Verifique se o servidor FastAPI está rodando: uvicorn main:app --reload
MFG CONTROL DEMO
PRODUCTION INTELLIGENCE — DADOS SIMULADOS
API —
CONECTANDO
--:--:--
TEST PURPOSE
ERROR AUDIT
ERRO DE EXECUÇÃO
CÓDIGO DA TAREFA
Indicadores
Produção diária vs meta
Produzido
Defeitos
Meta diária
First Pass Yield — histórico
FPY %
Meta 95%
Produção por linha — comparativo
Linha 1
Linha 2
Linha 3
Linha 4
OEE — eficiência global
OEE
Disponibilidade
Performance
Status das linhas
AGORA
Produção por hora
Produção média ±1σ
Defeitos médios ±1σ
Meta/hora
Eficiência por turno
Turno A
Turno B
Turno C
Defeitos por categoria
Tendência de defeitos
Tela
Câmera
Bateria
Outros
Painéis Customizados
Capturando...
GráficoESC ou clique fora para fechar
Arquitetura Agêntica
Arquitetura Agêntica · Operação autônoma 24/7
Arquitetura Agêntica Industrial
Nesta arquitetura, o agente atua como uma camada de inteligência sobre os dados operacionais. A partir de uma instrução em linguagem natural — digitada ou dita pelo usuário — o sistema consulta APIs e banco de dados em tempo real, processa os dados em ambiente Python isolado e entrega a análise na forma de texto, gráficos, planilhas Excel ou relatórios PDF.
O objetivo é eliminar a dependência de intermediários para consultas analíticas rotineiras: o operador ou gestor formula a pergunta diretamente ao sistema — "qual linha teve mais paradas esta semana?" — e recebe uma resposta fundamentada em dados reais, sem dado inventado e sem espera.
Em paralelo, um daemon de agendamento executa monitores periódicos definidos pelo próprio agente: dispara alertas de threshold visíveis no dashboard quando uma condição operacional é cruzada, e gera relatórios automáticos por e-mail nos horários configurados — tudo sem intervenção humana.
📊 Gráficos customizados📋 Tabelas e spreadsheets📥 Relatórios PDF⚡ Dados em tempo real💬 Texto ou voz🕐 Agendamento autônomo🔔 Alertas de threshold📧 Relatórios por e-mail
A Arquitetura em uma frase
"Um orquestrador interpreta o pedido em linguagem natural: responde na hora com gráficos, tabelas ou PDFs via streaming SSE — ou agenda a ação para rodar automaticamente, gerando código Python validado que executa em sandbox determinístico sem depender do LLM a cada ciclo: alertas, relatórios, comandos em máquinas, notificações — operação autônoma 24/7."
Grafo Multi-Agente (LangGraph)
A espinha dorsal é um grafo de estados (StateGraph) isolado em dois níveis de decisão.
ampliar
graph TD
User([Usuário])
User --> Orch
subgraph Orch[Orquestrador]
OT["⚡ LLM decide qual tool chamar ──────────────────────────── data e hora · calcular período · buscar contexto delegar análise · exportar PDF · exportar Excel gerenciar agenda · ver código de tarefa criar tarefa agendada · editar tarefa agendada"]
end
Orch -->|"resposta em texto via SSE / chat"| User
Orch -->|"delega análise"| ANA
ANA -->|"texto · gráficos · PDF · Excel"| Orch
Orch -->|"listar / pausar / deletar"| SCH
subgraph ANA[Sub-Agente Analista]
AT["⚡ LLM decide qual tool chamar ──────────────────────────── ler instruções da skill · buscar dados via API consultar SQL · analisar dados exportar PDF · exportar Excel coleta contexto estruturado para agendamento (skill · endpoint · colunas · amostra · tipo de saída)"]
end
subgraph SG["SchedulingGraph ⟨StateGraph determinístico⟩"]
SG1["⚡ criar tarefa (infere nome, frequência e horário via LLM registra no banco)"] --> SG2["consultar dados (aciona o Analista · coleta dados reais da API)"]
SG2 --> SG_G["⚡ gerar código (LLM escreve o script da tarefa com base nos dados reais)"]
SG_G --> SG3["testar código (executa em ambiente isolado)"]
SG_E["⚡ editar código (LLM lê o script atual e aplica a modificação)"] --> SG3
SG3 -->|"erro · até 3 tentativas"| SG4["⚡ corrigir código (LLM corrige com base no erro real remove imports bloqueados)"]
SG4 --> SG3
SG3 -->|"ok"| SG5["salvar código (versiona e persiste no banco)"]
SG5 --> SG6["retornar resultado (devolve confirmação ao Orquestrador)"]
end
subgraph SCH[Sub-Agente Scheduling]
ST["⚡ LLM decide qual tool chamar ──────────────────────────── criar tarefa · editar tarefa excluir tarefa · pausar / retomar listar tarefas · definir instruções · ver instruções histórico de versões do código · restaurar versão"]
end
OT -->|"criar tarefa agendada"| SG1
OT -->|"editar tarefa agendada"| SG_E
SG2 -->|"coleta dados para o script"| AT
AT -->|"endpoint · colunas · amostra de dados"| SG2
SG5 -->|"persiste script versionado"| DB[("mfg.db SQLite · persistência")]
SCH -->|lê / escreve| DB
SG6 -->|confirmação| OT
DB -->|"tarefa ativa com execução pendente"| DAEMON
subgraph DAEMON["Daemon · verifica a cada 60s"]
RUNNER["executa tarefas agendadas em ambiente isolado e seguro"]
end
DAEMON -->|"registra execução e agenda próxima"| DB
RUNNER -->|"gráficos · PDFs · Excel alertas por e-mail notificações via ctx.notify() qualquer ctx.api()"| User
subgraph LEG["Legenda"]
L1["⚡ nó chama o LLM (borda amarela)"] ~~~ L2["nó determinístico (borda verde)"]
L3["⚡ sub-agente ReAct (fundo lilás · borda amarela)"] ~~~ L4["grafo de fluxo fixo (fundo verde · sequência predefinida)"]
end
classDef legend fill:#111827,stroke:#4ade80,stroke-width:1.5px,color:#9CA3AF,font-style:italic;
classDef legendllm fill:#111827,stroke:#facc15,stroke-width:2px,color:#9CA3AF,font-style:italic;
classDef legendagent fill:#312E81,stroke:#facc15,stroke-width:2px,color:#c4b5fd,font-style:italic;
classDef legendsg fill:#1e3a1e,stroke:#4ade80,stroke-width:1.5px,color:#bbf7d0,font-style:italic;
class L2 legend;
class L1 legendllm;
class L3 legendagent;
class L4 legendsg;
classDef default fill:#1E293B,stroke:#475569,stroke-width:1px,color:#F8FAFC;
classDef agent fill:#312E81,stroke:#6366F1,stroke-width:1px,color:#E0E7FF;
classDef agentllm fill:#312E81,stroke:#facc15,stroke-width:2px,color:#E0E7FF;
classDef sg fill:#1e3a1e,stroke:#4ade80,stroke-width:1.5px,color:#bbf7d0;
classDef sgllm fill:#1e3a1e,stroke:#facc15,stroke-width:2px,color:#bbf7d0;
classDef storage fill:#0F2027,stroke:#0EA5E9,stroke-width:1px,color:#7DD3FC;
classDef daemon fill:#0c1a2e,stroke:#38BDF8,stroke-width:1.5px,color:#7DD3FC;
classDef user fill:#1a2535,stroke:#38BDF8,stroke-width:2px,color:#E0F2FE,font-weight:bold;
class Orch,ANA,SCH agent;
class OT,AT,ST agentllm;
class SG,SG2,SG3,SG5,SG6 sg;
class SG1,SG_G,SG_E,SG4 sgllm;
class DB storage;
class DAEMON daemon;
class User user;
O SchedulingGraph é um StateGraph determinístico com responsabilidade exclusiva de criar e manter o task_code. Para criação, o nó consultar_dados chama o sub-agente analista no modo PARA_AGENDAMENTO, que retorna apenas contexto estruturado (endpoint exato, colunas observadas, amostra de dados) — nunca o código em si. O nó gerar_codigo usa esse contexto como base para um LLM gerar o def run(from_date, to_date, ctx) determinístico. Para edições, o nó editar_codigo lê o código atual e aplica a modificação mínima solicitada, sem acionar o analista. Em ambos os fluxos, o código passa por testar_codigo (sandbox real), com até 3 ciclos de corrigir_codigo se houver erro. O sub-agente analista continua responsável por análises ad-hoc (PDF, Excel, gráficos); o sub-agente scheduling cuida das operações CRUD e versionamento do task_code com rollback. O daemon verifica tarefas a cada 60s e executa via runner.py em sandbox Python restrito (sem import dentro de run()). As ações possíveis vão muito além de relatórios — qualquer coisa acessível via ctx.api(): gráficos, PDFs, alertas por e-mail, notificações externas, etc.
Streaming em Tempo Real (SSE)
Cada etapa chega ao frontend via Server-Sent Events, transmitida por um side-channel de fila por sessão.
Analisando o pedido e verificando os dados disponíveis...
📖 Lendo instruções da skill
🌐 Buscando dados da API
🔢 Processando e analisando dados
A Linha 2 registrou 3 paradas não planejadas nesta semana, impactando o OEE em −6,4 p.p. em relação à meta.
Linha
Paradas
OEE
Meta
Δ OEE
Linha 1
1
86,2%
88,0%
−1,8 p.p.
Linha 2
3
81,4%
87,8%
−6,4 p.p.
Linha 3
0
89,7%
88,0%
+1,7 p.p.
Artefatos Gerados pelo Agente
Gráficos Matplotlib são convertidos para PNG, salvos no SQLite com UUID e injetados como token no Markdown da resposta.
Exemplo de saída: [chart:8a3f-...] → renderizado como imagem
📊 Gráfico📋 Tabela📥 PDF
Agendamento Autônomo de Tarefas
Operação contínua sem intervenção humana
O agente não apenas responde — ele aprende uma tarefa e a executa sozinho no futuro. O gestor descreve em linguagem natural o que quer que aconteça e quando; o agente escreve, testa e salva o código Python de execução. A partir daí, o daemon roda o código diretamente no horário definido, sem passar pelo LLM.
1. Descreva em chat
"Me mande a produção do dia todo dia às 7h" — o agente infere nome, frequência e horário. Sem formulários.
2. Código gerado e validado
O orquestrador executa a análise ao vivo, observa os dados reais e escreve o task_code com endpoints e colunas verificados. Testa antes de salvar.
3. Execução determinística
O daemon roda o runner.py em sandbox restrito — sem LLM, sem variação. Retry automático com backoff. Histórico de versões com rollback.
Ações possíveis nas tarefas agendadas
📊 Gráficos e PDFs📋 Excel / planilhas📧 Alertas por e-mail🏭 Comandos em máquinas🔔 Notificações externas🔁 Qualquer ctx.api()
Skills: Contexto Injetado na Hora Certa
Lazy-loading — tokens consumidos só quando necessário
Cada skill é um arquivo .md que documenta um endpoint industrial. O agente não carrega tudo no startup — isso desperdiçaria tokens em skills que podem nunca ser usadas naquela sessão.
STARTUPApenas os cabeçalhos (4 linhas) de cada skill são injetados no system prompt.
EXECUÇÃOO agente invoca read_skill('nome.md') e recebe o documento completo só naquele momento.
Dezenas de endpoints suportados sem inflar o custo por token de cada requisição.
Sandbox Python — Poder Total sobre os Dados
Ambiente persistente por sessão, estilo Jupyter
O agente gera e executa código Python em tempo real sobre os dados da operação. Não é uma consulta fixa — é um analista que raciocina, transforma e entrega o que for necessário.
Cruzar tabelas, calcular KPIs, agrupar por turno, linha ou período
Qualquer análise expressável em Python/Pandas — sem limitação
Variáveis criadas em um passo ficam disponíveis nos passos seguintes — análises incrementais sem recarregar os dados.
Escala para qualquer volume de dados
O gestor pode pedir análise de um turno ou de seis meses — o agente trata da mesma forma, sem degradação de desempenho e sem aumento de custo proporcional ao volume.
Dados ficam no backend
Os DataFrames nunca trafegam para o LLM. O modelo recebe apenas metadados e raciocina sobre eles sem ver os dados brutos.
Análise em etapas
O agente processa os dados em passos incrementais no sandbox Python e só devolve o resultado final ao LLM.
Custo por token controlado
Analisar 6 meses de produção custa os mesmos tokens que analisar 1 dia — o volume fica no banco, o LLM só vê o que importa.
Contexto Visual — Snapshot do Dashboard
Multimodal · até 3 imagens por mensagem · Gemini 2.5 Flash Vision
O agente não depende apenas de dados estruturados — ele também enxerga o que está na tela. O usuário seleciona qualquer área do dashboard com um clique e arraste; a captura é enviada junto com a mensagem e o modelo analisa o conteúdo visual diretamente, identificando tendências, anomalias e padrões nos gráficos.
1. Captura nativa
Usa a API getDisplayMedia do browser — captura o frame real da aba, incluindo fontes, oklch e recursos externos. Zero dependências externas, zero CORS.
2. Seleção livre
Overlay com crosshair permite selecionar qualquer retângulo da tela com arrastar e soltar. Até 3 recortes por mensagem — o stream de vídeo é mantido aberto para não pedir permissão repetidamente.
3. Análise multimodal
As imagens são enviadas como partes de uma HumanMessage multimodal ao Gemini. O agente pode complementar a análise visual com dados numéricos exatos via get_dashboard_charts().
Comportamento do agente:📷 Interpreta gráficos visualmente🔢 Busca dados exatos via tool📖 Explica métricas via RAG🖼️ Até 3 recortes por mensagem
Por que isso importa para a sua fábrica
Como a engenharia de software aplicada resolve as dores do chão de fábrica.
"O modelo inventa dados"
Solução Aplicada
Sub-agente só responde baseado no output de analisar_dataframe. Sem dados executados, sem resposta.
"A tela trava esperando resposta"
Solução Aplicada
Streaming SSE ativo nativamente, atualizando o raciocínio e tool calls em tempo real.
"Análise de grandes períodos falha"
Solução Aplicada
O namespace em memória armazena as transformações por etapa sem poluir a janela de contexto do LLM.
"O agente esquece o contexto"
Solução Aplicada
Checkpointer nativo em SQLite salva o estado exato da conversa vinculada ao ID da sessão.
"Adicionar APIs exige retrabalho"
Solução Aplicada
Extensibilidade plug-and-play através de arquivos Markdown simples em um diretório de skills mapeado.
"Excesso de APIs confunde o LLM"
Solução Aplicada
Lazy-loading estratégico restringe a injeção do prompt de sistema apenas à skill correlacionada ao escopo.
Painéis Customizados
Dashboards criados dinamicamente pelo agente · persistidos por usuário
O agente pode criar painéis de gráficos diretamente no dashboard a partir de uma instrução em chat — sem nenhum formulário ou configuração manual. Cada painel é salvo no banco vinculado ao user_id do browser e reaparece automaticamente a cada abertura da página. O usuário pode reordenar por arrastar-e-soltar e remover painéis individualmente.
1. Pedido em linguagem natural
"Crie um gráfico de barras com o OEE por linha dos últimos 7 dias" — o agente executa a análise, monta a config Chart.js e persiste no SQLite via POST /dashboard-widgets.
2. Config salva no backend
O endpoint GET /dashboard-widgets/{id}/data devolve o objeto Chart.js completo. O frontend instancia o gráfico diretamente — sem lógica de mapeamento no browser.
3. Layout persistido por usuário
A ordem dos painéis é salva no localStorage por user_id. Drag-and-drop nativo sem bibliotecas — o DOM é a fonte de verdade da ordem.
Tipos de painel suportados:📊 bar / line / scatter🍩 doughnut / pie🔢 qualquer tipo Chart.js🗑️ remoção individual↔️ reordenação por drag
Tarefa Sob Demanda
Execução avulsa em background · sem horário fixo · notifica ao concluir
Além das tarefas recorrentes, o agente suporta execuções disparadas manualmente a qualquer momento — sem necessidade de configurar frequência ou horário. O usuário pede a análise no chat com "execute agora e me avise quando terminar"; o daemon roda em background e empurra um alerta ao dashboard assim que conclui, sem bloquear a interface.
1. Disparo pelo chat
O agente cria uma tarefa com frequency="on_demand" e next_run imediato. O daemon a detecta no próximo ciclo (≤ 60s) e inicia a execução.
2. Execução isolada
Roda no mesmo runner.py sandbox das tarefas agendadas — namespace efêmero, sem interferência nas sessões interativas do chat. O histórico de execução fica registrado em task_runs.
3. Notificação ao concluir
Ao finalizar, o daemon empurra um alerta via POST /alerts. O badge de alertas no header acende e o artefato gerado aparece no painel Artifacts — tudo sem recarregar a página.
Diferença para tarefas agendadas:⚡ sem cron — executa imediatamente🔁 frequência on_demand🔔 notifica via alertas▶ botão "executar agora" no painel
Core Infrastructure Stack
LLM Gemini 2.5 Flash
Orquestração LangGraph 1.0+
API FastAPI + SSE
Análise Pandas/Matplotlib
Persistência SQLite Backend
Threading ContextVar API
Exemplos de Comandos
COMO USAR O AGENTE · REFERÊNCIA RÁPIDA
Digite qualquer um dos comandos abaixo no chat. Clique no botão ↗ copiar para colar direto no campo de mensagem.
📊
Análise de Dados
Gráficos, tabelas e análises gerados em tempo real no chat
Qual foi a produção de hoje por linha?
Mostre um gráfico de produção dos últimos 7 dias agregado por dia
Como está o OEE agora? Compare entre as linhas
Compare o FPY entre os turnos A, B e C nessa semana
Mostre os defeitos por categoria dos últimos 30 dias em gráfico de barras
Qual linha está com pior desempenho hoje?
Gere uma tabela com produção, defeitos e FPY por turno esta semana
Mostre a tendência de defeitos dos últimos 14 dias em gráfico de linha
Qual foi o melhor e pior dia de produção no mês atual?
📅Períodos naturais — use "hoje", "esta semana", "mês atual", "últimos 7 dias", "mês anterior". O agente converte automaticamente.
🔄Iteração — após um gráfico aparecer no chat, peça variações: "mude para barras", "adicione a linha de média", "paleta mais escura".
🎙️Voz — clique no microfone no chat para ditar qualquer comando por áudio.
📄
Relatórios PDF & Excel
Gerados sob demanda ou agendados · salvos nos artefatos · pode enviar por e-mail
Gere um relatório PDF de produção da semana atual
Crie uma planilha Excel com os dados de defeitos dos últimos 30 dias
Gere um relatório PDF de OEE por linha do mês atual com gráficos
Crie um Excel com produção, FPY e OEE por turno da última semana
Gere um relatório PDF comparando o desempenho das linhas nos últimos 7 dias
Crie uma planilha com todas as ordens de produção do mês com status e eficiência
🗓️
Agendamento de Tarefas
Execução autônoma mesmo com a plataforma fechada · resultados nos artefatos · pode enviar e-mail
Agende um relatório em pdf de produção dos últimos 7 dias a cada 6 horasPDF gerado automaticamente a cada 6h e salvo nos artefatos
Agenda um relatório diário de produção todo dia às 7hPDF gerado automaticamente e salvo nos artefatos
Agende um relatório semanal de FPY e defeitos toda segunda às 8hPlanilha ou PDF salvo nos artefatos toda semana sem intervenção
Crie uma tarefa que roda todo dia 1º do mês com resumo do mês anterior
Agende um relatório de OEE a cada 6 horas
Liste todas as tarefas agendadas
Pause a tarefa 3
Delete a tarefa 5
Editar tarefa 2Edita código, período, métricas ou visual de qualquer tarefa existente
🔔
Monitores & Alertas
Criados como tarefas agendadas · verificação a cada 5 min · notificação no painel de alertas · pode enviar e-mail
Me avise se a produção de hoje aumentar acima de 2000Verifica a cada 5 min e notifica quando o threshold for cruzado
Crie um monitor que alerte se a produção passar 2000 unidades no dia
Me notifique quando a Linha 1 ficar inoperante
Alerta se o FPY cair abaixo de 90% em qualquer linha
Me avise se houver mais de 50 defeitos na categoria "Dimensional" hoje
Monitore a eficiência do turno B e me notifique se cair abaixo de 80%
Me avise se o turno C produzir menos que o turno A no mesmo dia
🔔Monitores são tarefas — o agente cria um monitor como uma tarefa agendada comum. Para editar o threshold, pausar ou deletar, use os mesmos comandos de tarefas: "editar tarefa [ID]", "pause a tarefa [ID]". Para receber também por e-mail, peça ao criar o monitor.
📌
Painéis Customizados no Dashboard
Gráficos permanentes salvos por usuário · editáveis e reordenáveis a qualquer momento
Adiciona ao dashboard um gráfico de barras com produção diária dos últimos 7 diasPainel permanente, reaparece a cada abertura da página
Insere no dashboard um gráfico de pizza com defeitos por categoria do mês
Cria um painel com gráfico de linha mostrando OEE dos últimos 14 dias por linha
Coloca no dashboard um gráfico de rosca com distribuição de turnos por produção
Liste os painéis no dashboard
Altere o gráfico de pizza para ter cores mais sóbriasEdita in-place sem deletar — use o nome ou ID do painel
Remove o painel de produção diária
📌Fixar do chat — qualquer gráfico gerado no chat pode virar painel permanente: basta dizer "adiciona esse ao dashboard".
👁️
Análise Visual
Analisa o que está na tela · aceita imagens e recortes do dashboard como contexto
O que está no dashboard agora? Resuma os principais númerosUsa get_dashboard_charts — não precisa de imagem
Quantos alertas estão ativos no momento?
O que mostra o gráfico de OEE atual? Há alguma anomalia?
Analise este gráfico + recorte de telaClique no botão 📷 no chat, arraste para selecionar a área e confirme
📷Recorte de tela — clique no botão 📷 no campo do chat, arraste para selecionar a área desejada e confirme. A imagem é anexada automaticamente à próxima mensagem.
📚
Perguntas Conceituais
Explica KPIs, linhas, turnos, capacidades do agente e como os dados são estruturados
O que é FPY e como é calculado?
Como é calculado o OEE neste sistema?
Quais linhas e turnos existem na fábrica?
O que você consegue fazer? Liste suas capacidades
Como funciona o agendamento de tarefas?
Quais endpoints de dados você usa? Explique o schema
Como funciona a arquitetura multi-agente deste sistema?
⚡
Análises Avançadas
Código Python executado em sandbox · correlação, Pareto, teste t, ANOVA e qualquer cálculo personalizado
Calcule a correlação entre defeitos e OEE nos últimos 30 dias
Faça um teste t para comparar a produção do turno A vs turno B neste mêsVerifica se a diferença entre os turnos é estatisticamente significativa
Rode uma ANOVA para comparar o FPY entre todas as linhas nos últimos 30 diasIdentifica se há diferença significativa de desempenho entre as linhas
Faça uma análise de Pareto dos defeitos por categoria dos últimos 90 dias
Compare o desempenho do mês atual vs mês anterior em todas as métricas
Qual turno tem a maior variabilidade de produção nos últimos 30 dias?
Gere um heatmap de produção por dia da semana e turno do último mês