Case — Rocester (Catálogo Digital Inteligente de Peças Industriais)

Tipo: AutoU (cliente: Rocester — peças industriais) Papel: Desenvolvedor Full Stack / IA — participação na fundação do projeto (arquitetura e base funcional inicial) Status: No ar (em produção); evoluções em roadmap Stack: Python, FastAPI, React + TypeScript, PostgreSQL (pgvector habilitado), Gemini Vision (extração de PDF), JWT com roles, Docker Compose, ReportLab (roadmap), full-text search (RAG)

Nota de confidencialidade: projeto de cliente da AutoU — validar o que pode ser público antes de expor nome/detalhes.

Contexto e problema

Os vendedores da Rocester consultavam catálogos de peças em PDFs escaneados de fornecedores: achar uma peça, conferir código OEM e montar orçamento era lento e sujeito a erro. Digitalizar os catálogos manualmente era inviável pelo volume.

Solução

Plataforma que transforma PDFs de catálogo em base de dados pesquisável com IA:

Pipeline de ingestão de PDFs com Gemini Vision: upload do catálogo → extração estruturada de peças (código, OEM, descrição, categoria, equipamento) com temperature=0.1, JSON mode e retries
Score de confiança por peça (0.0–1.0) com reasoning textual: peças extraídas entram como pendentes; painel de revisão com ações em massa (aprovar/reprovar) para curadoria humana eficiente
Busca e filtros por código, OEM, descrição, categoria e equipamento
Orçamentos: carrinho, código automático (ORC-AAMM-XXXX), histórico
Assistente IA (chat): sugestão de peças por texto livre com RAG sobre o catálogo real

Arquitetura e decisões técnicas

Inversão de dependência na camada de IA: o domínio não conhece o provedor LLM — trocar Gemini por outro modelo não toca o negócio (documentado na arquitetura do README)
Ciclo de vida explícito da peça: extraída → pendente de revisão → aprovada/reprovada — IA propõe, humano dispõe; o catálogo público só contém dados curados
Extração com controles anti-alucinação: temperatura baixa, saída JSON estrita, retries e score de confiança com justificativa por item
JWT com roles (admin / seller): vendedor consulta e orça; admin importa e cura
pgvector já habilitado no banco para evolução de busca semântica por embeddings (roadmap documentado, incluindo processamento assíncrono da ingestão e export de orçamento em PDF)
Proposta técnico-comercial e plano de projeto versionados junto ao código

Desafios e soluções

PDFs heterogêneos de fornecedores (tabelas, imagens, layouts variados): Vision multimodal + revisão humana em massa equilibram automação e precisão
Confiança do vendedor no dado: score + reasoning por peça tornam o "quão certo a IA está" visível, não escondido

Resultados e impacto

Catálogos em PDF viram base pesquisável sem digitação manual [nº de peças/catálogos A CONFIRMAR]
Orçamento montado no mesmo fluxo da busca — menos alternância de ferramenta para o vendedor
Curadoria em massa reduz o custo humano de validar a extração da IA