Sistema de perguntas e respostas baseado em IA que utiliza RAG (Retrieval Augmented Generation) para responder questões com base no conteúdo de áudios de salas.
A API processa áudios enviados por usuários, transcreve o conteúdo via IA, gera embeddings semânticos e utiliza busca vetorial para recuperar contexto relevante antes de gerar respostas inteligentes.
Em ambientes de aulas, reuniões ou sessões gravadas, grande parte do conhecimento fica “preso” no áudio.
Este sistema resolve isso permitindo que:
- Áudios sejam armazenados e processados automaticamente
- O conteúdo seja transformado em conhecimento pesquisável
- Usuários façam perguntas em linguagem natural
- O sistema responda com base no conteúdo real das gravações
O sistema segue um fluxo de recuperação e geração baseado em embeddings:
A recuperação de contexto é feita por similaridade de cosseno entre embeddings vetoriais.
- 1.0 → semântica idêntica
- 0.0 → sem relação
- -1.0 → opostos
O sistema utiliza um threshold mínimo de 0.45, garantindo que apenas trechos com relevância semântica real sejam usados como contexto.
O sistema é estruturado em torno de três conceitos principais:
- Salas (Rooms) → agrupam contexto de uma sessão
- Perguntas (Questions) → consultas feitas pelos usuários
- Áudios (Audio chunks) → unidade central de conhecimento
Relacionamentos:
- Room → 1:N → Questions
- Room → 1:N → Audio chunks
Os audio chunks armazenam:
- transcrição
- embedding vetorial
- metadados de contexto
👉 Essa estrutura permite recuperação granular e precisa de informação.
| Tecnologia | Papel no Sistema |
|---|---|
| NestJS | Estrutura modular da API e orquestração. |
| Prisma | ORM e gerenciamento de dados. |
| PostgreSQL | Persistência e armazenamento vetorial. |
| Google Gemini | Transcrição, embeddings e geração de respostas. |
| pg | Driver de conexão com PostgreSQL. |
| class-validator | Validação de dados de entrada. |
| class-transformer | Serialização e transformação de DTOs. |
| reflect-metadata | Suporte a decorators no runtime. |
| Tecnologia | Uso |
|---|---|
| TypeScript | Tipagem e segurança de código. |
| ESLint | Padronização e qualidade de código. |
| Prettier | Formatação automática. |
| Husky | Git hooks (qualidade de commits). |
| Commitlint | Padronização de commits. |
| Faker | Geração de dados de teste. |
| Prisma CLI | Migrações e schema. |
O projeto utiliza um arquivo .env com as seguintes variáveis:
| Nome | Descrição | Exemplo |
|---|---|---|
POSTGRES_USER |
Usuário do banco | postgres |
POSTGRES_PASSWORD |
Senha do banco | postgres |
POSTGRES_DB |
Nome do banco | agents-db |
DATABASE_URL |
String de conexão | postgresql://postgres:postgres@localhost:5432/agents-db |
FRONT_END_ORIGIN |
CORS do frontend | http://localhost:5173 |
GEMINI_API_KEY |
Chave da API Gemini | AIg3fgkseg_Qs-QzkOm6TDYUXZ8A8RjAYwbKDQPD09Kok |
- Clone o repositório e acesse o diretório do projeto:
git clone https://github.com/oliveiradniel/letmeask.server.git
cd letmeask.server- Instale as dependências:
npm install- Configure o ambiente:
# Linux/macOS
cp .env.example .env
# Se estiver no Windows (PowerShell)
copy .env.example .env- Suba os serviços:
docker compose up -d- Execute a API:
npm run start:dev- Preencha as tabelas (Opcional):
npx prisma db seedPara conseguir utilizar a aplicação vá até o repositório web e siga os passos corretamente para colocá-la no ar e fazer uso.
- JungleOps - gestão de tarefas em equipe em tempo real.
- InOrbit - Gestão de metas semanais com gamificação.
- ForgePlan API - Sistema industrial de planejamento e estoque.