Como usar o NEO4J aqui
Use esta tela para navegar o grafo de conhecimento real do projeto, filtrando por modo e corte de score.
Orkestr AI
Ensinando na pratica e transformando diversao em conhecimento.
Hybrid Search
Combine Analise Vetorial e Analise Lexical em um unico menu de busca hibrida.
Fontes do RAG
Visualizacao da Fonte
Use o botao Visualizar aprendizado em uma fonte para ver chunks, embeddings e detalhes do material vetorial.
Analise Lexical
Busque por palavras-chave explicitas para localizar trechos por ocorrencia textual e cobertura dos termos.
Analise Estrutural (Neo4j)
Grafo centralizado para secoes, conceitos e referencias no Neo4j.Passo rapido
1) Escolha o Modo, 2) ajuste o Corte, 3) clique em Atualizar Grafo para recarregar os nos e arestas.
Orquestracao
Fluxos de execucao do runtime cognitivo por LangGraph e Workflow JSONL.Funcao principal
Coordena planner, retrieval, graph_expansion, executor, reviewer e judge em fluxo stateful com roteamento condicional.
Diferenca para Neo4j
Neo4j: grafo de conhecimento. LangGraph/Workflow: grafo de execucao e artefatos do pipeline.
Como usar o LANGGRAPH aqui
Este painel mostra o grafo de execucao do workflow cognitivo (orquestracao de estados), nao o grafo semantico do Neo4j.
Diferenca principal
NEO4J: grafo de conhecimento (documentos, conceitos, relacoes). LANGGRAPH: grafo de fluxo (planner, retrieval, executor, reviewer, judge).
Visao do Workflow LangGraph
Representacao arquitetural do fluxo stateful compilado por especificacao, usado no runtime cognitivo v2.
planner
retrieval
graph_expansion
executor
reviewer
judge
completed / reflecting / hitl
Nos Principais
- planner: interpreta intencao e define estrategia.
- retrieval: recupera evidencias hibridas e contexto.
- executor: sintetiza resposta com base nas evidencias.
- reviewer: estima consistencia e risco de alucinacao.
- judge: calcula score final e roteia decisao.
Governanca
- Politicas de hitl, reflection e retry orientam transicoes.
- State guard valida ownership e integridade do estado.
- Workflow trace registra estagio, custos, scores e token usage.
Como usar o JSONL aqui
Este painel organiza os artefatos processados em JSONL, que sao a base para chunks, embeddings, memoria e evaluacao.
Onde faz sentido
Use para inspecionar a camada intermediaria entre ingestao e consulta, especialmente dados em data/processed e memorias do sistema.
Visao da Camada JSONL
Os JSONL registram saídas intermediarias do pipeline e permitem auditoria, reprocessamento e reproducibilidade.
raw
extract
chunk
embed
processed JSONL
Arquivos Principais
- data/processed/chunks_embedded.jsonl: base vetorial dos chunks.
- data/processed/memory/*.jsonl: memorias operacionais do workflow.
- tests/golden/*.jsonl: massa de validacao e regressao.
Uso Pratico
- Auditar o que foi produzido pelo pipeline.
- Reconstituir entradas para testes e avaliacao.
- Entender a origem de evidencias recuperadas pelo RAG e pelos agentes.
Analise Cognitiva
Use o agente com DeepSeek para sintetizar evidencias recuperadas, explicar o raciocinio e expor a trilha de observabilidade.
Dashboard Cognitivo
Trace Cognitivo
Execute uma analise para visualizar o estado, scores, politicas e custos do workflow.
A analise cognitiva exibira a resposta do agente, a observabilidade da recuperacao e as evidencias utilizadas.
Arquitetura (SDD)
Visao consolidada dos componentes, fluxo de dados, operacao e decisoes arquiteturais do sistema em uso.
1. Contexto e Escopo
Este SDD descreve a arquitetura da plataforma de conhecimento usada no mestrado, cobrindo ingestao, retrieval hibrido, grafo, agentes e camada web.
SistemaKnowledge Graph Platform
EscopoPipeline + Backend v2 + Web
ParadigmaRAG + Grafo + Multiagente
PersistenciaNeo4j + JSONL
2. Requisitos Funcionais
- Ingerir fontes LaTeX, PDF e Markdown com padronizacao de metadados.
- Gerar chunks e embeddings para busca semantica.
- Responder perguntas com retrieval vetorial, lexical e contexto de grafo.
- Executar analise cognitiva por agente selecionado no endpoint v2.
- Expor analises na UI: vetorial, lexical, estrutural, cognitiva e grafica.
3. Requisitos Nao Funcionais
- Explicabilidade: toda resposta deve apontar evidencias usadas.
- Rastreabilidade: workflow trace com estagios, scores e custo.
- Seguranca: consultas Cypher somente em modo leitura.
- Evolucao gradual: compatibilidade entre endpoint legado e v2.
- Reprodutibilidade: pipeline versionado e configuravel por ambiente.
4. Visao Logica (Componentes)
- Ingestao: extracao, chunking, embeddings e carga no grafo.
- Core de conhecimento: Neo4j com entidades e relacoes semanticas.
- Retrieval: hibrido com rerank e compressao por token budget.
- Orquestracao: planner, retrieval, executor, reviewer e judge.
- API: rotas de analise, dashboard e replay de workflow.
- UI: exploracao de fontes, grafo, resultados e observabilidade.
5. Visao de Dados e Fluxo
Fontes documentais
Extracao
Chunks + embeddings
Carga Neo4j
Retrieval hibrido
Workflow cognitivo
Resposta + evidencias
Dominios agregadores iniciais: LaTeX, Plataforma Web, Artigos, Edital e Estudo Desenvolvido.
6. Visao de Implantacao
- Neo4j e web podem subir por Docker Compose.
- API FastAPI serve estaticos e endpoints de analise.
- Config via .env para modelo, embedding, budget e runtime mode.
- Modo local prioriza reproducao de pesquisa e iteracao rapida.
7. Interfaces e Contratos
- POST /api/v2/agent/analyze: rota principal do runtime stateful.
- GET /api/v2/dashboard/summary: resumo operacional do backend.
- GET /api/v2/workflow/replay: reexecucao de trace por id.
- Specs JSON validam contratos de agentes, estado e eventos.
8. Riscos Tecnicos
- Desalinhamento entre embeddings e dimensao do indice vetorial.
- Retrieval fora de escopo quando filtros de documento nao forem respeitados.
- Dependencia de provedores LLM externos e limites de latencia.
- Crescimento de memoria/trace sem politica de retencao adequada.
9. Mitigacoes
- Validacao de contrato em input/output dos agentes.
- Guard de estado para transicoes e ownership de mutacao.
- Politicas de HITL/reflection/retry com thresholds explicitos.
- Roteamento para fallback single-LLM quando necessario.
10. ADRs Atuais
Decisao para reduzir ruido inicial e permitir expansao progressiva por demanda.
Evolucao arquitetural sem quebrar o endpoint legado durante migracao.
Combina qualidade de resposta com controle de escopo, custo e explicabilidade.