iachat/progresso/plano-novo-projeto-ia.md

Plano de Ação: Arquitetura de IA para o Novo Chatwoot

1. O Problema Anterior

No projeto legado (referência: reference/chatwoot-develop), os módulos de IA (Jasmine, Captain, CrmInsights) foram injetados em listeners globais e workers que processavam todas as mensagens ou rodavam rotinas frequentes. Isso levou a um uso indiscriminado e excessivo de tokens LLM (OpenAI), resultando em custos insustentáveis.

2. A Nova Abordagem: Sob Demanda e Controlado

Neste novo projeto, a arquitetura será desenhada para que a IA seja ativada apenas quando estritamente necessário ou configurado, evitando vazamentos e processamento redundante.

2.1 Integrações WhatsApp (Canais)

As integrações Wuzapi e Evolution API serão importadas do projeto antigo para garantirmos a funcionalidade de base. Ação: Trazer endpoints, services (providers) e UI de configurações limitados a estas duas integrações de canal. Prioritizar manutenibilidade para facilitar atualizações futuras do Chatwoot core.

2.2 Bot de Atendimento e FAQ

Ação:

• Utilizar Padrão Nativo (AgentBot): Ao invés de um listener global (jasmine_listener), criaremos a IA como um AgentBot do Chatwoot.
• O processamento de RAG (Busca Semântica no Knowledge Base) ocorrerá de forma orgânica e somente nas conversas atribuídas ao AgentBot (status: pending/bot-assigned).
• O contexto a ser enviado ao LLM será resumido e utilizaremos Cache ou restrição de contexto para as últimas X mensagens para baratear o "Cached Input".

2.3 Bot de Reservas e Fluxos Complexos (Especialista/Function Calling)

Ação:

• Em vez de ter um "Captain" rodando sobre toda mensagem, adotaremos Roteamento Híbrido:
  1. Identificação simples (com modelo barato ou rules-engine/nlu light) se a intenção é "reserva" ou consultar "preço/disponibilidade".
  2. Uso de function calling estrito apenas quando dentro desse funil específico, minimizando tokens.
• O histórico não crescerá infinitamente no payload. Quando coletado dado do cliente (ex: quarto, data), será guardado em KV ou banco de dados (contexto da reserva) em vez de precisar que o LLM releia todo o histórico gigante.

2.4 Análise / Resumo de CRM (CrmInsights)

Ação:

• Remoção de Background Jobs Frequentes: Não rodar script periódico monitorando conversas para resumos ou sentimento.
• Hooks sob Demanda: A análise visual e a extração estruturada ocorrerá: a) Diretamente num botão manual acionado pelo humano. b) No exato momento de RESOLVER (Resolved) a conversa, onde estruturamos o JSON do ticket e salvamos no banco, servindo como relatório pós-venda (uma execução por ticket).

3. Próximos Passos Iniciais

• Bloqueio do Legado: Aplicamos um "return" antecipado (early return) no projeto legado (reference/chatwoot-develop) nos três pontos mapeados: jasmine_listener.rb, processor_service.rb e update_job.rb. Isso foi feito para garantir a paralisação do vazamento financeiro lá, mantendo o sistema em pé, apenas com atendimento humano.
• Implementação Nova: Agora que o custo do outro projeto está congelado, podemos iniciar a implantação das funcionalidades neste novo projeto de forma controlada através da funcionalidade nativa de AgentBots.