Agente Frete Mínimo

"Agente de Frete Mínimo" "Frete Mínimo ANTT" 📦 Agente de Frete Mínimo ANTT (AgenteFreteMinimo) Projeto Avaliativo — Curso: IA para Desenvolvedores [T2] 🔗 Repositório GitHub: samuelmarquesgit/AgenteFreteMinimo 🎥 Vídeo de Demonstração:    • Agente Frete Mínimo   🎯 1. Visão Geral e Objetivo O Agente de Frete Mínimo ANTT é um sistema agêntico autônomo baseado em LangGraph projetado para automatizar e auditar o cálculo oficial de frete rodoviário conforme a Resolução ANTT nº 5.867/2020 e a Lei nº 13.703/2018. Principais Destaques: Entrada via linguagem natural ou JSON estruturado (Pydantic v2). Consulta defensiva à calculadora oficial da ANTT com fallback de contingência e TAG (Table-Augmented Generation). Resiliência com failover multi-LLM (OpenAI ➔ Anthropic ➔ Google ➔ Groq). Camada de segurança e guardrails (anti-jailbreak, PII/LGPD, rate limit). Auditoria ponta a ponta com persistência em 8 tabelas relacionais. Fila assíncrona (Redis + Celery) com DLQ e automação low-code via n8n. Machine Learning preditivo (LightGBM + SHAP) e observabilidade OpenTelemetry. 100% de cobertura de testes automatizados (linhas e branches). 📋 2. Resumo da Arquitetura e Entregas Orquestração Agêntica: Grafo cognitivo acíclico (StateGraph no LangGraph) com desvios condicionais e processamento paralelo para combinações veiculares. Integração de Tools: Captura de CSRF, web scraping (BeautifulSoup) e cache-aside em SQLite local. Multi-LLM com Failover: Fallback automático entre 4 provedores de IA. Guardrails & Segurança: Filtros pré/pós-LLM para injeção de prompt, mascaramento de PII e sanitização. Auditoria & Persistência: Histórico completo de sessões, nós, custos e guardrails via SQLAlchemy (SQLite/PostgreSQL). Múltiplas Interfaces: Web UI (Streamlit), API REST corporativa (FastAPI) e CLI. Automação & Notificações: Webhook n8n integrado para fretes críticos (maior que R$ 5.000) via filas Celery/Redis. CI/CD Robusto: Pipeline no GitHub Actions com 7 jobs (Ruff, Pytest 100% coverage, Gitleaks, Trivy, SonarCloud e análise inteligente de logs). ⚙️ 3. Decisões Arquiteturais Importantes Por que NÃO usar RAG Vetorial? O cálculo do piso mínimo é 100% matemático e determinístico. O uso de RAG vetorial geraria risco de aproximação semântica e valores defasados frente às oscilações do diesel S10. A solução adotada foi TAG (Table-Augmented Generation) com scraping em tempo real e matriz de contingência local. Por que sem aprovação humana (Human-in-the-loop)? O agente atua exclusivamente em modo de consulta analítica (Read-Only), sem impacto financeiro direto ou escrita em sistemas externos. 🔄 4. Fluxo de Execução Simplificado Entrada (Chat/API/CLI) ➔ Guardrails (Segurança/PII) ➔ Interpretação (Multi-LLM + Pydantic) ➔ Validação de Parâmetros ➔ Consulta ANTT (TAG / Scraper / Contingência) ➔ Auditoria (8 Tabelas) ➔ Relatório Final ➔ Fila Celery/Redis ➔ n8n (Fretes Críticos) 💻 5. Como Executar Localmente Bash 1. Configurar ambiente e dependências python -m venv .venv source .venv/bin/activate # (.venv\Scripts\activate no Windows) pip install -r requirements.txt -r requirements-dev.txt cp env.example .env 2. Executar serviços streamlit run streamlit_app.py # Interface Web (Porta 8501) uvicorn api:app --reload --port 8000 # API REST (FastAPI) streamlit run monitoring/dashboard.py --server.port 8502 # Observabilidade docker compose up -d redis n8n # Serviços Docker celery -A agent.tasks.celery_app worker -l info # Worker Celery 3. Testes Automatizados (100% Cobertura) pytest #LangGraph #Python #IA #FastAPI #Streamlit #n8n #MachineLearning #ANTT #OpenAI #EngenhariaDeSoftware #AgenteFreteMinimo