minions-ai-agents/.gemini/PRD_Classificacao_Bancaria.md

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.