memória (agent_execution, telegram_chat)
|
||||
- `type`: tipo de informação (insight, learned_insight)
|
||||
- `chat_id`: ID do chat (quando aplicável)
|
||||
- `user_id`: escopo do projeto
|
||||
|
||||
3. **Limitações Identificadas**:
|
||||
- ❌ Não captura **relacionamentos** entre entidades
|
||||
- ❌ Não permite navegação entre memórias relacionadas
|
||||
- ❌ Busca apenas por similaridade semântica (pode perder contexto estrutural)
|
||||
- ❌ Dificuldade em rastrear cadeias causais (problema → solução → agente)
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Benefícios da Integração Vetor + Grafo
|
||||
|
||||
### 1. **Busca Híbrida Mais Poderosa**
|
||||
|
||||
**Cenário Atual:**
|
||||
```
|
||||
Usuário: "Mostre problemas relacionados ao Zabbix"
|
||||
→ Busca vetorial encontra memórias sobre "Zabbix"
|
||||
→ Mas não mostra relacionamentos: qual problema levou a qual solução, qual agente resolveu, etc.
|
||||
```
|
||||
|
||||
**Com Grafo:**
|
||||
```
|
||||
Usuário: "Mostre problemas relacionados ao Zabbix"
|
||||
→ Busca vetorial inicial encontra memórias sobre "Zabbix"
|
||||
→ Navegação de grafo expande: Problema → Solução → Agente → Outros problemas similares
|
||||
→ Retorna contexto completo com relacionamentos
|
||||
```
|
||||
|
||||
### 2. **Redução de Alucinações**
|
||||
|
||||
Grafos fornecem **estrutura explícita** que reduz a necessidade de o LLM "inventar" conexões:
|
||||
- ✅ Relacionamentos documentados explicitamente
|
||||
- ✅ Contexto estruturado disponível para o LLM
|
||||
- ✅ Validação de conexões antes de inferências
|
||||
|
||||
### 3. **Rastreabilidade e Auditoria**
|
||||
|
||||
Com grafos, é possível:
|
||||
- Rastrear **cadeias de decisões**: "Como chegamos nesta solução?"
|
||||
- Identificar **padrões**: "Problemas similares foram resolvidos da mesma forma?"
|
||||
- Mapear **responsabilidades**: "Qual agente resolveu problemas de tipo X?"
|
||||
|
||||
### 4. **Classificação Melhorada**
|
||||
|
||||
Agentes podem usar grafos para:
|
||||
- Classificar com base em relacionamentos existentes
|
||||
- Identificar novos padrões ao conectar memórias desconectadas
|
||||
- Criar taxonomias dinâmicas baseadas em estrutura
|
||||
|
||||
---
|
||||
|
||||
## 🏗️ Arquitetura Proposta
|
||||
|
||||
### Opção 1: Neo4j + Qdrant (Recomendado)
|
||||
|
||||
```
|
||||
┌─────────────────┐
|
||||
│ Qdrant (Vector)│ ← Busca Semântica
|
||||
│ Embeddings │
|
||||
└────────┬─────────┘
|
||||
│
|
||||
│ Sync IDs
|
||||
▼
|
||||
┌─────────────────┐
|
||||
│ Neo4j (Graph) │ ← Relacionamentos
|
||||
│ Nodes & Edges │
|
||||
└─────────────────┘
|
||||
```
|
||||
|
||||
**Vantagens:**
|
||||
- ✅ Neo4j tem suporte nativo para vector search (Neo4j 5.x+)
|
||||
- ✅ Cypher é poderoso para queries de relacionamento
|
||||
- ✅ Ecossistema maduro e bem documentado
|
||||
- ✅ Integração Python via `neo4j` driver
|
||||
|
||||
**Estrutura do Grafo:**
|
||||
```cypher
|
||||
// Exemplo de estrutura
|
||||
(:Memory)-[:RELATES_TO]->(:Memory)
|
||||
(:Memory)-[:SOLVES]->(:Problem)
|
||||
(:Memory)-[:CREATED_BY]->(:Agent)
|
||||
(:Problem)-[:LEADS_TO]->(:Solution)
|
||||
(:Agent)-[:RESOLVED]->(:Problem)
|
||||
```
|
||||
|
||||
### Opção 2: Qdrant com Metadata Relacional (Mais Simples)
|
||||
|
||||
Manter Qdrant, mas enriquecer metadados com referências:
|
||||
|
||||
```python
|
||||
metadata = {
|
||||
"source": "agent_execution",
|
||||
"type": "insight",
|
||||
"related_memory_ids": ["mem_123", "mem_456"], # IDs relacionados
|
||||
"entity_type": "solution", # solution, problem, rule, etc.
|
||||
"entity_relationships": {
|
||||
"solves": "prob_zabbix_001",
|
||||
"created_by": "arthur_mendes"
|
||||
}
|
||||
}
|
||||
```
|
||||
|
||||
**Vantagens:**
|
||||
- ✅ Sem nova infraestrutura
|
||||
- ✅ Implementação mais rápida
|
||||
- ✅ Mantém tudo no Qdrant
|
||||
|
||||
**Desvantagens:**
|
||||
- ❌ Queries de relacionamento são limitadas
|
||||
- ❌ Não aproveita otimizações de grafos para navegação
|
||||
|
||||
### Opção 3: PostgreSQL com pgvector + Relações (Híbrido)
|
||||
|
||||
PostgreSQL com extensão `pgvector` + tabelas relacionais:
|
||||
|
||||
```sql
|
||||
CREATE TABLE memories (
|
||||
id UUID PRIMARY KEY,
|
||||
content TEXT,
|
||||
embedding vector(1536),
|
||||
metadata JSONB
|
||||
);
|
||||
|
||||
CREATE TABLE memory_relationships (
|
||||
from_memory_id UUID REFERENCES memories(id),
|
||||
to_memory_id UUID REFERENCES memories(id),
|
||||
relationship_type VARCHAR(50),
|
||||
created_at TIMESTAMP
|
||||
);
|
||||
```
|
||||
|
||||
**Vantagens:**
|
||||
- ✅ Tudo em um banco
|
||||
- ✅ PostgreSQL já é preferido no projeto (ver `database_standards.md`)
|
||||
- ✅ Suporte a JSONB para flexibilidade
|
||||
|
||||
---
|
||||
|
||||
## 💡 Casos de Uso Específicos
|
||||
|
||||
### Caso 1: Rastreamento de Problemas
|
||||
|
||||
**Problema Atual:**
|
||||
```
|
||||
Agente busca: "problemas de Zabbix"
|
||||
→ Encontra memórias isoladas
|
||||
→ Não consegue conectar: problema A → solução B → implementação C
|
||||
```
|
||||
|
||||
**Com Grafo:**
|
||||
```cypher
|
||||
MATCH (p:Problem {category: "Zabbix"})-[:SOLVED_BY]->(s:Solution)
|
||||
-[:IMPLEMENTED_BY]->(a:Agent)
|
||||
RETURN p, s, a, collect(s.related_problems) as related
|
||||
```
|
||||
|
||||
### Caso 2: Classificação Inteligente
|
||||
|
||||
**Problema Atual:**
|
||||
```
|
||||
Router precisa classificar: "Precisamos melhorar a performance do Zabbix"
|
||||
→ Classifica como "Infra Engineering" (correto)
|
||||
→ Mas não sabe que existem 3 problemas similares já resolvidos
|
||||
```
|
||||
|
||||
**Com Grafo:**
|
||||
```
|
||||
1. Busca vetorial encontra memórias sobre "Zabbix performance"
|
||||
2. Grafo identifica: problemas similares → crew que resolveu → padrões
|
||||
3. Router classifica com contexto: "Infra Engineering, histórico: 3 casos similares resolvidos"
|
||||
```
|
||||
|
||||
### Caso 3: Aprendizado Incremental
|
||||
|
||||
**Problema Atual:**
|
||||
```
|
||||
Novo insight salvo: "Solução X funciona para problemas de tipo Y"
|
||||
→ Fica isolado, não conecta com problemas anteriores
|
||||
```
|
||||
|
||||
**Com Grafo:**
|
||||
```
|
||||
1. Ao salvar novo insight, LLM extrai entidades
|
||||
2. Sistema cria nós: Problem, Solution, Agent
|
||||
3. Conecta com nós existentes por similaridade vetorial
|
||||
4. Agora: buscar "problemas tipo Y" retorna solução X automaticamente
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 🔧 Implementação Recomendada (Neo4j)
|
||||
|
||||
### Fase 1: Setup Inicial
|
||||
|
||||
1. **Adicionar Neo4j ao docker-compose.yml**:
|
||||
```yaml
|
||||
neo4j:
|
||||
image: neo4j:5.15
|
||||
container_name: antigravity_neo4j
|
||||
ports:
|
||||
- "7474:7474" # Browser
|
||||
- "7687:7687" # Bolt
|
||||
environment:
|
||||
- NEO4J_AUTH=neo4j/password
|
||||
- NEO4J_PLUGINS=["apoc", "graph-data-science"]
|
||||
volumes:
|
||||
- neo4j_data:/data
|
||||
networks:
|
||||
- antigravity_net
|
||||
```
|
||||
|
||||
2. **Atualizar requirements.txt**:
|
||||
```txt
|
||||
neo4j
|
||||
neo4j-vector-search # Se usar Neo4j vector search nativo
|
||||
```
|
||||
|
||||
### Fase 2: Criar Graph Wrapper
|
||||
|
||||
Criar `src/memory/graph_wrapper.py`:
|
||||
```python
|
||||
from neo4j import GraphDatabase
|
||||
import logging
|
||||
|
||||
class GraphWrapper:
|
||||
"""Gerencia relacionamentos entre memórias no Neo4j"""
|
||||
|
||||
def __init__(self):
|
||||
self.driver = GraphDatabase.driver(
|
||||
os.getenv("NEO4J_URI", "bolt://localhost:7687"),
|
||||
auth=(os.getenv("NEO4J_USER", "neo4j"),
|
||||
os.getenv("NEO4J_PASSWORD", "password"))
|
||||
)
|
||||
|
||||
def create_memory_node(self, memory_id: str, content: str, metadata: dict):
|
||||
"""Cria nó de memória"""
|
||||
with self.driver.session() as session:
|
||||
session.run("""
|
||||
CREATE (m:Memory {
|
||||
id: $memory_id,
|
||||
content: $content,
|
||||
type: $type,
|
||||
source: $source,
|
||||
created_at: datetime()
|
||||
})
|
||||
""", memory_id=memory_id, content=content,
|
||||
type=metadata.get("type"), source=metadata.get("source"))
|
||||
|
||||
def link_memories(self, from_id: str, to_id: str, relationship: str):
|
||||
"""Cria relacionamento entre memórias"""
|
||||
with self.driver.session() as session:
|
||||
session.run("""
|
||||
MATCH (a:Memory {id: $from_id})
|
||||
MATCH (b:Memory {id: $to_id})
|
||||
CREATE (a)-[r:RELATES_TO {type: $rel_type}]->(b)
|
||||
""", from_id=from_id, to_id=to_id, rel_type=relationship)
|
||||
|
||||
def find_related_memories(self, memory_id: str, depth: int = 2):
|
||||
"""Encontra memórias relacionadas via grafo"""
|
||||
with self.driver.session() as session:
|
||||
result = session.run("""
|
||||
MATCH path = (m:Memory {id: $id})-[*1..2]-(related:Memory)
|
||||
RETURN related, length(path) as distance
|
||||
ORDER BY distance
|
||||
LIMIT 10
|
||||
""", id=memory_id)
|
||||
return [record["related"] for record in result]
|
||||
```
|
||||
|
||||
### Fase 3: Integrar com SearchMemoryTool
|
||||
|
||||
Modificar `SearchMemoryTool` para busca híbrida:
|
||||
|
||||
```python
|
||||
def _run(self, query: str) -> str:
|
||||
# 1. Busca vetorial inicial (como antes)
|
||||
vector_results = client.search(query, limit=5)
|
||||
|
||||
# 2. Para cada resultado, buscar relacionamentos no grafo
|
||||
enriched_results = []
|
||||
graph = GraphWrapper()
|
||||
|
||||
for result in vector_results:
|
||||
memory_id = result['id']
|
||||
related = graph.find_related_memories(memory_id, depth=2)
|
||||
|
||||
enriched_results.append({
|
||||
'memory': result,
|
||||
'related': related,
|
||||
'context': f"Found {len(related)} related memories"
|
||||
})
|
||||
|
||||
return format_results(enriched_results)
|
||||
```
|
||||
|
||||
### Fase 4: Extração Automática de Relacionamentos
|
||||
|
||||
Ao salvar memória, usar LLM para extrair entidades e relacionamentos:
|
||||
|
||||
```python
|
||||
def _run(self, fact: str) -> str:
|
||||
# Salvar no Mem0 (como antes)
|
||||
memory_id = client.add(fact, metadata={...})
|
||||
|
||||
# Extrair relacionamentos com LLM
|
||||
extraction_prompt = f"""
|
||||
Analise este fato e extraia:
|
||||
1. Tipo de entidade (Problem, Solution, Rule, Agent, etc.)
|
||||
2. Relacionamentos com outras memórias conhecidas
|
||||
3. Entidades mencionadas
|
||||
|
||||
Fato: {fact}
|
||||
|
||||
Retorne JSON:
|
||||
{{
|
||||
"entity_type": "...",
|
||||
"relationships": [
|
||||
{{"type": "solves", "target": "problema_zabbix_001"}},
|
||||
{{"type": "created_by", "target": "arthur_mendes"}}
|
||||
]
|
||||
}}
|
||||
"""
|
||||
|
||||
# Usar LLM para extrair
|
||||
relationships = llm_call(extraction_prompt)
|
||||
|
||||
# Criar nós e relacionamentos no Neo4j
|
||||
graph.create_memory_node(memory_id, fact, metadata)
|
||||
for rel in relationships:
|
||||
graph.link_memories(memory_id, rel['target'], rel['type'])
|
||||
|
||||
return "Successfully saved to memory with relationships."
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 📊 Comparação de Opções
|
||||
|
||||
| Critério | Neo4j | Qdrant Metadata | PostgreSQL |
|
||||
|----------|-------|-----------------|------------|
|
||||
| **Busca Vetorial** | Nativa (5.x+) | Nativa | pgvector |
|
||||
| **Navegação de Grafo** | ⭐⭐⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐ |
|
||||
| **Complexidade Setup** | Média | Baixa | Baixa |
|
||||
| **Performance Queries** | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ |
|
||||
| **Custo Infra** | +1 container | 0 | 0 |
|
||||
| **Manutenibilidade** | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Recomendação Final
|
||||
|
||||
**Implementação Gradual:**
|
||||
|
||||
1. **Curto Prazo (1-2 semanas)**:
|
||||
- Implementar **Opção 2** (Qdrant Metadata) para validar conceito
|
||||
- Adicionar campos `related_memory_ids` e `entity_type` aos metadados
|
||||
- Modificar `SearchMemoryTool` para considerar relacionamentos
|
||||
|
||||
2. **Médio Prazo (1 mês)**:
|
||||
- Avaliar necessidade de upgrade para **Neo4j** (se relacionamentos ficarem complexos)
|
||||
- Implementar extração automática de relacionamentos com LLM
|
||||
|
||||
3. **Longo Prazo (2-3 meses)**:
|
||||
- Migrar para **Neo4j** se métricas mostrarem benefício
|
||||
- Criar dashboard de visualização de relacionamentos
|
||||
- Implementar queries avançadas (pattern matching, path finding)
|
||||
|
||||
---
|
||||
|
||||
## 🔗 Referências
|
||||
|
||||
- [Neo4j Vector Search Documentation](https://neo4j.com/docs/cypher-manual/current/indexes-for-vector-search/)
|
||||
- [IBM: Vector Databases](https://www.ibm.com/topics/vector-database)
|
||||
- [Microsoft: Azure Cosmos DB AI Graph](https://learn.microsoft.com/en-us/azure/cosmos-db/gen-ai/cosmos-ai-graph)
|
||||
- [InforChannel: Neo4j Pesquisa Vetorial](https://inforchannel.com.br/2023/08/22/neo4j-pesquisa-vetorial-com-solucoes-de-ia-generativa-e-anexada-a-banco-de-dados-grafos/)
|
||||
|
||||
---
|
||||
|
||||
**Documento criado em:** 2025-01-XX
|
||||
**Autor:** Análise Técnica - Sistema Antigravity Brain
|
||||
**Status:** Proposta para Revisão
|
||||
Loading…
Reference in New Issue