Skip to content
BranchesTags

Repository files navigation

🤖 DataChat - BI

DataChat BI é uma solução de Business Intelligence conversacional para logística, baseada em IA generativa e RAG (Retrieval-Augmented Generation). O sistema utiliza LLMs para interpretar perguntas em linguagem natural, gerar consultas SQL dinâmicas e entregar respostas precisas e contextualizadas, incluindo gráficos e KPIs. Com arquitetura modular de prompts e memória de conversa, DataChat BI oferece uma interface inteligente para análise avançada de dados logísticos via dashboard e principalmente chatbot.

🗂️ Índice

🛠️ Tecnologias Usadas

Geral

Frontend

O frontend foi criado com React e utiliza:

  • react-router-dom (navegação entre páginas)
  • axios (requisições HTTP)
  • recharts (gráficos e visualizações)
  • react-icons (ícones)
  • uuid (geração de IDs)
  • react-scripts (scripts de build e desenvolvimento)

Backend

O backend foi construído com FastAPI + LangChain, incluindo:

  • fastapi (API backend)
  • uvicorn (servidor ASGI)
  • sqlalchemy + psycopg2-binary (integração com PostgreSQL)
  • langchain, langchain-core, langchain-community, langchain-groq (IA e LLMs)
  • requests / httpx (requisições HTTP)
  • pydantic (validação de dados)
  • faker (dados de teste)

Modelos LLM:

  • llama-3.3-70b-versatile - Para geração das queries
  • llama-3.1-8b-instant - Para as respostas amigáveis

🌳 Estrutura do Projeto

├── 📁 backend/
│   ├── 📁 app/
│   │   ├── 📁 api/
│   │   │   └── 🐍 dashboard.py
│   │   ├── 📁 chains/
│   │   │   └── 🐍 sql_rag_chain.py
│   │   ├── 📁 core/
│   │   │   ├── 🐍 config.py
│   │   │   ├── 🐍 database.py
│   │   │   └── 🐍 llm.py
│   │   └── 📁 prompts/
│   │       └── 🐍 sql_prompts.py
│   ├── 📁 venv
│   ├── 🔒 .env
│   ├── 🐍 api.py
│   ├── 📄 requirements.txt
│   └── 📄 testes.txt
├── 📁 db_scripts/
│   ├── 🐍 criar_tabelas.py
│   └── 🐍 popular_tabelas.py
├── 📁 frontend/
│   ├── 📁 public/
│   │   ├── 🖼️ favicon.ico
│   │   ├── 🌐 index.html
│   │   ├── 🖼️ logo192.png
│   │   ├── 🖼️ logo512.png
│   │   ├── 📄 manifest.json
│   │   └── 📄 robots.txt
│   ├── 📁 src/
│   │   ├── 📁 components/
│   │   │   ├── 📄 ChartComponent.js
│   │   │   ├── 🎨 ChatMessage.css
│   │   │   ├── 📄 ChatMessage.js
│   │   │   ├── 🎨 Navbar.css
│   │   │   └── 📄 Navbar.js
│   │   ├── 📁 pages/
│   │   │   ├── 🎨 Chat.css
│   │   │   ├── 📄 Chat.js
│   │   │   ├── 🎨 Dashboard.css
│   │   │   └── 📄 Dashboard.js
│   │   ├── 🎨 App.css
│   │   ├── 📄 App.js
│   │   ├── 🎨 index.css
│   │   ├── 📄 index.js
│   │   └── 📄 reportWebVitals.js
│   ├── 📄 package-lock.json
│   └── 📄 package.json
├── 📄 .gitattributes
├── 🚫 .gitignore
└── 📖 README.md

🔄 Updates

Note

Versão 1

Versão Data Mudanças principais
1.0 25/09/2025 MVP funcional do DataChat BI

Próximas Implementações

  • Controle de Requisições (Rate Limiting): Atualmente, a API não impõe um limite no número de requisições que um usuário pode fazer em um curto período. Para proteger a aplicação contra abusos, controlar os custos com a API do LLM e prevenir ataques de negação de serviço (DoS), o próximo passo é implementar um controle de taxa. Isso pode ser feito com uma biblioteca como a fastapi-limiter, definindo um limite de, por exemplo, 20 perguntas por minuto por usuário ou IP.
  • Histórico de Conversa Persistente: Atualmente, o histórico do chat é perdido ao fechar a aba. Uma próxima implementação seria tornar as conversas persistentes, permitindo que o usuário retome sua sessão de onde parou. Isso seria feito trocando o store = {} em memória por um banco de dados (Redis ou PostgreSQL), aproveitando a arquitetura atual do backend.

🧠 Funcionamento

Nesta seção, apresentamos uma visão detalhada de como cada parte do DataChat BI opera, do frontend ao backend. Aqui você encontrará uma explicação clara de como os componentes, scripts e módulos interagem entre si, como os dados fluem do usuário até o banco de dados e de volta, e como a inteligência artificial é utilizada para processar perguntas, gerar consultas SQL e exibir respostas e gráficos.

O objetivo é fornecer ao leitor uma compreensão completa do funcionamento interno do sistema, permitindo não apenas usar o DataChat BI, mas também entender, manter e expandir seu código com facilidade.

Note

Para uma análise detalhada e passo a passo do fluxo completo da aplicação — desde a pergunta do usuário no frontend até a resposta final da IA — consulte o documento: Análise do Fluxo Geral

Tip

Explore o código-fonte! Cada arquivo de código mencionado abaixo foi documentado com um cabeçalho descritivo que detalha sua arquitetura, o fluxo de dados (entradas e saídas) e a responsabilidade de cada função. É um excelente complemento a esta documentação de alto nível.

backend/app/api/dashboard.py

API ROUTER PARA O DASHBOARD Padrões de arquitetura aplicados:

  1. Connection Pooling: Para reutilizar conexões com o banco de dados e melhorar a performance.
  2. Cache: Para armazenar em memória os resultados de queries lentas, tornando recargas rápidas.
  3. Dependency Injection: Padrão do FastAPI para gerenciar recursos (como conexões) de forma segura.

Note

Para a documentação dos endpoints acesse: ENDPOINTS

backend/app/chains/sql_rag_chain.py

PROMPT ENGINEERING HUB - O CÉREBRO DA APLICAÇÃO

Propósito do Arquivo:

Este arquivo é o centro de controle da inteligência artificial do sistema. Ele centraliza todas as instruções (prompts) que definem as "personalidades" e "habilidades" de cada componente de IA, garantindo que a lógica conversacional seja clara, manutenível e fácil de aprimorar.

Arquitetura e Princípio de Design:

A arquitetura segue o princípio de "Separação de Responsabilidades", onde cada tarefa complexa é dividida entre múltiplos "especialistas" de IA que operam em sequência, como uma linha de montagem:

  1. O Porteiro (ROUTER_PROMPT):
  • Responsabilidade: Classificar a intenção do usuário.
  • Ação: Decide se a pergunta é uma conversa casual ou uma consulta ao banco, direcionando-a para o caminho correto.
  1. O Especialista em Contexto (REPHRASER_PROMPT):
  • Responsabilidade: Resolver ambiguidades e contexto.
  • Ação: Pega perguntas de acompanhamento (ex: "e para ele?") e as reescreve como perguntas completas e autônomas, usando o histórico do chat.
  1. O Engenheiro SQL (SQL_PROMPT):
  • Responsabilidade: Traduzir linguagem natural para SQL.
  • Ação: Recebe a pergunta já clara do Especialista em Contexto e a converte emuma query PostgreSQL precisa, aprendendo com os exemplos fornecidos.
  1. O Analista de Dados (FINAL_ANSWER_PROMPT):
  • Responsabilidade: Formatar a resposta final para o usuário.
  • Ação: Transforma o resultado bruto do banco de dados em uma resposta amigável,seja em texto ou em um JSON estruturado para gráficos.

Note

Para a explicação do fluxo acesse: FLUXO

backend/app/core/config.py

ARQUIVO DE CONFIGURAÇÃO CENTRALIZADA (SETTINGS)

Este arquivo funciona como o "painel de controle" da nossa aplicação. Ele é responsável por carregar, validar e centralizar todas as configurações externas, como chaves de API e credenciais de banco de dados, a partir do arquivo .env.

Usamos a biblioteca Pydantic para garantir que as configurações não apenas sejam carregadas, mas também que tenham o tipo de dado correto (texto, número, etc.), evitando erros em outras partes do sistema.

backend/app/core/database.py

ARQUIVO DE GERENCIAMENTO DO BANCO DE DADOS

Este módulo centraliza toda a interação com o banco de dados PostgreSQL. Ele é responsável por:

  1. Criar uma instância de conexão que o LangChain pode usar para EXECUTAR queries.
  2. Gerar uma representação de texto compacta do schema do banco para ser enviada como CONTEXTO para o LLM, evitando erros de requisição muito grande.

backend/app/core/llm.py

ARQUIVO DE CRIAÇÃO DOS LLMs (FÁBRICA DE MODELOS)

O propósito deste arquivo é centralizar e abstrair a criação das instâncias dos modelos de linguagem (LLMs). Ao invés de configurar o ChatGroq em vários lugares, criamos funções "fábrica" que retornam um modelo já configurado.

backend/app/prompts/sql_prompts.py

PROMPT ENGINEERING HUB - O CÉREBRO DA APLICAÇÃO

Propósito do Arquivo:

Este arquivo é o centro de controle da inteligência artificial do sistema. Ele centraliza todas as instruções (prompts) que definem as "personalidades" e "habilidades" de cada componente de IA, garantindo que a lógica conversacional seja clara, manutenível e fácil de aprimorar.

Arquitetura e Princípio de Design:

A arquitetura segue o princípio de "Separação de Responsabilidades", onde cada tarefa complexa é dividida entre múltiplos "especialistas" de IA que operam em sequência, como uma linha de montagem:

  1. O Porteiro (ROUTER_PROMPT):

    • Responsabilidade: Classificar a intenção do usuário.
    • Ação: Decide se a pergunta é uma conversa casual ou uma consulta ao banco, direcionando-a para o caminho correto.

  2. O Especialista em Contexto (REPHRASER_PROMPT):

    • Responsabilidade: Resolver ambiguidades, contexto e correções.    - Ação: Analisa a pergunta e o histórico para realizar três ações chave:    - Reescrever perguntas de acompanhamento (ex: "e o total dele?") em perguntas completas.    - Manter perguntas que já são claras e autônomas, sem alterá-las.    - Corrigir a rota ao interpretar reclamações do usuário (ex: "você errou"), reformulando a pergunta anterior com base na nova informação.

  3. O Engenheiro SQL (SQL_PROMPT):

    • Responsabilidade: Traduzir linguagem natural para SQL.
    • Ação: Recebe a pergunta já clara do Especialista em Contexto e a converte em uma query PostgreSQL precisa, aprendendo com os exemplos fornecidos.

  4. O Analista de Dados (FINAL_ANSWER_PROMPT):

    • Responsabilidade: Formatar a resposta final para o usuário.
    • Ação: Transforma o resultado bruto do banco de dados em uma resposta amigável, seja em texto ou em um JSON estruturado para gráficos.

Este design modular torna o sistema mais robusto, previsível e fácil de depurar.

frontend/src/components/ChartComponent.js

COMPONENTE DE VISUALIZAÇÃO DE GRÁFICOS

Visão Geral do Componente:

Este arquivo define um componente React reutilizável, ChartComponent, responsável por renderizar diferentes tipos de gráficos (barras, linhas, pizza) com base nos dados fornecidos pelo backend.

Principais Funcionalidades:

  1. Renderização Dinâmica: Utiliza uma estrutura switch para escolher qual tipo de gráfico da biblioteca recharts será renderizado (BarChart, LineChart, PieChart), com base na propriedade chart_type recebida.

  2. Processamento de Dados: Mapeia os dados brutos recebidos do backend para um formato padrão ({ name, value }) que a biblioteca recharts consegue entender facilmente, tornando o componente flexível a diferentes nomes de campos (x_axis, y_axis).

  3. Tooltips Personalizados: Implementa componentes de Tooltip customizados para melhorar a experiência do usuário, exibindo informações claras e formatadas quando o usuário interage com os gráficos.

  4. Design Responsivo: Usa o ResponsiveContainer do recharts para garantir que os gráficos se ajustem adequadamente ao tamanho do container onde são inseridos.

  5. Estilização Centralizada: Define paletas de cores e estilos consistentes para todos os gráficos, garantindo uma identidade visual coesa.

frontend/src/components/ChatMessage.js

COMPONENTE DE EXIBIÇÃO DE MENSAGEM DO CHAT

Visão Geral do Componente:

Este arquivo define o componente React ChatMessage, que é responsável por renderizar uma única mensagem dentro da janela de chat. Ele foi projetado para ser flexível e inteligente, adaptando sua aparência e funcionalidade com base no remetente e no tipo de conteúdo.

Principais Funcionalidades:

  1. Distinção de Remetente: Aplica estilos e avatares diferentes para mensagens enviadas pelo 'usuário' (FiUser) e pelo 'bot' (FiCpu).

  2. Renderização de Conteúdo Dinâmico: É capaz de renderizar múltiplos tipos de conteúdo. Se o conteúdo for do tipo 'text', exibe um parágrafo simples. Se for 'chart', renderiza o ChartComponent para exibir um gráfico interativo.

  3. Interatividade (Visualizador de Query): Para mensagens do bot que foram geradas a partir de uma consulta ao banco, o componente exibe um botão "Ver Query". Ao ser clicado, ele revela a query SQL exata que foi executada no backend, oferecendo transparência e uma ótima ferramenta de depuração.

  4. Gerenciamento de Estado Local: Utiliza o hook useState para controlar a visibilidade do visualizador da query SQL, mantendo o estado de cada mensagem de forma independente.

frontend/src/pages/Chat.js

COMPONENTE DA PÁGINA PRINCIPAL DE CHAT

Visão Geral do Componente:

Este arquivo define o componente Chat, que funciona como o "container" inteligente para toda a interface de conversação. Ele é responsável por gerenciar o estado da aplicação, lidar com a interação do usuário e orquestrar a comunicação com o backend.

Principais Responsabilidades:

  1. Gerenciamento de Estado (useState):

    • messages: Mantém um array com todo o histórico da conversa exibido na tela.
    • input: Controla o valor atual do campo de texto onde o usuário digita.
    • isLoading: Gerencia a exibição do indicador de "carregando" enquanto espera a resposta do backend.
    • sessionId: Armazena o ID único da sessão de chat, garantindo que o backend possa rastrear o contexto da conversa.

  2. Lógica de Ciclo de Vida (useEffect):

    • Na primeira renderização, gera um sessionId único que persiste por toda a conversa.
    • A cada nova mensagem, rola a janela de chat para o final para manter a visibilidade.

  3. Comunicação com a API (axios):

    • No envio da mensagem, formata e envia a pergunta do usuário junto com o sessionId para o endpoint /chat do backend.
    • Processa a resposta do backend ou trata possíveis erros de comunicação.

  4. Renderização da UI:

    • Mapeia o array de messages para renderizar uma lista de componentes ChatMessage.
    • Exibe o formulário de entrada de texto e o botão de envio.

frontend/src/pages/Dashboard.js

COMPONENTE DA PÁGINA DO DASHBOARD

Visão Geral do Arquivo:

Este arquivo define a página de Dashboard completa, que exibe visualizações de dados e indicadores chave de performance (KPIs) sobre as operações logísticas. A arquitetura do arquivo é dividida em quatro partes principais para máxima reutilização e clareza:

  1. useDataFetching (Hook Customizado):

    • Um hook React reutilizável que encapsula toda a lógica de busca de dados da API.
    • Gerencia os estados de carregamento (loading), erro e os dados recebidos.
    • Implementa um mecanismo de "polling" que atualiza os dados automaticamente a cada 15 segundos, criando um dashboard "ao vivo".

  2. KpiGrid (Componente de Apresentação):

    • Um componente dedicado a buscar e exibir a grade de KPIs no topo da página.

  3. ChartWrapper (Componente Container/Wrapper):

    • Um invólucro genérico para cada gráfico. Ele utiliza o hook useDataFetching para buscar os dados do gráfico e lida com a exibição dos estados de carregamento, erro ou dados vazios. Isso mantém o componente principal do Dashboard limpo.

  4. Dashboard (Componente Principal da Página):

    • Monta o layout completo da página, incluindo o cabeçalho, a grade de KPIs e múltiplas instâncias do ChartWrapper para renderizar cada gráfico específico.

frontend/src/App.js

COMPONENTE RAIZ E ROTEADOR DA APLICAÇÃO

Visão Geral do Componente:

Este arquivo define o componente App, que serve como o ponto de entrada e o componente de mais alto nível para toda a aplicação React. Sua principal responsabilidade é definir a estrutura de layout geral e gerenciar o sistema de roteamento de páginas.

Principais Funcionalidades:

  1. Configuração do Roteador: Utiliza o react-router-dom para habilitar a navegação entre diferentes "páginas" (componentes) da aplicação sem a necessidade de recarregar a página inteira, criando uma experiência de Single-Page Application (SPA).

  2. Layout Persistente: Renderiza componentes comuns que devem aparecer em todas as páginas, como a barra de navegação (Navbar), garantindo uma interface consistente.

  3. Mapeamento de Rotas: Define quais componentes de página (Dashboard, Chat) devem ser renderizados com base na URL atual do navegador. Por exemplo, a URL "/" renderiza o Dashboard, enquanto "/chat" renderiza a página de Chat.

🎯 Aplicabilidade

O DataChat BI foi projetado para transformar a maneira como equipes de logística interagem com seus dados, substituindo planilhas complexas e relatórios estáticos por uma plataforma de Business Intelligence dinâmica e intuitiva. A solução atende a diferentes níveis da operação, desde analistas que precisam de respostas rápidas até gestores que necessitam de uma visão estratégica.

A aplicabilidade se divide em duas interfaces principais:

Análise Conversacional em Tempo Real via Chatbot

O coração do projeto é um chatbot inteligente que permite a qualquer membro da equipe "conversar" com o banco de dados em português, sem precisar saber SQL. Isso democratiza o acesso à informação e acelera a tomada de decisão.

Casos de Uso:

  • Gerente de Logística: Pode obter métricas complexas instantaneamente.
    • "Qual o valor total de frete para o estado de São Paulo no último trimestre?"
    • "Me mostre um gráfico comparando as operações entregues e canceladas no último mês."
  • Analista de Dados: Pode explorar os dados e validar hipóteses rapidamente.
    • "Qual a natureza de carga com o maior peso médio por operação?"
    • "e qual o valor total de frete para essa natureza de carga?" (demonstrando o uso de memória)
  • Equipe de Atendimento ao Cliente: Pode rastrear operações específicas sem acessar sistemas complexos.
    • "Qual o status da operação com o código de rastreio 'VV820450103ER'?"

Tip

Para uma lista exaustiva com dezenas de exemplos de perguntas, desde as mais simples até as mais complexas, consulte nosso roteiro de testes detalhado no arquivo: backend/testes.txt.

Interface do Chatbot do DataChat BI Interface do Chatbot, capaz de responder com texto e gerar gráficos dinâmicos.

Monitoramento Estratégico com o Dashboard

Para uma visão macro e de alto nível, o Dashboard oferece um painel consolidado com os indicadores de performance (KPIs) mais importantes da operação. Graças a um sistema de polling, os dados são atualizados automaticamente, funcionando como uma central de monitoramento "ao vivo".

Casos de Uso:

  • Diretor de Operações: Consegue, em uma única tela, visualizar a saúde da operação:
    • Total de operações em andamento.
    • Percentual de entregas concluídas vs. em trânsito.
    • Valor total das mercadorias sob responsabilidade da empresa.
  • Equipe de Vendas ou Contas: Pode identificar rapidamente os clientes mais valiosos ou com maior volume de operações para focar em ações de relacionamento.

Dashboard de Logística do DataChat BI Visão geral do Dashboard, com KPIs e gráficos pré-configurados para análise estratégica.

Important

Sobre a Latência (Tempo de Resposta) da IA

Nos logs de teste, é possível observar que algumas respostas da IA levaram de 15 a 30 segundos para serem geradas. É fundamental esclarecer que essa demora não foi causada por uma ineficiência no código da aplicação, mas sim por instabilidades momentâneas ou limites de taxa na API da Groq (o provedor do LLM).

Isso é evidenciado pelos erros 429 Too Many Requests (limite de requisições atingido) e 500 Internal Server Error (erro no servidor da API) visíveis nos logs. A biblioteca groq utilizada no projeto automaticamente tentou reenviar a requisição após esses erros, o que causou a longa espera percebida pelo usuário.

Em condições normais de operação da API, o tempo de resposta esperado para uma pergunta complexa que envolve múltiplos passos (Rephraser, Geração de SQL e Resposta Final) fica tipicamente na faixa de 2 a 5 segundos.

🏗️ Estrutura do Banco de Dados

Esta seção detalha o esquema do banco de dados PostgreSQL utilizado para os testes e demonstrações do DataChat BI. O modelo foi projetado para simular um ambiente de logística real, com tabelas para clientes e suas respectivas operações.

Diagrama de Entidade-Relacionamento (ERD)

O diagrama abaixo ilustra as tabelas principais e o relacionamento entre elas. A relação fundamental é que um cliente pode ter múltiplas operações logísticas.

erDiagram
    clientes {
        int id PK "ID único do cliente (Chave Primária)"
        varchar nome_razao_social "Nome ou Razão Social do cliente"
        varchar cnpj_cpf "CNPJ ou CPF do cliente"
        varchar email_contato "Email principal para contato"
        varchar telefone_contato "Telefone principal para contato"
        timestamp data_cadastro "Data e hora do cadastro do cliente"
    }
    operacoes_logisticas {
        int id PK "ID único da operação (Chave Primária)"
        varchar codigo_rastreio "Código de Rastreio único da operação"
        varchar tipo "Tipo da operação (ex: TRANSPORTE, ARMAZENAGEM)"
        varchar status "Status atual da operação (ex: EM_TRANSITO, ENTREGUE)"
        varchar natureza_carga "Descrição da carga (ex: Eletrônicos, Têxteis)"
        numeric valor_mercadoria "Valor monetário da mercadoria transportada"
        numeric valor_frete "Custo do frete da operação"
        numeric peso_kg "Peso total da carga em quilogramas"
        varchar uf_destino "Sigla da Unidade Federativa de destino"
        timestamp data_emissao "Data e hora de emissão da operação"
        timestamp data_entrega_realizada "Data e hora da conclusão da entrega"
        int cliente_id FK "ID do cliente associado (Chave Estrangeira)"
    }

    clientes ||--o{ operacoes_logisticas : "realiza"
Loading

Detalhamento das Tabelas

Tabela: clientes

Armazena as informações cadastrais de cada cliente.

Coluna Tipo de Dado Descrição
id SERIAL PRIMARY KEY Identificador único e sequencial para cada cliente.
nome_razao_social VARCHAR(255) Nome completo ou Razão Social do cliente.
cnpj_cpf VARCHAR(20) CNPJ (para empresas) ou CPF (para pessoas físicas).
email_contato VARCHAR(255) Endereço de e-mail principal para contato.
telefone_contato VARCHAR(20) Número de telefone para contato.
data_cadastro TIMESTAMP Data e hora em que o cliente foi cadastrado.

Tabela: operacoes_logisticas

Registra cada operação logística realizada, contendo todos os seus detalhes e status.

Coluna Tipo de Dado Descrição
id SERIAL PRIMARY KEY Identificador único para cada operação.
codigo_rastreio VARCHAR(50) Código alfanumérico usado para rastrear a operação.
tipo VARCHAR(50) Define o tipo da operação (ex: 'TRANSPORTE', 'ARMAZENAGEM').
status VARCHAR(50) O estado atual da operação (ex: 'SOLICITADO', 'EM_TRANSITO', 'ENTREGUE').
natureza_carga VARCHAR(100) Descreve o tipo de mercadoria (ex: 'Alimentos', 'Eletrônicos').
valor_mercadoria NUMERIC(12, 2) O valor declarado da mercadoria.
valor_frete NUMERIC(10, 2) O custo do serviço de frete.
peso_kg NUMERIC(10, 2) O peso total da carga em quilogramas.
uf_destino VARCHAR(2) A sigla do estado de destino da operação.
data_emissao TIMESTAMP Data e hora em que a operação foi criada no sistema.
data_entrega_realizada TIMESTAMP Data e hora em que a entrega foi oficialmente concluída (pode ser nulo).
cliente_id INTEGER Chave estrangeira que referencia a coluna id da tabela clientes.

🤝 Agradecimentos e Contato

Agradeço imensamente pelo seu interesse no DataChat BI! Este projeto foi uma jornada de aprendizado e desenvolvimento, e fico feliz em compartilhá-lo com a comunidade.

Um agradecimento especial a todas as fantásticas tecnologias e comunidades open-source que tornaram este projeto possível, especialmente às equipes por trás do React, FastAPI, LangChain e PostgreSQL.

Dúvidas, Bugs ou Sugestões?

Se você encontrar algum bug, tiver alguma dúvida técnica sobre o código ou uma sugestão de melhoria, a melhor forma de entrar em contato é abrindo uma Issue diretamente no repositório do GitHub. Isso ajuda a manter tudo organizado e visível para todos.

Vamos nos Conectar!

Adoraria ouvir seu feedback e me conectar com outros desenvolvedores e entusiastas de tecnologia. Você pode me encontrar nas seguintes plataformas:

Sinta-se à vontade para se conectar!

About

DATACHAT BI é uma solução de Business Intelligence conversacional para logística, baseada em IA generativa e RAG (Retrieval-Augmented Generation).

Resources

Readme
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

Packages

Contributors

Languages