Skip to content

README.md

Latest commit

 

History

History
108 lines (82 loc) · 3.21 KB

README.md

File metadata and controls

108 lines (82 loc) · 3.21 KB

NesisAI — Backend

API FastAPI que recebe payloads scrapeados pela extensão Chrome e devolve alertas clínicos via motor de IA (Gemini + RAG sobre pgvector).

Setup

cd backend
cp .env.example .env   # editar GEMINI_API_KEY
docker compose up --build
  • API: http://localhost:8000
  • Swagger: http://localhost:8000/docs
  • Health: http://localhost:8000/health

Migrações Alembic rodam automaticamente no startup do container.

Endpoint principal

POST /api/v1/analyze

Recebe { paciente, medicacoes } e retorna lista de alertas com severidade, mecanismo, recomendacao e fonte.

Base de conhecimento (RAG)

A coleção nesis_knowledge_base no pgvector é populada a partir de data/cardio_knowledge.json (41 entradas) pelo script scripts/ingest_knowledge.py.

Com o backend em execução:

docker exec -it backend-backend-1 python scripts/ingest_knowledge.py

# Verificar
docker exec -it backend-postgres-1 psql -U nesis -d nesis -c \
  "SELECT COUNT(*) FROM langchain_pg_embedding;"

O script faz upsert pelo id da entrada — re-rodar atualiza embeddings sem duplicar.

PGVECTOR_URL

  • Dentro do Docker: host postgres (nome do serviço)
  • Fora do Docker: host localhost

Estrutura

backend/
├── app/
│   ├── main.py            # FastAPI entrypoint
│   ├── config.py          # Settings (pydantic-settings)
│   ├── database.py        # SQLAlchemy async
│   ├── motor/             # Pipeline de IA — ver app/motor/README.md
│   └── prescriptions/     # Domínio + router /api/v1/analyze
├── data/
│   └── cardio_knowledge.json
├── scripts/
│   └── ingest_knowledge.py
├── alembic/               # Migrações
├── docker-compose.yml
└── requirements.txt

Stack

  • FastAPI + SQLAlchemy 2 (async) + Alembic
  • PostgreSQL 16 com extensão pgvector (pgvector/pgvector:pg16)
  • LangChain + langchain-postgres (vector store)
  • Google Gemini 2.5 Flash via google-genai
  • Docker Compose com named volumes

Validação rápida

curl -X POST http://localhost:8000/api/v1/analyze \
  -H "Content-Type: application/json" \
  -d '{
    "paciente": {
      "nome": "Roberto Ferreira",
      "idade": 65,
      "sexo": "H",
      "peso": "70kg",
      "altura": "170cm",
      "alergias": [],
      "problemas_condicoes": ["Hipertensão", "Insuficiência cardíaca"],
      "med_em_uso": []
    },
    "medicacoes": [
      {"nome": "Enalapril", "dose": "10mg", "frequencia": "1x/dia", "via": "oral"},
      {"nome": "Espironolactona", "dose": "25mg", "frequencia": "1x/dia", "via": "oral"}
    ]
  }'

Schema (ver app/prescriptions/schemas.py):

  • paciente.nome (string, obrigatório)
  • paciente.idade (int 0–130, obrigatório)
  • paciente.sexo, peso, altura, motivo_consulta, objetivo, avaliacao (opcionais)
  • paciente.alergias, problemas_condicoes, med_em_uso (listas de string)
  • medicacoes[].nome (string, obrigatório) + dose, frequencia, via, posologia_completa (opcionais)

Nos logs, procurar RAG recuperou N documentos para a query: ... para confirmar consulta ao pgvector.

Para detalhes de desenvolvimento, ver README_DEV.md.