🧠 Base de Conhecimento com Busca Semântica (RAG)

Pipeline de RAG que transforma as informações da clínica (preços, procedimentos, endereço, protocolos) em embeddings vetoriais, para o agente de IA responder com informação real — não inventada.

🔒 Case anonimizado. Sem nome de cliente, credenciais ou dados reais. (Nomes de tabela/campo são ilustrativos.)

---

🎯 O problema

Um LLM sozinho alucina: inventa preço, inventa endereço, promete o que a clínica não faz. Para um negócio, isso é perigoso — gera frustração e quebra de confiança.

O agente precisa responder com base só no que aquela clínica realmente oferece, e cada clínica tem informação diferente.

✅ A solução

Um pipeline de Retrieval-Augmented Generation:

1. A clínica cadastra suas informações (localização, endereço, procedimentos, contato, descrição).
2. Cada registro é vetorizado (embeddings) e guardado no Postgres com pgvector.
3. Quando o paciente pergunta algo, o agente faz uma busca semântica e injeta o trecho relevante no prompt.
4. A IA responde ancorada na informação real.

---

🏗️ Arquitetura

flowchart TD
    EDIT[✏️ Clínica edita info<br/>no dashboard] -->|trigger| FN[⚡ Edge Function<br/>generate-embedding]
    FN -->|monta texto:<br/>endereço, contato, descrição| TXT[Texto canônico]
    TXT -->|OpenAI text-embedding-3-small| EMB[Vetor 1536-d]
    EMB --> DB[(Postgres + pgvector<br/>knowledge_base)]
    subgraph Consulta
      Q[❓ Pergunta do paciente] -->|embedding| SEARCH[Busca por similaridade]
      DB --> SEARCH
      SEARCH -->|trecho relevante| AGENT[🧠 Agente responde<br/>ancorado no dado real]
    end

Loading

O fluxo de embedding

• Uma Edge Function (Deno/Supabase) recebe o id do registro e o schema da clínica.
• Monta um texto canônico concatenando os campos relevantes (endereço, ponto de referência, contato, site e descrição).
• Gera o embedding com o modelo text-embedding-3-small da OpenAI.
• Grava o vetor + o texto + metadados (modelo usado, timestamp, tamanho do conteúdo) na tabela.
• Tudo isolado por schema — cada clínica tem o seu, com uma allowlist validando o acesso.

---

🧩 Destaques técnicos

• Multi-tenant por schema: o mesmo pipeline serve N clínicas; o schema chega na requisição e é validado contra uma allowlist (nada de injeção de schema arbitrário).
• Validação rígida de entrada: recordId precisa ser UUID válido, schema precisa estar na allowlist — falha cedo e claro.
• Composição inteligente do texto: só os campos preenchidos entram no embedding (campos vazios são filtrados), melhorando a qualidade da busca.
• Metadados versionáveis: cada vetor guarda o modelo e a data de vetorização — permite re-embeddar quando trocar de modelo.
• CORS configurável por variável de ambiente (allowlist de origens).
• Service role isolado: a função usa a service key só no servidor, nunca expõe ao cliente.

🧰 Stack

Camada	Tecnologia
Vetorização	OpenAI text-embedding-3-small (1536-d)
Armazenamento vetorial	Postgres + pgvector (Supabase)
Compute	Supabase Edge Function (Deno)
Isolamento	Schema-per-tenant + allowlist

📈 Resultados

• 🎯 Respostas ancoradas no dado real da clínica — corta a alucinação (preço/endereço inventado).
• 🔄 Clínica nova entra rápido: cadastra a info → o agente já responde sobre ela.
• 📚 Mais dúvidas resolvidas sem escalar pra um humano.

---

🔗 Projetos relacionados

• ai-receptionist-clinics — o agente que consome esta base
• ai-followup-automation — usa esta base ao gerar as mensagens de reativação
• multitenant-clinic-dashboard — onde a clínica edita o conteúdo que vira embedding

---

📲 Quer um agente desses no seu negócio?

Construo automações e agentes de IA sob medida. Bora conversar — me chama.