Voltar aos trabalhos selecionados

Conversa Labs e Maestro: atendimento com ações de IA controladas

Atuação
Maestro · Conversa Labs
Período
Atuação no Conversa Labs · novembro de 2025–atual
Tecnologias
  • Python
  • FastAPI
  • LangGraph
  • Langfuse
  • PostgreSQL
  • pgvector
  • Redis
  • Ruby on Rails
  • Vue
  • MCP
  • OAuth 2.1
  • Docker Swarm
MaestroPrévia conceitual
  1. Concluído: Recuperar o estado da conversa
  2. Concluído: Chamar uma ferramenta autorizada
  3. Etapa atual: Transferir para atendimento humano

A plataforma reúne módulos de atendimento e o serviço de agentes de IA. O Maestro pode segurar uma resposta cuja ação declarada não corresponda às ferramentas executadas, pedir aprovação humana e pausar quando um operador assume.

Em 30 segundos

Problema

Atendimento, processos de negócio e ações de IA precisam compartilhar contexto de conta, permissões e controle humano.

Minha contribuição

Sou sócio e o principal desenvolvedor dos módulos e serviços próprios do Conversa Labs. Construí módulos sobre o núcleo open source (MIT) do Chatwoot, sem a edição Enterprise, e desenvolvi o Maestro como serviço de agentes de IA.

Resultado

A plataforma reúne módulos de atendimento e o serviço de agentes de IA. O Maestro pode segurar uma resposta cuja ação declarada não corresponda às ferramentas executadas, pedir aprovação humana e pausar quando um operador assume.

Decisões técnicas

  1. Construir módulos próprios sobre o núcleo MIT, sem a edição Enterprise.

    Por quê
    O contexto de conta conecta os módulos às permissões e conversas do atendimento.
    Custo da decisão
    Manter compatibilidade exige adaptar os módulos às mudanças oficiais.
  2. Comparar ações declaradas com ferramentas executadas antes de enviar.

    Por quê
    A resposta precisa refletir ações que realmente rodaram; ações sensíveis exigem aprovação humana.
    Custo da decisão
    A checagem pode segurar a resposta, e a aprovação humana introduz um estado de espera.
  3. Vincular memória e custo a cada conta.

    Por quê
    A memória e as estimativas de custo precisam acompanhar o contexto de cada conta. As checagens determinísticas podem segurar a resposta antes da entrega; um juiz LLM opcional avalia amostras depois, sem alterar a resposta.
    Custo da decisão
    Busca semântica exige índice de embeddings; se o juiz opcional estiver indisponível, a avaliação usa regras.

Operação

O trabalho Rails/Vue inclui CRM/Kanban, conciliação de comissões de pedidos pagos, canal WhatsApp Web, editor visual de fluxos, roteamento de atendimento, permissões granulares e servidor MCP com OAuth 2.1. O Maestro usa Python, FastAPI, LangGraph, PostgreSQL/pgvector e Redis para estado por conversa, memória por conta/contato e busca híbrida, com recuperação semântica quando configurada. Instrumentei uso e estimativas de custo de IA por conta e conversa, incluindo fallback, com rastreamento no Langfuse quando habilitado. Construí um gerador de referências a partir de contratos com checagem de termos privados antes de publicar, checkout de assinaturas em Astro e integração de teste grátis; configurei assinatura cosign, geração de SBOM e entrega em Docker Swarm.

  • CRM/Kanban
  • Conciliação de comissões de pedidos pagos
  • Canal WhatsApp Web
  • Editor visual de fluxos
  • Roteamento de atendimento
  • Papéis e permissões granulares
  • Servidor MCP

Autoria

A licença MIT corresponde ao núcleo open source do Chatwoot. Meu trabalho abrange os módulos próprios, o serviço Maestro e as integrações descritas; a autoria do núcleo permanece com seus criadores. Atuo no Conversa Labs desde novembro de 2025.

Vamos conversar sobre uma oportunidade em engenharia

Interesse em oportunidades presenciais e híbridas em toda a Espanha e trabalho remoto na Europa.

contato@guilhermejansen.com

Guilherme Jansen · Engenheiro de Software Sênior · Engenheiro de IA

Voltar ao topo