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 GitHubOverview 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-overview1 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
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
| # | Etapa | Quem faz | Por quê |
|---|---|---|---|
| 1 | Extração de petição (texto + metadados) | Parser determinístico | IA não toca em texto cru — risco de invenção |
| 2 | Identificação de conceitos jurídicos | LLM (extrator) | É o que IA faz bem: leitura compreensiva |
| 3 | Embedding dos conceitos | text-embedding-3-small | Padrão maduro, latência baixa, custo previsível |
| 4 | Busca vetorial em pgvector | Postgres + extensão | 48.770 teses já indexadas, busca cosine sub-200ms |
| 5 | Filtragem por tribunal e período | SQL puro | Determinístico, transparente |
| 6 | Contagem matemática + Wilson 95% | Função SQL | IA não calcula probabilidade — é a regra de ouro |
| 7 | Redação do relatório com fontes | Claude Haiku | Só 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
| Métrica | Valor |
|---|---|
| Teses indexadas em pgvector | 48.770 |
| Decisões judiciais coletadas | 247.843 |
| Tribunais cobertos | 18 (TJs, STJ, STF, TST) |
| Latência da busca semântica (p95) | < 200 ms |
| Etapas no pipeline | 7 |
| LLMs em rotação | 3 (Claude Haiku · GPT-4o Mini · DeepSeek V3) |
| Alucinação detectada em testes internos | 0 |
Stack
- Backend: Node.js + TypeScript, Python (extração e indexação)
- Banco: PostgreSQL 16 + extensão
pgvectorpara 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 análise | Pipeline IA |
|---|---|
![]() | ![]() |
| Analytics e probabilidades | Integrações |
|---|---|
![]() | ![]() |
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?
- Demo ao vivo → jurimetria.jusvault.com.br
- Case study no portfólio → portifolio.italocosta.ai/#case-jurimetria
- Conversar sobre arquitetura → italo@italocosta.adv.br
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.



