Framework IA

Framework open source de agentes de IA para atendimento

PythonOpen Source

Crie agentes inteligentes que entendem linguagem natural, consultam bases de conhecimento e atendem seus clientes em múltiplos canais automaticamente.

Ver no GitHub Voltar ao Showroom

O que é este projeto

Chronyx é um framework open source em Python para construção de agentes de IA especializados em atendimento ao cliente. Ele combina processamento de linguagem natural, busca semântica em bases de conhecimento e integração multi-canal em uma arquitetura modular e extensível.

A proposta é eliminar a complexidade de montar um pipeline de atendimento inteligente do zero. Com o Chronyx, você define a personalidade do agente, conecta sua base de conhecimento e escolhe os canais, o framework cuida do resto.

O Chronyx foi projetado para latência baixa. O pipeline completo, da recepção da mensagem à resposta final, é arquitetado para responder rápido, incluindo consulta ao modelo de linguagem e busca vetorial.

Arquitetura do agente

Cada agente Chronyx opera em um ciclo contínuo de três fases: percepção, raciocínio e ação. Esse loop é inspirado em arquiteturas cognitivas e garante que o agente mantenha contexto entre interações.

  • Percepção, recebe a mensagem do usuário, detecta intenção, extrai entidades e carrega o histórico da conversa
  • Raciocínio, consulta a base de conhecimento via RAG, avalia o contexto acumulado e decide a melhor estratégia de resposta
  • Ação, gera a resposta em linguagem natural, executa ferramentas externas se necessário e atualiza o estado da conversa
Percepção Intent + Entidades Raciocínio RAG + Contexto Ação Resposta + Tools feedback loop Usuário Canal (WA/TG)

Ciclo cognitivo do agente: percepção, raciocínio e ação com feedback loop

Exemplo: Criando um agente

from chronyx import Agent, KnowledgeBase, WhatsAppChannel # Configurar base de conhecimento kb = KnowledgeBase( source="./docs", embeddings="openai", vector_store="chromadb", chunk_size=512 ) # Criar o agente agent = Agent( name="Atendente Virtual", llm="gpt-4o-mini", knowledge=kb, personality="Você é um atendente cordial e objetivo.", temperature=0.3, max_context_turns=20 ) # Conectar ao WhatsApp channel = WhatsAppChannel( api_key="sua-api-key", phone_id="seu-phone-id" ) # Iniciar o agente agent.connect(channel) agent.run()

Processamento de linguagem natural

O módulo de NLP do Chronyx processa cada mensagem em três camadas antes de acionar o modelo de linguagem. Isso reduz custo de tokens e aumenta a precisão das respostas:

  • Detecção de intenção, classificador leve (distilBERT fine-tuned) que identifica a categoria da mensagem antes de chamar o LLM
  • Extração de entidades, reconhece CPF, CNPJ, datas, valores, nomes de produtos e protocolos automaticamente
  • Gerenciamento de contexto, janela deslizante de conversas com sumarização automática para manter relevância sem estourar limites de token
from chronyx.nlp import IntentClassifier, EntityExtractor # Pipeline de pré-processamento classifier = IntentClassifier(model="chronyx/intent-pt-br") extractor = EntityExtractor(lang="pt-br") message = "Quero cancelar meu pedido 45231 feito ontem" intent = classifier.predict(message) # {'label': 'cancelamento', 'confidence': 0.94} entities = extractor.extract(message) # [{'type': 'order_id', 'value': '45231'}, # {'type': 'date_ref', 'value': 'ontem'}]

Base de conhecimento

O Chronyx implementa um pipeline RAG (Retrieval-Augmented Generation) completo que transforma seus documentos em respostas precisas. O fluxo funciona em três etapas:

  • Ingestão de documentos, aceita PDF, DOCX, HTML, Markdown e texto puro. Divide automaticamente em chunks com overlap configurável
  • Indexação vetorial, gera embeddings via OpenAI ou modelos locais (sentence-transformers) e armazena no ChromaDB ou Pinecone
  • Busca semântica, para cada pergunta, busca os K chunks mais relevantes, aplica re-ranking e injeta no prompt do LLM como contexto
O pipeline de RAG suporta atualização incremental. Quando você adiciona ou altera documentos, apenas os chunks afetados são reindexados, sem necessidade de reconstruir toda a base vetorial.

Multi-canal

Um único agente Chronyx pode atender simultaneamente em múltiplos canais sem duplicar configuração. A arquitetura de canais é baseada em adaptadores que normalizam mensagens para um formato interno unificado:

  • WhatsApp Business API, via Cloud API oficial da Meta, com suporte a texto, imagens, documentos e botões interativos
  • Telegram Bot, integração nativa com a Bot API, incluindo inline keyboards e comandos customizados
  • Web Chat, widget embeddable com WebSocket para respostas em tempo real, customizável via CSS
  • API REST, endpoint genérico para integrar qualquer sistema via HTTP

Cada canal implementa a interface ChannelAdapter, garantindo que o core do agente permanece agnóstico ao canal de origem. Adicionar um novo canal é criar um adaptador de ~100 linhas.

Analytics e métricas

O Chronyx coleta métricas automaticamente em cada interação, sem configuração adicional. O dashboard integrado mostra:

  • Volume de conversas, total de sessões, mensagens por sessão, horários de pico e distribuição por canal
  • Taxa de resolução, percentual de conversas resolvidas sem escalar para humano, com breakdown por intenção
  • Satisfação (CSAT), pesquisa automática ao final da conversa com scoring de 1 a 5 e análise de sentimento
  • Funil de atendimento, visualização de onde os usuários abandonam, quais intenções geram mais escalonamento e tempo médio de resolução
  • Latência do pipeline, tempo de cada fase (NLP, RAG, LLM, resposta) com alertas quando ultrapassa thresholds definidos

Como usar

Instale via pip, configure seu agente e faça deploy. O Chronyx roda em qualquer servidor com Python 3.10+ e pode ser containerizado com Docker:

  • pip install chronyx, instala o framework e dependências
  • chronyx init, gera a estrutura de projeto com arquivo de configuração
  • chronyx ingest ./docs, processa e indexa seus documentos
  • chronyx serve, inicia o agente com FastAPI na porta 8000
  • chronyx deploy, empacota e faz deploy via Docker Compose
# Instalação e setup rápido $ pip install chronyx $ chronyx init meu-agente $ cd meu-agente # Configurar variáveis de ambiente $ cp .env.example .env # Edite .env com suas API keys (OpenAI, WhatsApp, etc) # Ingerir documentos na base de conhecimento $ chronyx ingest ./docs --chunk-size 512 --overlap 50 # Iniciar em modo desenvolvimento $ chronyx serve --reload # Agente rodando em http://localhost:8000 # Deploy com Docker $ chronyx deploy --port 8000 --workers 4

Tecnologias

Python NLP LLM RAG WhatsApp Telegram OpenAI LangChain ChromaDB FastAPI

Detalhes

LinguagemPython
LicençaMIT
LLMOpenAI / Local
TipoFramework

Índice

O que é este projeto Arquitetura do agente Processamento de linguagem Base de conhecimento Multi-canal Analytics e métricas Como usar

Quer algo parecido?

Construímos agentes de IA sob medida para o seu atendimento.

Fale conosco

Quer implementar algo parecido?

Entendemos o seu contexto antes de apresentar qualquer solução.

Fale conosco