Desenvolvi um projeto simples para automatizar a leitura e análise de documentos de licitação — como Termos de Referência — utilizando um assistente baseado em IA, alimentado por uma base de conhecimento vetorizada construída a partir de projetos anteriores.

O objetivo é claro: reduzir o tempo e o esforço necessários para compreender, interpretar e estruturar um projeto baseado em um edital, oferecendo sugestões automáticas sobre riscos, entregáveis, escopo e requisitos críticos, com base no que já funcionou (ou deu errado) em experiências passadas.

Live Demo:
👉 https://projetos.tiago.cafe/assist3.html

🔗 Repositório no GitHub

Conecte-se comigo para dúvidas, melhorias ou colaborações:
👤 Meu LinkedIn

🔍 O que o Tender AI Assistant faz?

A aplicação permite que você:

  • Faça upload de um edital ou termo de referência
  • Obtenha uma análise detalhada e automática, gerada por IA
  • Visualize pontos de atenção, riscos, entregáveis e exigências que precisam ser observados
  • Compare implicitamente com o histórico de projetos anteriores já realizados pela organização

Tudo isso com base em um modelo de linguagem avançado (LLM), treinado com documentos reais de projetos anteriores, como planos de projeto, atas de reuniões, cronogramas e escopos funcionais.

💡 Por que isso é útil?

Esse tipo de ferramenta pode apoiar diversos perfis e times, como:

  • Equipes de PMO que avaliam viabilidade de propostas técnicas e comerciais
  • Consultorias que preparam respostas para licitações complexas
  • Empresas integradoras e GovTechs que precisam estimar corretamente os requisitos de um projeto antes de enviar proposta

Ao usar IA como apoio, o tempo de leitura e interpretação cai drasticamente — e o risco de ignorar detalhes críticos do edital também.

🖥️ Como funciona?

A aplicação está dividida em três partes:

  1. Frontend (HTML/JS) – Interface web simples onde o usuário arrasta o documento e escreve sua pergunta (ou usa o prompt automático)
  2. Backend (Flask/Python) – API responsável por processar os arquivos e chamar os endpoints da OpenAI
  3. Vector Store + Assistant – Camada de conhecimento que armazena documentos anteriores e responde com base no contexto acumulado

Você pode ver a estrutura completa do projeto aqui:

🧠 Como usar

  1. Acesse a interface online
  2. Faça upload de um documento de edital (Word, PDF, HTML...)
  3. Aguarde a resposta automática com insights
  4. Você pode treinar a base com novos documentos

⚠️ Os arquivos enviados para análise não são armazenados. Eles são usados apenas em tempo de execução. Há uma função específica para alimentação da Base de conhecimento.

🚀 Tecnologias utilizadas

  • Python 3.10
  • Flask (API backend)
  • OpenAI API (assistente e vetorização)
  • HTML, CSS e JS puro no frontend

🔐 Segurança

  • Os documentos enviados não são salvos em disco
  • A base de conhecimento vetorizada é composta exclusivamente por arquivos autorizados previamente
  • O sistema foi projetado para ser seguro, transparente e auditável