JD Business Academy

Agente SDR multi-tenant que qualifica leads de R$ 30k+ no WhatsApp.

Pipeline assíncrono event-driven com debounce inteligente, FSM advisory + LLM-driven, RAG anti-leak e humanização baseada em CPS — para o programa CSE de Janguiê Diniz.

Cliente
JD Business Academy
Ano
2026
Papel
Solo · build end-to-end
Status
Em produção

Problema

Time SDR humano não escalava o volume de leads do programa CSE (encontro presencial de 3 dias para empresários). Qualificação manual via WhatsApp gargalava o pipeline antes do closer.

Solução

FastAPI + arq (Redis-native) + LangGraph FSM + GPT-4o. Token-LWW debounce de 7s consolida bursts. Fluxo em 9 blocos × 8 estados FSM. RAG sobre 230 chunks do material institucional — usado só para autoridade pública, nunca para expor o programa pago.

Resultado

SLA 2min entre mensagem do lead e resposta. Multi-tenant real (RLS Postgres, prefix Redis por tenant, Fernet em tokens at rest). Zero vazamento de conteúdo programático em testes de prompt-injection.

Decisões técnicas

Token-LWW debounce: SET NX + EXPIRE atômicos via Redis pipeline, token UUID validado no flush. Evita race entre múltiplos workers.
Provisionamento Railway via GraphQL idempotente direto (CLI rejeitava tokens project-scoped) — 0 cliques no dashboard.
DSN coercion para asyncpg em runtime + pgvector literal serialization com CAST(:emb AS vector) — bugs encontrados e corrigidos em produção.
Modality mirroring: áudio recebido responde em PTT (Whisper-large-v3 STT + ElevenLabs OGG/Opus TTS).

Métricas

2 min
SLA mensagem → resposta
230
chunks RAG ingeridos do PDF de 117MB
9 × 8
blocos conversacionais × estados FSM
0
vazamentos em prompt-injection testado
12 KLOC
Python no repositório

Stack

Python 3.12
FastAPI
arq (Redis-native)
LangGraph
GPT-4o + GPT-4o-mini
Whisper-large-v3 (Groq)
ElevenLabs TTS
Postgres + pgvector HNSW + RLS
Redis 7 + hiredis
Fernet (tokens at rest)
MegaAPI
Railway

Pronto pra parar de fazer slide?