14-03-02 — Desafio: Arquitetura do Assistente Jurídico

O Cenário

Escritório de advocacia Mendes & Associados, 50 advogados, especializado em direito tributário e contratos empresariais. Clientes: grandes corporações. Contexto:

• Base documental: 200 mil documentos (jurisprudência, contratos, modelos de petição, pareceres)
• Volume de queries: ~500/dia, picos em julgamentos
• Dados sensíveis: estratégias de clientes, contratos confidenciais, segredos comerciais
• Regulação: sigilo profissional (OAB), LGPD, privacidade de dados do cliente
• Budget: R$ 30K/mês de infraestrutura

Requisitos Funcionais

1. Pesquisa de Jurisprudência: "Quais são os precedentes do STJ sobre ICMS em operações interestaduais de SaaS?"
2. Análise de Contratos: Upload de PDF → identificar cláusulas problemáticas, riscos, obrigações
3. Rascunho de Petições: Geração de minutas baseadas em casos anteriores + jurisprudência
4. Rastreabilidade Total: Toda resposta deve citar as fontes exatas (documento, página, seção)
5. Modo Offline/Edge: Advogados em audiências sem internet precisam de funcionalidade básica

Requisitos Não-Funcionais

• Latência: < 5s para pesquisa, < 30s para análise de contrato
• Disponibilidade: 99.5% (sem SLA crítico 24/7)
• Dados nunca saem da cloud privada do escritório (nenhum dado vai para modelos públicos sem anonimização)
• Audit log: toda query, todo documento acessado, toda resposta gerada
• Custo: target < R$ 25K/mês

Solução Proposta: Componentes

Decisões de Arquitetura — Justificativas

1. Modelo Principal: GPT-4o via Azure OpenAI (não OpenAI direta)

2. Router Agent — Não "GPT-4o para Tudo"

Um agente de roteamento classifica a query antes de processá-la:

• Pesquisa simples de jurisprudência → GPT-4o-mini + RAG (custo 15x menor)
• Análise de contrato (< 10 páginas) → GPT-4o com Document Intelligence
• Análise de contrato longa (10-300 páginas) → GPT-4o com batch processing
• Rascunho de petição → GPT-4o + few-shot com modelos internos

3. RAG com Chunking Semântico por Estrutura Jurídica

Documentos jurídicos têm estrutura clara: ementa, relatório, voto, dispositivo. O pipeline de ingestão usa Azure AI Document Intelligence para identificar essas seções e criar chunks por unidade semântica, não por token count. Cada chunk carrega metadata: tribunal, data, número do processo, tipo de decisão.

4. Rastreabilidade Mandatória (Citations)

// Cada resposta inclui CitationList obrigatória
public record LegalResponse(
    string Answer,
    IReadOnlyList<Citation> Citations,
    string ConversationId,
    DateTimeOffset Timestamp
);

public record Citation(
    string DocumentId,
    string DocumentTitle,
    string ChunkText,      // texto exato usado
    int PageNumber,
    float RelevanceScore
);

5. Audit Log Imutável

Toda interação é gravada em CosmosDB com TTL de 5 anos (requisito OAB para documentos de escritório). O log inclui: usuário, query original, documentos recuperados, resposta gerada, latência, custo da chamada.

6. Edge / Offline com Phi-4

Phi-4 rodando via Foundry Local no notebook do advogado. Funcionalidade reduzida: pesquisa no cache local dos últimos 30 dias de jurisprudência. Sincroniza quando volta à rede.

Estimativa de Custo Mensal

Dentro do budget de R$ 25K/mês. A diferença vai para licenciamento Microsoft 365 E5 + Azure DevOps + reserva para picos.

Anti-Patterns Evitados

• ✅ Não "GPT-4o para tudo" — Router Agent separa complexidade
• ✅ RAG com avaliação — pipeline de avaliação semanal com Azure AI Evaluation SDK mede groundedness e relevance
• ✅ Sem agentes sem limite — Document Analysis Agent tem max_iterations=10, timeout=120s por contrato
• ✅ Prompts versionados — todos os templates no Azure AI Foundry Prompt Catalog com semver
• ✅ Chunking semântico — baseado em estrutura jurídica, não em token count fixo
• ✅ Content Safety — Prompt Shields em todas as chamadas (previne injeção por conteúdo de contrato malicioso)
• ✅ Histórico limitado — sessão de chat retém últimos 10 turnos + resumo

Pontos de Atenção para Implementação Real