Carregando...

⚠️ Migração necessária:

Diagnosticar Salvar Provider de Embedding

OpenAI Whisper

Salvar Provider de Transcrição

OpenAI Vision

Salvar Provider de Vision

Salvar Todas as Configurações de API

🧠 Testar Base de Conhecimento

×

Enviar

Documentos encontrados

🔎 Busca Direta nos Blocos (Supabase)

×

Buscar

Novo Documento

Processar e Salvar

—

Fechar

Salvar Alterações 🔄 Extrair via IA

—

Contato CRM

v1.1.0 Abril 2025 Release atual

Tool call perdia o contexto do assistente na resposta final

Quando a LLM chamava uma ferramenta (ex: search_knowledge_base), a resposta final era gerada com o system prompt genérico padrão — descartando o system prompt configurado no assistente, o contexto do RAG e o perfil do contato. O método _handle_tool_calls agora recebe e utiliza o system prompt completo construído para aquela interação.

Flag needs_rag era ignorada antes da busca vetorial

O serviço de intenção (intent_service) detectava corretamente que mensagens simples (saudações, agradecimentos) não precisavam de busca na base de conhecimento, retornando needs_rag: false. No entanto, o código realizava a busca de embeddings no Supabase de qualquer forma, gerando chamadas de API desnecessárias. A verificação da flag agora ocorre antes da chamada ao Supabase, pulando completamente a busca vetorial quando não é necessária.

Sistema de tools unificado com ToolRegistry

O tools.py foi completamente reescrito como sistema unificado onde cada tool define seu próprio schema (enviado ao LLM) e lógica de execução na mesma classe. O agent_service.py foi migrado para usar o ToolRegistry, eliminando o dicionário de handlers avulsos. Novas tools podem ser adicionadas criando uma subclasse de BaseTool sem tocar no agent_service.

RAG Agêntico — LLM decide quando buscar na base de conhecimento

Anteriormente o sistema sempre pré-buscava no RAG antes de chamar o LLM, injetando o resultado no system prompt independentemente da necessidade. Agora o RAG é uma tool disponível ao LLM: ele mesmo decide se e quando buscar, com qual query, podendo inclusive realizar múltiplas buscas durante a resposta. Isso elimina o intent_service como etapa obrigatória e reduz latência e custo em conversas que não precisam de conhecimento externo.

search_knowledge_base agora filtra por namespace do assistente

A tool de busca na base de conhecimento agora recebe os rag_namespaces configurados no assistente via contexto de execução. Um bot de vendas só consultará documentos do namespace de vendas, e um bot de suporte só acessará sua própria base — sem cruzamento indevido entre bases de conhecimento de diferentes assistentes.

Tools reais: send_image, schedule_callback e transfer_to_human

send_image: a LLM pode enviar uma imagem diretamente ao usuário no WhatsApp a partir de uma URL pública — útil para catálogos, fotos de produtos e diagramas. schedule_callback: agenda um retorno de contato com data, horário e assunto, persistindo a entrada no Redis com status pending para processamento futuro. transfer_to_human: encerra o atendimento automático e registra a solicitação de transferência com motivo e prioridade.

v1.0.0 Lançamento Inicial

Buffer de Mensagens e Pausa Humana (Human-in-the-loop)

Para evitar que a IA responda imediatamente após o usuário enviar múltiplas mensagens fracionadas, o sistema utiliza um buffer baseado em Redis. Ao receber uma mensagem (webhook), aguarda um período de silêncio (ex: 8 segundos) e consolida todas as mensagens em um único contexto antes de acionar a IA. Se o webhook detectar que a mensagem foi enviada pelo próprio número do bot (is_from_me = true), o agente é silenciado automaticamente por 15 minutos, inferindo que um humano assumiu o controle.

Envio Fragmentado e Simulação de Digitação

As respostas da LLM passam pela classe MessageSender, que divide a resposta em balões menores a cada parágrafo separado por dupla quebra de linha. Para cada fragmento, o sistema calcula um atraso proporcional à quantidade de caracteres (~50ms/caractere) e dispara o indicador Escrevendo... nativo do WhatsApp antes de enviar cada pedaço.

Processamento de Áudio e Imagens com Fallbacks

Áudio (Whisper): transcrição via OpenAI como prioridade; em caso de erro, fallback automático para Groq. Imagens (Vision): análise via GPT-4o Vision como prioridade; fallback para Gemini 1.5 Flash Vision. Ambos os fluxos são transparentes para a LLM — ela recebe o conteúdo já transcrito ou descrito como texto.

Roteamento de Multimídia via Prompt (Regex + MessageSender)

A LLM é instruída via System Prompt a emitir URLs de mídia (.mp4, .jpg, .pdf) em texto claro quando precisar compartilhar arquivos. O MessageSender detecta essas URLs por Regex e aciona automaticamente os métodos corretos da API GoWA (send_image / send_video).

Base de Conhecimento Granular com RAG (Supabase / pgvector)

Sistema de Retrieval-Augmented Generation (RAG) nativo com upload de documentos pelo painel. Suporta PDF, DOCX, Markdown, HTML e TXT. Cada documento é associado a um namespace — o assistente consulta apenas os namespaces configurados para ele. Embeddings via OpenAI (v3) como padrão, com suporte a Groq e Ollama para controle de custo. Painel inclui SQL Helper e links diretos ao Supabase para diagnóstico.

Memória Adaptativa e Extração de Perfis de Contato

Em segundo plano, a IA analisa cada turno da conversa e extrai informações conforme as categorias definidas na aba "Informações Relevantes" (ex: nome, produto de interesse, orçamento). O perfil extraído é injetado automaticamente no System Prompt a cada nova mensagem do contato — a IA lembra do contexto sem precisar reler todo o histórico. O perfil evolui continuamente: se o cliente mudar de interesse, o campo é atualizado automaticamente no banco de dados.