{"id":49353265,"url":"https://github.com/joaosanches/lead-intelligence-engine","last_synced_at":"2026-04-27T11:01:24.792Z","repository":{"id":346810874,"uuid":"1191647289","full_name":"joaosanches/lead-intelligence-engine","owner":"joaosanches","description":"Projeto de IA aplicada para classificação de leads com uso de LLMs, saídas estruturadas, validação de dados e workflows determinísticos.","archived":false,"fork":false,"pushed_at":"2026-03-25T14:23:35.000Z","size":61,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":0,"default_branch":"main","last_synced_at":"2026-03-26T17:09:22.693Z","etag":null,"topics":["backend","fastapi","ia","llm","machine-learning","nlp","pydantic","python"],"latest_commit_sha":null,"homepage":"","language":"Python","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/joaosanches.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null,"zenodo":null,"notice":null,"maintainers":null,"copyright":null,"agents":null,"dco":null,"cla":null}},"created_at":"2026-03-25T13:00:56.000Z","updated_at":"2026-03-25T14:24:25.000Z","dependencies_parsed_at":null,"dependency_job_id":null,"html_url":"https://github.com/joaosanches/lead-intelligence-engine","commit_stats":null,"previous_names":["joaosanches/lead-intelligence-engine"],"tags_count":null,"template":false,"template_full_name":null,"purl":"pkg:github/joaosanches/lead-intelligence-engine","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/joaosanches%2Flead-intelligence-engine","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/joaosanches%2Flead-intelligence-engine/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/joaosanches%2Flead-intelligence-engine/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/joaosanches%2Flead-intelligence-engine/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/joaosanches","download_url":"https://codeload.github.com/joaosanches/lead-intelligence-engine/tar.gz/refs/heads/main","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/joaosanches%2Flead-intelligence-engine/sbom","scorecard":null,"host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":286080680,"owners_count":32333199,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2026-04-26T23:26:28.701Z","status":"online","status_checked_at":"2026-04-27T02:00:06.769Z","response_time":128,"last_error":null,"robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":true,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["backend","fastapi","ia","llm","machine-learning","nlp","pydantic","python"],"created_at":"2026-04-27T11:01:23.845Z","updated_at":"2026-04-27T11:01:24.785Z","avatar_url":"https://github.com/joaosanches.png","language":"Python","funding_links":[],"categories":[],"sub_categories":[],"readme":"# 🚀 Lead Intelligence Engine\n\nProjeto de IA aplicada para classificação de leads utilizando LLMs, com foco em saídas estruturadas, validação com Pydantic e workflows determinísticos.\n\n---\n\n## 🎯 Objetivo\n\nEste projeto demonstra como utilizar modelos de linguagem (LLMs) para resolver um problema real de negócio: **classificação e priorização de leads**.\n\nA proposta é transformar texto não estruturado (mensagens de leads) em decisões estruturadas e acionáveis.\n\n---\n\n## 🧠 Problema\n\nLeads chegam com mensagens livres, por exemplo:\n\n\u003e \"Quero saber o valor do financiamento e preciso fechar hoje\"\n\nSem estrutura, fica difícil:\n- priorizar atendimento\n- automatizar decisões\n- escalar operação\n\n---\n\n## ⚙️ Solução\n\nPipeline de classificação com LLM:\n\n1. Recebe dados do lead\n2. Processa e estrutura entrada\n3. Classifica via LLM (ou heurística local)\n4. Valida saída com Pydantic\n5. Retorna decisão padronizada\n\n---\n\n## 📦 Exemplo\n\n### Entrada\n\n```json\n{\n  \"message\": \"Quero saber o valor do financiamento urgente\",\n  \"source\": \"landing_page\"\n}\n```\n\n### Saída\n\n```json\n{\n  \"intent\": \"high_purchase_intent\",\n  \"priority\": \"high\",\n  \"category\": \"financing\",\n  \"suggested_action\": \"immediate_contact\",\n  \"confidence\": 0.86\n}\n```\n\n---\n\n## 🏗️ Arquitetura\n\n- FastAPI: camada de API\n- Pydantic: validação e contratos de dados\n- Provider Layer: abstração de LLM (`mock`, `groq`, `openai-ready`)\n- Service Layer: orquestração da análise\n\n---\n\n## 🔌 Providers suportados\n\n- `mock`: sem custo, baseado em heurística (para desenvolvimento)\n- `groq`: integração com LLM real\n- `openai`: preparado para futura integração\n\n---\n\n## 🛠️ Setup do ambiente (uv)\n\nEste projeto utiliza `uv`, uma ferramenta moderna para gerenciamento de dependências Python.\n\n### 📦 Instalar uv\n\n```bash\ncurl -Ls https://astral.sh/uv/install.sh | sh\n```\n\nou:\n\n```bash\npip install uv\n```\n\n### 🧱 Criar ambiente virtual\n\n```bash\nuv venv\n```\n\nAtivar:\n\n```bash\nsource .venv/bin/activate\n```\n\n### 📥 Instalar dependências\n\n```bash\nuv sync\n```\n\nPara instalar dependências de desenvolvimento:\n\n```bash\nuv sync --group dev\n```\n\nDependências de desenvolvimento configuradas no projeto:\n\n```toml\n[dependency-groups]\ndev = [\n    \"pytest\",\n    \"pytest-asyncio\"\n]\n```\n\n---\n\n## ⚙️ Configuração\n\nCrie um arquivo `.env` baseado no `.env.example`:\n\n```env\nLLM_PROVIDER=mock\n```\n\n---\n\n## ▶️ Executando a aplicação\n\n```bash\nuv run uvicorn app.main:app --reload\n```\n\nAcesse:\n\n👉 http://127.0.0.1:8000/docs\n\n---\n\n## 🧪 Testes\n\n```bash\nPYTHONPATH=. uv run pytest -q\n```\n\n---\n\n## 🧠 Conceitos aplicados\n\n- LLM aplicado a problema real\n- Saída estruturada (structured output)\n- Validação de resposta (Pydantic)\n- Abstração de provider\n- Workflow determinístico\n- Separação de responsabilidades\n\n---\n\n## 🚧 Próximos passos\n\n- Implementar roteamento por tipo de lead (routing)\n- Criar dataset de avaliação\n- Adicionar métricas de qualidade\n- Comparar providers (Groq vs outros)\n- Implementar fallback heurístico\n- Melhorar score de confiança\n\n---\n\n## 📌 Motivação\n\nEste projeto foi criado como parte da transição para atuação em IA aplicada, com foco em:\n\n- confiabilidade de sistemas baseados em LLM\n- qualidade de respostas\n- integração com sistemas reais\n\n---\n\n## 👨‍💻 Autor\n\nJoão Paulo Gonçalves Sanches  \nSenior Software Engineer / Tech Lead\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fjoaosanches%2Flead-intelligence-engine","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fjoaosanches%2Flead-intelligence-engine","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fjoaosanches%2Flead-intelligence-engine/lists"}