Lastro.AI: Onde a complexidade da política monetária encontra a clareza da IA, transformando relatórios estáticos em conhecimento dinâmico e preciso.

O Lastro.AI é um agente de Inteligência Artificial especializado projetado para decodificar e democratizar o acesso aos complexos Relatórios de Política Monetária (RPM) e Relatórios de Inflação (RI) do Banco Central do Brasil.

Em um cenário onde a informação econômica é crucial mas frequentemente inacessível devido à linguagem técnica e formato PDF, este projeto atua como uma ponte. Por meio de Processamento de Linguagem Natural (NLP) e Retrieval-Augmented Generation (RAG), o sistema ingere documentos oficiais, cria uma base de conhecimento vetorial e permite que pesquisadores, economistas e estudantes façam perguntas em linguagem natural, obtendo respostas fundamentadas exclusivamente nos dados oficiais.

• Ingestão Automatizada: Download e processamento automático de relatórios históricos do BACEN.
• Busca Semântica Avançada: Utiliza embeddings e re-ranking para encontrar trechos relevantes não apenas por palavras-chave, mas pelo significado da pergunta.
• Rastrabilidade: Toda resposta gerada cita a fonte exata (documento e página), eliminando alucinações.
• Interface Conversacional: Chatbot interativo disponível via web (Chainlit) ou terminal.

Este projeto utiliza o gerenciador de pacotes uv para garantir reprodutibilidade e velocidade.

• Python 3.11+
• uv instalado.
• Chave de API da Groq (para o LLM).

git clone https://github.com/alexcamargos/lastro.ai.git
cd lastro.ai

Crie um arquivo .env na raiz do projeto com suas credenciais:

# .env
GROQ_API_KEY="sua_chave_api_aqui"

uv sync

Antes de perguntar, o sistema precisa "ler" os relatórios. O comando abaixo baixa e processa documentos do último ano:

uv run main.py process_batch 1

Inicie a interface web:

uv run main.py web

Ou faça perguntas diretas via terminal:

uv run main.py ask "Qual a projeção de inflação para 2025?"

Exemplo de Resposta Real:

"No Relatório de Inflação 2024/12 (Trecho 4), as projeções foram revisadas indicando uma inflação de 4,5% para 2025... A projeção mais recente reflete uma atualização condicional às trajetórias da taxa Selic e do câmbio." (O sistema cruza fontes diferentes, identifica a data mais recente e justifica a resposta)

A interface de linha de comando é ideal para integrações e perguntas rápidas.

# Pergunta
uv run main.py ask "Por que o COPOM decidiu manter a taxa Selic?"

# Resposta do Agente (Output Real)
"""
O COPOM decidiu manter a taxa Selic em 15,00% a.a. por três razões principais, conforme destacado nos relatórios:

1. **Convergência da inflação à meta**: A manutenção da Selic busca assegurar a convergência da inflação para o redor da meta de 3,00% ao longo do horizonte relevante. O Comitê avalia que uma política monetária contracionista por período prolongado é necessária para consolidar o processo de desinflação e reancorar as expectativas de inflação (Trechos 1, 2 e 4).

2. **Cenário de incertezas e desancoragem de expectativas**: O cenário atual é marcado por expectativas desancoradas, projeções de inflação elevadas, resiliência da atividade econômica e pressões no mercado de trabalho. Esses fatores exigem cautela na condução da política monetária, com manutenção de juros em patamar significativamente contracionista para mitigar riscos (Trechos 1, 2 e 4).

3. **Avaliação dos impactos acumulados**: O Comitê interrompeu temporariamente o ciclo de alta de juros para examinar os efeitos acumulados do ajuste anterior. A manutenção da Selic permite observar se o nível atual é suficiente para garantir a convergência da inflação à meta, mantendo flexibilidade para ajustes futuros (Trechos 1 e 4).

Além disso, o COPOM enfatiza que seguirá vigilante, podendo retomar ajustes na taxa se julgar necessário, mantendo o foco na estabilidade de preços e no equilíbrio entre desinflação e suavização das flutuações da atividade econômica (Trechos 1, 2 e 4).
"""

Para uma experiência visual completa, a interface web oferece histórico de chat, visualização de fontes e thought process (cadeia de pensamento).

Acima: O sistema analisando um relatório de 80 páginas em segundos para responder sobre o 'Hiato do Produto'.

O projeto foi construído sobre um stack moderno de Python, priorizando performance e tipagem estática.

• Linguagem: Python 3.12 (com Type Hints rigorosos).
• Orquestração de LLM: LangChain para construção das cadeias de RAG.
• Interface Web: Chainlit para uma experiência de chat rápida e reativa.
• Banco Vetorial: FAISS (Facebook AI Similarity Search) para busca de alta performance.
• CLI: Fire para criação automática de interfaces de linha de comando.
• Gerenciamento de Dependências: uv (substituto moderno ao Pip/Poetry).

Como um projeto focado em Data Science e Engenharia de IA, cada componente foi escolhido para resolver um problema específico de escalabilidade ou precisão.

Optou-se por uma arquitetura RAG em vez de fine-tuning.

• Por quê? Relatórios do BACEN mudam trimestralmente. RAG permite atualizar o conhecimento do modelo instantaneamente apenas adicionando novos documentos ao índice, sem o custo e tempo de re-treinar o modelo. Além disso, RAG mitiga alucinações ao forçar o modelo a usar o contexto recuperado.

O sistema utiliza a API da Groq para inferência.

• Por quê? A Groq oferece a menor latência de inferência do mercado (LPU), essencial para uma experiência de chat fluida. Os modelos Open Source (Llama 3 70B ou Mixtral 8x7B) demonstraram capacidade de raciocínio comparável ao GPT-4 para tarefas de sumarização e extração em português, com custo zero ou muito reduzido.

A recuperação de informação é feita em duas etapas para maximizar a precisão (Hit Rate).

• Estágio 1 (Recall): sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Um modelo bi-encoder rápido que busca os 20 documentos topologicamente mais próximos.
• Estágio 2 (Precision): cross-encoder/mmarco-mMiniLMv2-L12-H384-v1. Um modelo Cross-Encoder que re-avalia e pontua os documentos recuperados.
• Por quê? Busca vetorial simples falha em nuances linguísticas. O Cross-Encoder atua como um "juiz" detalhista, garantindo que o contexto entregue ao LLM seja extremamente relevante, dobrando a precisão do sistema.

Profissionais que dependem de dados do Banco Central perdem horas lendo PDFs de 80 páginas em busca de parágrafos específicos sobre "metas de inflação" ou "cenário externo". A busca por palavras-chave (Ctrl+F) é falha pois o vocabulário técnico varia ("inflação" vs "IPCA" vs "nível de preços").

Desenvolvimento de um pipeline de ETL não estruturado que converte PDFs em vetores semânticos. O sistema não busca por palavras, mas por conceitos. Se o usuário pergunta sobre "custo de vida", o sistema recupera trechos sobre "IPCA", mesmo que a palavra "custo" não apareça, graças aos embeddings multilingues.

• Qualidade dos Dados > Modelo: A maior melhoria de performance não veio de trocar o LLM, mas de melhorar o "chunking" (segmentação) dos PDFs e limpar cabeçalhos/rodapés que poluíam a busca.
• Avaliação Quantitativa: Implementar métricas como "Hit Rate" foi essencial para sair do "acho que melhorou" para "melhorou 40%". A engenharia de IA exige rigor científico tanto quanto engenharia de software tradicional.

Feito com ❤️ por Alexsander Lopes Camargos 👋 Entre em contato!

Este projeto está sob a licença MIT. Veja o arquivo LICENSE para mais detalhes.