Orquestração de agentes e automação comercial

SDR no WhatsApp orquestrado em n8n, com memória em Postgres e pgvector.

Workflow de orquestração de agentes da PsiAtiva no n8n

Construí a operação de aquisição da própria PsiAtiva com orquestração no n8n, SDR no WhatsApp, memória em Postgres e pgvector, qualificação baseada em evidências e roteamento assistido por IA.

Função
Founder & Automation Engineer
Período
Desde mai. de 2026
Stack
JavaScriptPython
Evidência
  • No ar
  • Stack de produto

PsiAtiva em produçãoVer evidência do workflow

O motor de aquisição inbound e qualificação comercial inteligente da PsiAtiva. Orquestrado em workflows de produção no n8n, integra captura de leads da web, um agente SDR autônomo e conversacional no WhatsApp, memória semântica com PostgreSQL e pgvector e pontuação diagnóstica baseada em evidências.

Infraestrutura operacional própria da PsiAtiva, empresa de Juan Silva. Juan desenhou a arquitetura de contêineres, esquemas de banco de dados, engenharia de prompts e pipelines de orquestração no n8n. Classificado estritamente como evidência de capacidade própria — comprovação de engenharia de agentes de IA e automação de back-end em produção, e não uma entrega de consultoria para clientes.

Showcase completo das operações de IA no n8n: webhook de entrada, enriquecimento de leads, SDR autônomo no WhatsApp e memória RAG com pgvector.
Cinquenta e cinco segundos, silencioso e em loop — arquitetura completa em produção: captura via webhook, enriquecimento com LLMs, SDR conversacional no WhatsApp e busca semântica em pgvector.

Arquitetura: O agente SDR autônomo no WhatsApp

A automação comercial moderna exige muito mais do que árvores rígidas de decisão. No centro da operação da PsiAtiva opera a 'Renata', uma SDR orientada por inteligência artificial conectada à API do WhatsApp Business. Orquestrada via n8n e alimentada por modelos de linguagem avançados, a agente conduz qualificações conversacionais assíncronas com donos de clínicas e psicólogos. Em vez de impor menus numéricos inflexíveis, sustenta um diálogo consultivo, identifica dores operacionais e direciona contatos qualificados para reuniões de diagnóstico.

Fluxo de qualificação conversacional da SDR Renata via WhatsApp Business API e n8n.
Dezesseis segundos, silencioso e em loop — o ciclo de qualificação assíncrona: recepção de mensagens, montagem de prompt com conformidade ética do CFP, delay humanizado e envio da resposta.

Memória contextual: RAG com PostgreSQL e pgvector

Para evitar alucinações e manter a memória institucional ao longo de conversas que se estendem por dias, a agente não depende apenas de históricos efêmeros de mensagens. Programei um subsistema de RAG (geração aumentada por recuperação) estruturado em PostgreSQL com a extensão pgvector:

  • Base de Conhecimento Semântica — Vetorização das metodologias clínicas da PsiAtiva, normas éticas do CFP, matrizes de posicionamento e escopos de serviço.
  • Persistência de Sessão — Histórico conversacional registrado em tabelas relacionais estruturadas, acompanhando a evolução das etapas comerciais e as dores relatadas.
  • Injeção Dinâmica de Contexto — Mensagens recebidas disparam buscas por similaridade de cosseno no banco vetorial, ancorando as respostas da IA em dados factuais.
  • Pipeline de Enriquecimento de Leads — Captura dados enviados pelo quiz do site, cruza indicadores de presença digital e gera um briefing estruturado antes do início do diálogo.
Pipeline de recuperação semântica e memória contextual com pgvector no n8n.
Quinze segundos, silencioso e em loop — vetorização de mensagens, busca por similaridade de cosseno (<=>) em 1536 dimensões e injeção de contexto ancorado nos prompts dos LLMs.
Agentes autônomos falham quando desconectados de memória persistente. Ao integrar modelos conversacionais à recuperação em pgvector com diretrizes éticas restritas, o sistema opera como uma ponte consultiva confiável entre a captação web e o fechamento comercial.
n8n
motor central de orquestração de fluxos
pgvector
recuperação RAG e memória de sessão
WhatsApp
interface conversacional da SDR (Z-API)
Multi-Model
pipelines de classificação e raciocínio

Infraestrutura de contêineres em produção

A arquitetura de automação é auto-hospedada através de Docker Compose. O ambiente isola o contêiner de execução do n8n do banco de dados relacional e vetorial PostgreSQL, utilizando volumes persistentes que resistem a reinicializações do servidor. Variáveis de ambiente, chaves de API e credenciais operam sob rígido isolamento de privilégios, garantindo que webhooks públicos não acessem rotinas administrativas internas.

O que isto não é

  • Não é um estudo de caso de cliente ou serviço prestado a terceiros. Trata-se de infraestrutura interna construída para operação própria.
  • Não é um chatbot genérico pronto de mercado. O ecossistema integra bancos vetoriais customizados, cadeias avançadas de LLM e APIs REST.
  • Não apresenta alegações de performance não verificadas. Nenhuma métrica de tempo de resposta, volume de mensagens ou conversão é divulgada.
  • Não expõe dados confidenciais. IDs de fluxo, chaves de API e dados de contato permanecem estritamente restritos ao ambiente de produção interno.

O engenheiro de design como construtor de sistemas

Este projeto demonstra como a engenharia de design contemporânea vai muito além de componentes visuais e estilização de layouts. A experiência do usuário abrange a jornada completa — desde o primeiro clique no botão da landing page até a engenharia de prompts, gestão de latência e empatia conversacional de um sistema automatizado. Construir este back-end operacional comprova minha capacidade de arquitetar sistemas completos onde interface e inteligência autônoma funcionam como um único produto.

Evidência

Opera continuamente em produção processando a entrada e qualificação inbound da PsiAtiva. Conecta webhooks diagnósticos do site a atendimentos conversacionais no WhatsApp apoiados por memória vetorial de longo prazo. Em respeito aos padrões de transparência do acervo, nenhuma métrica de volume, tempo de resposta ou faturamento é alegada.