Desenvolvimento de Sistema Multiagente de Ia com Rag e Estratégias Anti-Alucinação

Estamos buscando um freelancer ou equipe para desenvolver um sistema de inteligência artificial multiagente robusto e escalável. O objetivo é criar uma solução que integre diversas fontes de dados e garanta respostas precisas e embasadas, minimizando alucinações.

O projeto será estruturado nas seguintes camadas e componentes:

1. Camada de Interface e Orquestração:
  - Frontend: A interface do usuário deve seguir um estilo similar ao ChatGPT. Para um MVP, pode ser implementado com Streamlit, com a possibilidade de migrar para Next.js para a versão de produção, visando maior desempenho e escalabilidade.
  - Cérebro (Orchestrator): Utilizaremos LangGraph para a orquestração dos agentes. Esta ferramenta é preferível para sistemas multiagentes, pois permite que os agentes interajam entre si e revisitem etapas quando a informação inicial for insuficiente ou incompleta.

2. Especialização dos Agentes (Multiagentes):
  O sistema será modular, dividido em agentes especializados para diferentes tipos de dados e funções:
  - Agente de Documentos (RAG): Especializado em processar e buscar informações em documentos PDF e Office. Utilizará LlamaIndex para busca semântica, garantindo a recuperação de informações relevantes.
  - Agente de Dados Estruturados: Focado em interagir com bancos de dados relacionais (MySQL/PostgreSQL). Será responsável por consultar dados estruturados usando ferramentas como Vanna.ai ou SQLAlchemy.
  - Agente de APIs: Desenvolvido para realizar chamadas RESTful a sistemas externos, integrando o sistema com outras plataformas e serviços.
  - Agente Crítico (Guardrail): Um componente essencial para a validação final das respostas. Este agente verificará se a resposta gerada possui embasamento (grounding) nos dados fornecidos antes de ser apresentada ao usuário, atuando como um filtro de qualidade.

3. Estratégia Anti-Alucinação (Rastreabilidade):
  Para assegurar que o modelo responda exclusivamente com base nos dados internos e evitar alucinações, serão implementadas as seguintes estratégias:
  - Prompt de Sistema Restritivo: O modelo será configurado com um prompt que o instrui a responder que não possui a informação caso ela não esteja presente no contexto fornecido.
  - Citações Obrigatórias: Todas as respostas devem ser acompanhadas de suas respectivas fontes, como [Documento_RH.pdf, pág 4] ou [Query SQL: Select...], Para garantir rastreabilidade e confiança.
  - Verificação de Grounding: Uma etapa de "Auto-Correction" será implementada, onde o agente revisará suas próprias respostas para identificar e corrigir qualquer dado inventado ou não embasado.

4. Stack Tecnológica Sugerida:
  - Linguagem de Programação: Python 3.10+.
  - Modelos de Linguagem: GPT-4o (para raciocínio complexo) ou Claude 3.5 Sonnet (para contexto longo).
  - Banco de Dados Vetorial: PGVector (se o PostgreSQL for o banco de dados principal) ou alternativas como Qdrant/Pinecone.
  - Infraestrutura: O sistema deve ser dockerizado para facilitar o deploy, gerenciamento e escalabilidade.