AI ENGINEERING · PDM/BOM · GOVERNANÇA
Agent Lab
Pascoal.
Laboratório progressivo de engenharia de agentes de IA para governança de materiais, construído para descobrir onde regras, estatística e LLMs realmente agregam valor — sem transformar recomendação probabilística em decisão automática.
AGENT_LAB / CURRENT STATE● EM EVOLUÇÃO
Princípio de engenharia01
A IA só entra onde demonstrar ganho mensurável sobre uma solução mais simples.
01 / PROBLEMA DE NEGÓCIO
Governar materiais sem
automatizar o erro.
Cadastros de materiais acumulam descrições ambíguas, campos ausentes, unidades inconsistentes, classificações conflitantes e duplicidades. Em escala industrial, qualidade cadastral ruim se propaga para compras, estoque, manutenção, planejamento e analytics.
O Agent Lab investiga uma pergunta mais rigorosa que “onde usar IA?”: qual combinação de regras, similaridade e modelos probabilísticos produz ganho mensurável sem perder auditabilidade?
02 / ARQUITETURA
Do determinístico
ao probabilístico.
A arquitetura evolui por camadas. Cada nova capacidade precisa preservar contratos, testes e uma forma clara de comparação com a solução anterior.
Problema antes da IA
A governança PDM/BOM é modelada primeiro como problema de domínio, com fronteiras, contratos e custos de erro explícitos.
Baseline determinístico
Regras auditáveis estabelecem a referência mínima que qualquer abordagem probabilística deverá superar de forma mensurável.
Fronteira LLM
A resposta externa atravessa contrato Pydantic, JSON Schema e validações antes de entrar no domínio da aplicação.
Guardrails & humano
Identidade do material, estrutura da saída e responsabilidade humana são preservadas como fronteiras explícitas.
03 / FRONTEIRA LLM
LLM não entra
direto no domínio.
O sistema possui uma fronteira independente de fornecedor. O material gera um prompt determinístico, o provider produz JSON bruto e a resposta somente prossegue após validação estrutural e de identidade.
PIPELINEMaterial → Provider → JSON → Pydantic → Guardrail → Humano
Pydantic / JSON Schemacontrato
extra="forbid"estrito
material_idguardrail
Provider realpróximo
04 / EVIDÊNCIAS ATUAIS
Métrica antes
da narrativa.
O baseline determinístico mantém um conjunto de desenvolvimento e um conjunto de desafio separado para expor limitações em vez de escondê-las.
correspondência exata
20 registros sintéticos no conjunto de desenvolvimento, com 100% de precisão e recall de duplicidade nesse conjunto.
correspondência exata
10 registros preservam erros conhecidos, incluindo uma duplicidade semântica não detectada e uma revisão desnecessária.
hipótese experimental
Falso negativo de duplicidade recebe peso 5 e revisão desnecessária peso 1; os pesos ainda precisam de calibração com evidências reais.
05 / ENGENHARIA DO PROCESSO
Issue & SPEC
Problema, evidências, escopo, riscos e critérios de aceitação são registrados antes da implementação relevante.
TDD & CI
Testes protegem contratos e comportamento. GitHub Actions em Python 3.11 funciona como quality gate obrigatório da main.
PR & revisão
Mudanças são integradas por Pull Request, com rastreabilidade entre decisão, implementação, validação e merge.
06 / LIMITAÇÕES E ROADMAP
Laboratório,
não produto acabado.
O projeto ainda não possui provider real de LLM, RAG, tool calling, memória, orquestração multiagente ou implantação em cliente. Essa distinção é intencional: capacidade futura não é apresentada como capacidade existente.
Próximas frentes:
Provider real de LLM e benchmark contra o baseline · Duplicate Intelligence com similaridade semântica · Evidence Engine e justificativas rastreáveis · RAG sobre normas e procedimentos autorizados · Benchmark com ground truth e métricas de negócio · PoC de diagnóstico de qualidade cadastral
CÓDIGO, TESTES E HISTÓRICO PÚBLICOS