# 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.
- **Nota:** O campo de Valor foi removido nesta fase para evitar vieses em ambientes multi-empresa, focando a classificação puramente na semântica da descrição.

#### 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.

#### 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
- **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:** 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
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 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.