Intelligent E-commerce -

Refatoração na branch https://github.com/DAYANE1130/ai-customer-service-ecommerce/tree/refactor/architecture

🤖 AI Customer Support Automation for Ecommerce

Sobre o Projeto

Sistema de atendimento inteligente para e-commerce que utiliza IA Generativa para automatizar dúvidas frequentes, recomendações de produtos, consultas de pedidos e envio de emails.

O projeto foi desenvolvido como um MVP funcional com foco na redução do tempo operacional, melhoria da experiência do cliente e validação rápida de soluções baseadas em IA utilizando Langflow, Gemini e Flask.

Além da automação do atendimento, a arquitetura permite testar e comparar diferentes modelos de linguagem, facilitando análises de desempenho, qualidade das respostas e custos de operação.

Demonstração

demo.mp4

Fluxo Langflow

📌 Objetivo do Projeto

Construir um sistema capaz de automatizar partes do atendimento ao cliente em ecommerce através de IA, permitindo:

Reduzir o tempo gasto com atendimentos repetitivos
Melhorar a experiência do cliente com respostas mais rápidas
Automatizar processos operacionais
Facilitar a experimentação e comparação entre diferentes modelos de IA
Demonstrar uma arquitetura de integração entre IA Generativa e aplicações web

🚀 Tecnologias Utilizadas

Python
Flask
Langflow
Gemini
SMTP / Gmail
HTML
TailwindCSS
Jinja2
Docker

🧠 Arquitetura da Solução

A aplicação foi organizada seguindo princípios de:

Separação de responsabilidades
Clareza de fluxo
Manutenção simplificada
Escalabilidade futura

📁 Estrutura do Projeto

project/
│
├── controllers/
│   └── processamento do fluxo e regras da aplicação
│
├── services/
│   └── integrações externas e lógica de negócio
│
├── database/
│   └── dados simulados de usuários e pedidos
│
├── templates/
│   └── renderização HTML com Jinja
│
├── static/
│   └── arquivos estáticos da interface
│
├── utils/
│   └── funções auxiliares
│
└── app.py

🔄 Fluxo da Aplicação

Usuário
   ↓
Flask (Backend)
   ↓
Langflow + Gemini
   ↓
Resposta estruturada da IA
   ↓
Backend interpreta intenção
   ↓
Execução de ação automática
   ↓
Envio de email / recomendação / resposta

⚙️ Funcionalidades Implementadas

✅ Atendimento Automatizado

O sistema utiliza IA para responder dúvidas frequentes relacionadas a:

Status de pedidos
Informações de entrega
Políticas da loja
Recomendações de produtos

✅ Recomendação de Produtos

Com base na intenção identificada pelo modelo, o sistema consegue sugerir produtos automaticamente.

✅ Envio Automático de Emails

A aplicação integra SMTP/Gmail para envio automático de emails contendo:

Atualização de pedidos
Informações solicitadas pelo cliente
Recomendações

✅ Respostas Estruturadas da IA

O sistema utiliza respostas estruturadas para:

Identificar intenção do usuário
Definir ações automaticamente
Garantir previsibilidade no fluxo
Conectar IA com execução operacional

🧩 Integração IA + Backend

A arquitetura foi desenhada para separar claramente:

IA Responsável Por

Interpretar mensagens
Identificar intenções
Estruturar respostas
Direcionar o fluxo da aplicação

Backend Responsável Por

Regras de negócio
Execução de ações
Consulta de dados
Envio de emails
Renderização da interface

🛠️ Decisões Técnicas do MVP

Flask

Escolhido pela simplicidade, velocidade de desenvolvimento e facilidade de integração com serviços externos.

Langflow

Utilizado para organizar visualmente o fluxo da IA e acelerar prototipação e testes.

Respostas Estruturadas

A decisão de utilizar respostas estruturadas foi essencial para transformar respostas da IA em ações reais do backend.

Isso tornou o sistema mais previsível, automatizável e escalável.

Organização em Camadas

A divisão entre:

controllers
services
database
utils

foi adotada para melhorar:

organização
legibilidade
manutenção
reutilização de código

📈 Problemas que o Projeto Resolve

⏱️ Redução de Tempo Operacional

Automatiza tarefas repetitivas do atendimento ao cliente.

💰 Redução de Custos

Diminui a necessidade de intervenção manual em processos simples e recorrentes.

📦 Escalabilidade no Atendimento

Permite atender múltiplos usuários simultaneamente.

⭐ Melhor Experiência do Cliente

Entrega respostas rápidas, automatizadas e contextualizadas.

🔮 Possíveis Evoluções Futuras

Desacoplamento dos IDs internos dos componentes Langflow
Configuração dinâmica dos componentes do fluxo
Suporte a múltiplos provedores de LLM
Comparação de performance entre modelos
Comparação de custos entre provedores de IA
Integração com banco de dados para persistência de pedidos
Painel administrativo para monitoramento das interações

▶️ Como Executar o Projeto

Pré-requisitos

Antes de executar o projeto, certifique-se de possuir:

Docker
Docker Compose
Conta Google configurada para envio de emails via App Password
Chave de API do Langflow
Chave de API da IA Generativa escolhida

Configuração das Variáveis de Ambiente

Crie um arquivo .env na raiz do projeto utilizando o modelo abaixo ou o arquivo .env.example:

LANGFLOW_URL=http://langflow:7860/api/v1/run/intelligent_ecommerce

DOCKER_LANGFLOW_API_KEY=your_langflow_api_key

EMAIL=your_email@gmail.com
APP_PASSWORD=your_gmail_app_password

Descrição das Variáveis

Variável	Descrição
LANGFLOW_URL	Endpoint interno utilizado pelo Flask para comunicação com o Langflow
DOCKER_LANGFLOW_API_KEY	Chave utilizada para autenticação no Langflow
EMAIL	Conta utilizada para envio de emails automáticos
APP_PASSWORD	Senha de aplicativo gerada no Google para SMTP

Observação: O hostname langflow funciona porque Flask e Langflow estão executando na mesma rede Docker.

Executando o Projeto

Clone o repositório e entre na pasta do projeto:

git clone https://github.com/DAYANE1130/ai-customer-service-ecommerce.git

Construa e inicie os containers

docker compose -f docker-compose.dev.yaml up -d --build

Esse comando irá:

Construir a imagem da aplicação Flask Criar os containers Iniciar o Flask e o Langflow Configurar a rede entre os serviços

Verifique se os containers estão em execução

docker compose -f docker-compose.dev.yaml ps

A aplicação ficará disponível em:

Serviço	URL
Flask	http://localhost:5000
Langflow	http://localhost:7861

Importando o Fluxo no Langflow

Após iniciar os containers:

Acesse o Langflow em http://localhost:7861
Clique em criar um novo projeto o Fluxo está no no seguinte caminho "flows/fluxo_docker_Intelligent E-commerce Customer Sytem.json"
Importe o fluxo exportado do projeto
Publique o fluxo
Verifique se o endpoint publicado corresponde ao configurado na variável LANGFLOW_URL

Caso o nome do fluxo seja alterado, atualize a variável:

LANGFLOW_URL=http://langflow:7860/api/v1/run/<nome_do_fluxo>

Estrutura dos Containers

docker-compose
│
├── Flask
│   ├── Interface Web
│   ├── Integração com Langflow
│   └── Integração SMTP
│
└── Langflow
    ├── Fluxo Conversacional
    ├── Integração Gemini
    └── Orquestração das Ações

Limitações Conhecidas (MVP)

Este projeto foi desenvolvido como um MVP para validação rápida da solução.

Atualmente o payload enviado ao Langflow referencia diretamente o identificador interno de um componente Prompt:

"Prompt-Xd7aZ"

Ao importar o fluxo para outra instalação do Langflow, esse identificador pode ser recriado automaticamente com outro valor.

Caso ocorram erros após a importação do fluxo:

Abra o fluxo no Langflow
Localize o componente Prompt
Verifique o novo identificador gerado
Atualize a referência correspondente no código da aplicação

Essa dependência será removida em versões futuras para tornar a integração totalmente desacoplada.

💡 Aprendizados do Projeto

Durante o desenvolvimento deste MVP, os principais aprendizados foram:

Integração entre IA e backend
Uso de respostas estruturadas
Organização arquitetural em aplicações Flask
Automação de processos com IA
Construção de fluxos com Langflow
Separação entre decisão e execução

📬 Contato

Caso queira trocar ideias sobre:

IA
Backend
Automação
Arquitetura de software

Fique à vontade para se conectar 🚀

Name		Name	Last commit message	Last commit date
database		database
services		services
templates		templates
utils		utils
.gitignore		.gitignore
.python-version		.python-version
README.md		README.md
app.py		app.py
requirements.txt		requirements.txt

Latest commit

History

Folders and files

Repository files navigation