Preparar dados e significado
Importar CSV/Parquet com prévia, ajustar tipos e codificação e examinar nulos, duplicidades e relacionamentos. O catálogo e o editor semântico registram descrições, unidades e regras da base.
Todos os projetos01 02 03 04 05
04 / IA · DA LINGUAGEM NATURAL À ANÁLISE VERIFICÁVEL
AnalisIA — Agente de análise de dados.
Agente de IA que transforma perguntas em português em análises com SQL, tabelas e gráficos. Bases próprias, conversa com contexto e evidências para conferir cada resposta.
Em evolução · aplicativo independente no StreamlitAbrir aplicativo
APLICATIVO INDEPENDENTE
Explore a AnalisIA
Escolha entre Loja, Vendas e Estoque ou importe CSV/Parquet. Explore as análises prontas sem API; para perguntas livres, conecte sua chave Gemini na sessão do aplicativo.
Abrir aplicativoO aplicativo abre em uma nova aba no Streamlit.
- 01Pergunta em portuguêsContexto de conversa por sessão
- 02Catálogo e semânticaDescrições, tipos e regras da base
- 03SQL validado + DuckDBConsulta com restrições e prazo
- 04Evidência verificávelResposta + tabela + visualização
01 / CONTEXTO
A pergunta de partida
Como permitir perguntas em português sobre uma base tabular e tornar examináveis a consulta, os valores e a visualização que sustentam a resposta?
A AnalisIA conecta linguagem natural a bases tabulares e acompanha as respostas com SQL executado, tabela e visualização. O núcleo atende ao navegador, à CLI e ao MCP. A entrada de portfólio oferece workspace por visitante, três bases sintéticas, importação CSV/Parquet e dez análises prontas sem API.
Minha contribuição
Desenvolvo a AnalisIA para conectar minha trajetória em Dados e BI à construção de agentes. Estruturei o fluxo de análise, a importação e o catálogo de bases, o contexto de conversa, o dashboard e a validação das evidências. Esta apresentação foi revisada a partir do código e da documentação local versionada em 10/11/2026, revisão 02184c7.
Perguntas investigadas
- Como responder em linguagem natural sem esconder a consulta e os dados que sustentam a análise?
- Como preservar contexto e regras ao alternar entre bases de domínios diferentes?
- Como avaliar evidência, recusas e limites com cenários reproduzíveis?
02 / ABORDAGEM
As decisões do caminho
Interpretar com contexto delimitado
Usar Pydantic AI e Gemini para interpretar a pergunta e escolher ferramentas. A conversa mantém contexto limitado por sessão; trocar a base ou a semântica limpa esse contexto. Cada resposta exige sua própria evidência.
Executar e tornar a evidência inspecionável
Validar SQL com sqlglot antes de consultar o DuckDB com acesso externo restrito. Respostas incluem consulta, tabela e visualização. O cache reexecuta o SQL e invalida evidências quando os dados ou as regras mudam.
Avaliar em mais de um domínio
Manter 59 casos de avaliação em futebol, vendas e estoque, com 44 gabaritos SQL. Testes offline exercitam ferramentas e fluxos; rodadas com modelo real examinam a equivalência das evidências e registram falhas e consumo separadamente.
Separar aplicação e apresentação
O aplicativo independente concentra workspace, bases, perguntas e análises prontas. O portfólio apresenta o problema, a arquitetura e as evidências de desenvolvimento, com acesso direto ao Streamlit.
03 / ENTREGAS E LEITURAS
O que ficou disponível
- Aplicação Streamlit, CLI e servidor MCP de leitura
- Upload CSV/Parquet com prévia, tipos, diagnóstico de qualidade e catálogo semântico
- Conversa com contexto, dashboard e cache com SQL reexecutado
- Workspace por visitante com Loja, Vendas e Estoque; dez análises prontas sem API
- Avaliações em três domínios, observabilidade e receita Docker/Compose
O que a análise documenta
A documentação de 10/11 registra 351 testes aprovados, incluindo seleção de bases, importação, navegação, conversa e isolamento entre visitantes. Esse resultado testa os fluxos com modelos roteirizados; não equivale a uma medição de acurácia do LLM.
A rodada real de 09/11 executou 118 casos, 59 por modelo. Após revisão dos avaliadores, houve evidência equivalente em 41 de 44 gabaritos SQL no Flash e 39 de 44 no Lite. Esses resultados pertencem à versão avaliada naquela data, com falhas por limites registradas.
No workspace publicado, a seleção da base passou a persistir entre páginas e ao conectar ou desconectar a IA. A entrada de portfólio mantém chave e arquivos do visitante separados por sessão.
APRENDIZADO EVIDENCIADO
Uma resposta convincente não basta. O trabalho está em preservar significado, tornar a evidência inspecionável e distinguir o que um teste de fluxo verifica do que uma avaliação com modelo real consegue demonstrar.
04 / EVIDÊNCIAS
Evolução documentada.
Revisão do projeto
Revisão documental e de código local em 10/11/2026, commit 02184c7. Foram examinados README, capacidades e relatórios de avaliação e workspace. Os números de testes são resultados registrados pelo projeto; não foram reexecutados nesta reformulação. O núcleo, as chaves e os dados pessoais não integram o portfólio.
05 / LIMITAÇÕES
Até onde as evidências vão
- A validação de SQL e números não garante toda interpretação qualitativa produzida pelo modelo. A evidência permanece disponível para inspeção.
- Perguntas livres exigem a chave Gemini do visitante no aplicativo independente. Análises prontas e exploração das bases funcionam sem API; a geração depende da disponibilidade e da cota do provedor.
- Os uploads do workspace são temporários, com estado por sessão. Não há promessa de persistência após reinícios ou de autenticação e coordenação entre réplicas.
- A rodada de 09/11 não mede as alterações posteriores. O teste real de 10/11 está documentado como inconclusivo; os resultados locais não foram reproduzidos nesta revisão do portfólio.
Situação documentada
Em evolução · aplicativo independente no Streamlit. Esta descrição se baseia nos artefatos consultados; não estabelece conclusão ou atividade do projeto pela data do último commit.