Arquitetura do sistema

Visão geral

O chatbot de regulação em saúde foi projetado para apoiar profissionais de saúde no envio de informações clínicas e no processo de encaminhamento, utilizando um fluxo conversacional organizado no n8n.

Na versão atual, o sistema está estruturado de forma simplificada, com foco em uma única especialidade por fluxo, permitindo fácil compreensão, manutenção e evolução futura.

A arquitetura do sistema pode ser entendida em duas partes principais:

1. Parte visível ao usuário — a interface de chat;
2. Parte interna do processamento — o fluxo que recebe, organiza, processa e devolve a resposta.

---

Componentes principais

1. Frontend (interface de chat)

É a parte que o usuário enxerga e utiliza.

Sua função é:

• gerar/armazenar um identificador estável (chat_user_id) no localStorage;
• coletar metadados simples (SO e timestamp);
• enviar a mensagem ao webhook do n8n;
• renderizar a resposta (com suporte a Markdown).

Payload enviado (no body do POST):

{
	"so": "Windows|MacOS|Linux|Android|iOS|Desconhecido",
	"user": "user_xxxxx",
	"content": "texto da mensagem",
	"timestamp": "2026-03-24T20:06:14.460Z"
}

2) n8n (orquestração)

O workflow principal recebe o payload via Webhook e segue este padrão:

• normaliza campos (node Edit Fields);
• classifica intenção com um agente roteador (AI Agent);
• direciona para o agente especialista via Switch;
• consulta documentos via ferramentas RAG (Vector Store) quando aplicável;
• tenta converter a saída do agente para um JSON padrão (node Code in JavaScript);
• devolve resposta ao frontend via Respond to Webhook.

Especialidades atualmente roteadas no workflow:

• Cardiologia
• Dermatologia
• Endocrinologia
• Dúvidas gerais (agente orquestrador)

3) Memória conversacional (Supabase Postgres)

O workflow usa nodes memoryPostgresChat por agente.

• A chave de sessão é o usuário recebido do frontend (derivado de chat_user_id).
• Isso permite continuidade entre mensagens para o mesmo usuário.

4) RAG / Vector Store (Supabase)

O workflow utiliza nodes vectorStoreSupabase e toolVectorStore.

• Embeddings: OpenAI Embeddings.
• Consulta: função SQL (queryName) configurada no node (ex.: match_documents, match_notes_endocri).

Detalhes em: docs/rag.md.

Diagrama (alto nível)

Resposta ao frontend

O frontend espera um JSON com a chave output:

{ "output": "texto para exibir no chat" }

O texto pode conter Markdown.