Orçamentista Autônomo

Hackathon Converge Challenge powered by Tako · Porto Digital, Recife · 7–8/11/2026

O arquiteto sobe a lista de materiais do projeto e recebe, em poucos minutos, um estudo de viabilidade: preço mínimo, médio e máximo de cada item com as lojas de onde veio, quantas embalagens comprar, o que ainda precisa de especificação, onde comprar e se cabe no orçamento do cliente.

Aviso sobre o repositório: este repositório é um fork do original, enzoemanuelgl/Converge-Challenge. Durante o hackathon, a conta da Vercel do Enzo bateu no limite de deploys do plano gratuito, e os builds passaram a falhar. Para continuar publicando, o projeto passou da conta de enzoemanuelgl para a de Joaomoura07: o fork é o repositório principal e o site e a API são publicados a partir dele. O histórico de commits do time foi preservado.

• Repositório principal: https://github.com/Joaomoura07/Converge-Challenge
• Site: https://orcaai-agent.vercel.app
• API: https://orcaapijndbjdfvk.vercel.app (/health, /docs)
• Demonstração: roteiro dos exemplos para os jurados. Comece pelo teste_1: de três a cinco materiais especificados, sem preços pré-preenchidos.

O problema

Montar orçamento e estudo de viabilidade é trabalho manual: a lista sai do Revit, do SketchUp ou de uma planilha, e o arquiteto pesquisa preço loja por loja, converte metro quadrado em latas e caixas e soma tudo. Uma lista de 50 itens leva horas e cada preço fica sem rastro de onde veio.

Como funciona

1. Entrada: nome, CEP e orçamento do cliente; lista importada (CSV, Excel — .xlsx, .xls e .xlsm —, TXT do Revit ou PDF com texto), planta em DXF, modelo BIM em IFC ou modelo SketchUp (SKP). Também aceita digitação manual e arquivos de exemplo. Todas as entradas alimentam a mesma lista editável para revisão.
2. Revisão antes de gastar IA: regras apontam erros (unidade incompatível, quantidade fora da faixa, duplicados, colunas trocadas) e sugerem itens que costumam faltar (argamassa e rejunte para porcelanato, selador para pintura). Nada muda sem o clique do arquiteto.
3. Pesquisa agêntica, item por item, ao vivo na tela (Supabase Realtime):
   • cache de preços (7 dias);
   • busca nas lojas (Tavily, DuckDuckGo de reserva) e em lojas da cidade da obra;
   • um modelo rápido lê cada anúncio, extrai preço e embalagem e confere se é o mesmo produto;
   • conferências sem IA descartam o que não presta: preço que não está escrito no anúncio, código do produto lido como preço, embalagem que não bate com o título, ferramenta no lugar do material, fonte que não é loja;
   • quando faltam lojas, um agente ReAct (GLM-5.2, tool calling) lê o que deu errado, reformula a busca e tenta de novo (até 2 vezes);
   • o cálculo (Python, sem IA) tira outliers, monta a faixa de preço, converte o quantitativo em embalagens com perda e dá a confiança.
4. Item genérico ("tinta branca") recebe faixa estimada e uma pergunta objetiva ao arquiteto. A resposta dispara uma nova pesquisa daquele item.
5. Resultado: plano de compra por loja, viabilidade (cabe ou quanto falta, com sugestões de economia), ganho de tempo e custo de IA, e exportação em Excel.

Regra de ouro: nenhum preço sem fonte. Cada pesquisa gera um trace no Langfuse com cada busca, cada chamada ao LLM, tokens, custo e tempo.

Arquitetura

 Site (Next.js, Vercel) ── POST /orcamentos ──▶ API FastAPI (Vercel)
        ▲                                         │ grava itens "buscando"
        │ Realtime                                ▼
   Supabase ◀── grava cada item pronto ── pesquisar_orcamento (mesma requisição)
   (orcamentos,                               ├─ cache_precos
    orcamento_itens,                          ├─ busca: Tavily / DuckDuckGo / lojas da região
    cache_precos)                             ├─ extração: Qwen3-32B (reserva Mistral Small 3.2)
                                              ├─ agente ReAct: GLM-5.2 (reserva Qwen3-32B)
                                              ├─ cálculo: embalagens, perda, faixa, confiança
                                              └─ fim: logística, viabilidade, ganho (Fatia C)
   Langfuse ◀── 1 trace por orçamento (sessão = id do orçamento)

Pasta / arquivo	O que tem
src/rotas_orcamentos.py	POST /orcamentos: valida, classifica, grava e chama a pesquisa
src/revisao.py, src/rotas_revisao.py	Revisor E1 e POST /revisao/sugestoes/completo
src/complementos.py	Itens que costumam faltar (E2)
src/pesquisa.py, src/busca.py, src/precos.py, src/calculo.py, src/compra.py, src/cache.py	Pesquisa de preço (Fatia B)
src/orcamento.py	Pesquisa do orçamento no banco, "Pesquisar de novo" e "Responder"
src/alternativas.py	"Pesquisar de novo" buscando maior qualidade, menor preço ou semelhante
src/logistica.py, src/viabilidade.py, src/ganho.py, src/exportar.py, src/rotas_resultado.py	Resultado (Fatia C)
src/agent.py, src/tools.py	Loop ReAct e registro de ferramentas
prompts/	Prompts versionados
sql/002_orcamentos.sql	SQL único das tabelas, funções, RLS e Realtime
frontend/	Site (Next.js + TypeScript)
tests/, frontend/src/**/*.test.ts	Testes do backend (pytest) e do site (vitest)

Rodar localmente

Requer Python 3.11+ e Node 20+.

pip install -r requirements.txt
cp .env.example .env              # preencha as chaves
python -m scripts.check_setup     # valida Featherless, Langfuse, Supabase, Tavily
uvicorn src.main:app --reload     # API em http://localhost:8000

cd frontend && npm ci && npm run dev

Banco: rode sql/002_orcamentos.sql no SQL Editor do Supabase (pode rodar de novo: é idempotente) e confira com sql/verificar_supabase.sql.

This is the beginning of the README. Read the rest at the original. Read the full README ↗