convez.ai
PluginDados & AnalyticsAvançado
itaalocosta

JusVault Jurimetria — Pipeline RAG Semântico Anti-Alucinação

itaalocosta/jurimetria-pipeline-overview

RAG jurídico com garantia matemática contra alucinação em análise de tendências jurisprudenciais

Ver no GitHub
InicialPluginScore · de 0 a 100

Overview de arquitetura de um pipeline RAG especializado em análise jurisprudencial que elimina alucinação separando extração de conceitos (IA) de recuperação de decisões reais (busca vetorial) e cálculo de probabilidades (matemática pura). Processa 48.770 teses e 247.370 decisões de TJs, STJ, STF e TST com intervalo de confiança Wilson 95% e redação final controlada via Claude Haiku.

Instalação

$npx convez-ai itaalocosta/jurimetria-pipeline-overview

1 comando no terminal: detecta o formato do repositório (marketplace ou plugin avulso) e instala via Claude Code. Requer Node 18+ e o Claude Code instalado.

Métricas

Estrelas
0
Forks
0
Acompanhando
0
Saúde
28%
Último commit
há 6 meses
Versão
—
Issues abertas
0
Contribuidores
1

Casos de uso

  • Análise de tendência jurisprudencial com intervalo de confiança calibrado
  • Recuperação de decisões similares sem invenção de jurisprudência
  • Geração de relatórios jurídicos com rastreabilidade total de fontes
  • Otimização custo/latência em pipelines RAG críticos para compliance

Veredito

Estudo de caso raro e honesto de arquitetura RAG em produção, com decisões transparentes e trade-offs documentados. Essencial para quem constrói sistemas críticos onde alucinação é risco legal — não apenas técnico. A separação entre camadas IA/recuperação/cálculo é padrão que deveria ser mais copiado.

README

A tradução para o português deste README ainda está na fila.

JusVault Jurimetria — Pipeline RAG Semântico Anti-Alucinação

Repositório de overview. Aqui não tem o código de produção — o produto é proprietário e está rodando em jurimetria.jusvault.com.br. Este repo serve como estudo de caso público: arquitetura, decisões, trade-offs e métricas reais do sistema.


O problema

Modelos de IA inventam jurisprudência. Em análise jurídica, alucinação não é detalhe — é responsabilidade civil. A pergunta arquitetural era:

Como entregar resposta probabilística confiável sobre tendência de TJs, STJ e STF sem que a IA invente teses inexistentes, e ainda assim manter latência aceitável e custo previsível?

O JusVault Jurimetria é a resposta.


A arquitetura em uma frase

Separar o que IA faz bem do que IA faz mal: IA extrai conceitos jurídicos da petição → banco vetorial recupera decisões reais → contagem matemática gera o intervalo de confiança → outra IA redige o relatório usando apenas o que foi recuperado.


Diagrama do pipeline

flowchart TD
    A[PDF da petição] --> B[Extrator IA<br/>conceitos jurídicos]
    B --> C[(pgvector<br/>48.770 teses indexadas)]
    C --> D{Busca semântica<br/>cosine similarity}
    D --> E[TJs estaduais]
    D --> F[STJ]
    D --> G[STF]
    D --> H[TST]
    E --> I[Contagem matemática<br/>acolhidas / total]
    F --> I
    G --> I
    H --> I
    I --> J[Wilson 95% IC<br/>intervalo de confiança]
    J --> K[Claude Haiku redige<br/>apenas o recuperado]
    K --> L[Relatório PDF + HTML]

    style C fill:#0B121F,stroke:#5B8DEF,color:#F2F4F8
    style I fill:#0B121F,stroke:#34D399,color:#F2F4F8
    style J fill:#0B121F,stroke:#34D399,color:#F2F4F8
    style K fill:#0B121F,stroke:#A78BFA,color:#F2F4F8

As 7 etapas em detalhe

#EtapaQuem fazPor quê
1Extração de petição (texto + metadados)Parser determinísticoIA não toca em texto cru — risco de invenção
2Identificação de conceitos jurídicosLLM (extrator)É o que IA faz bem: leitura compreensiva
3Embedding dos conceitostext-embedding-3-smallPadrão maduro, latência baixa, custo previsível
4Busca vetorial em pgvectorPostgres + extensão48.770 teses já indexadas, busca cosine sub-200ms
5Filtragem por tribunal e períodoSQL puroDeterminístico, transparente
6Contagem matemática + Wilson 95%Função SQLIA não calcula probabilidade — é a regra de ouro
7Redação do relatório com fontesClaude HaikuSó pode citar o que foi recuperado nas etapas 4-5

A regra crucial: a IA nunca inventa um número. Ela escreve prosa em cima de números calculados matematicamente sobre dados recuperados de fontes reais.


Decisões arquiteturais

ESCOLHI

  • pgvector dentro do Postgres existente  →  sem novo banco para operar, latência sub-200ms p95
  • Wilson 95% em vez de Wald  →  intervalo melhor calibrado em cauda da distribuição (poucas decisões em algumas teses)
  • Claude Haiku na redação final  →  custo 30× menor que Opus para ganho marginal de prosa
  • 3 LLMs concorrentes em rotação  →  resiliência (cai um, segue outro) e otimização custo/qualidade por tarefa
  • Embeddings pré-calculados  →  busca em milissegundos, custo amortizado no batch de coleta

DESCARTEI

  • Pinecone  →  lock-in + custo desnecessário pro volume atual
  • Intervalo de Wald  →  subestima na cauda, gera falsa confiança
  • Claude Opus na redação  →  custo proibitivo, sem ganho mensurável em texto curto
  • Pedir probabilidade direto à IA  →  é exatamente o vetor de alucinação que estamos eliminando
  • Single-LLM  →  vendor lock-in operacional, sem hedge contra outage

Métricas em produção

MétricaValor
Teses indexadas em pgvector48.770
Decisões judiciais coletadas247.843
Tribunais cobertos18 (TJs, STJ, STF, TST)
Latência da busca semântica (p95)< 200 ms
Etapas no pipeline7
LLMs em rotação3 (Claude Haiku · GPT-4o Mini · DeepSeek V3)
Alucinação detectada em testes internos0

Stack

  • Backend: Node.js + TypeScript, Python (extração e indexação)
  • Banco: PostgreSQL 16 + extensão pgvector para busca semântica
  • LLMs: Anthropic Claude (Haiku para redação), OpenAI GPT-4o Mini, DeepSeek V3
  • Embeddings: text-embedding-3-small (OpenAI)
  • Geração de PDF: Puppeteer headless
  • Filas: BullMQ + Redis para análise assíncrona
  • Hospedagem: KVM2 Hostinger (Brasil) com PM2 e Nginx

Screenshots do produto em produção

Dashboard de análisePipeline IA
DashboardPipeline
Analytics e probabilidadesIntegrações
AnalyticsIntegrações

Onde isso aplica

Este pipeline é adaptável para qualquer domínio onde a combinação "documento de entrada → análise probabilística sobre base de dados real" faça sentido:

  • Saúde  →  análise de protocolos e desfechos clínicos sobre prontuários históricos
  • Finanças  →  análise de risco de operações sobre histórico de defaults
  • Compliance  →  análise de cláusulas sobre jurisprudência regulatória
  • Recrutamento  →  matching de candidatos sobre histórico de contratações

A invariante é a mesma: não pedir probabilidade à IA, calcular sobre dados reais e pedir prosa em cima.


Quer ver rodando?


Sobre

Construído por Ítalo Costa — Head de IA, AI Builder, founder da AVVRA Labs. Advogado criminalista (OAB/PE 62353) e Professor de Direito Digital, com formação técnica em Data Science & IA.

O código de produção é proprietário e não está aqui. O que está aqui é o raciocínio — porque arquitetura é o que separa quem chama API de IA de quem constrói produto com IA.

Licença

Documentação publicada sob CC BY-NC 4.0 — pode citar, adaptar e usar para fins não comerciais com atribuição.

Ver o original no GitHub

Bom para

Relacionados