Como extrair dados de documentos complexos e viabilizar busca semântica preservando rastreabilidade e revisão humana?

O projeto parte de uma pergunta suficientemente real para exigir mais do que uma demonstração de tecnologia. Escopo, linguagem e arquitetura são tratados como partes do mesmo produto.

O SchemaAPI transforma documentos difíceis de consultar, como PDFs, planilhas, arquivos de texto e materiais corporativos, em uma base de conhecimento realmente utilizável. A pessoa pode enviar arquivos, localizar informações por palavras ou por significado e fazer perguntas em linguagem natural. Cada resposta aponta as evidências que a sustentam, o que torna a experiência mais próxima de conversar com os próprios documentos sem perder a confiança sobre de onde veio cada informação.

A plataforma foi pensada para operações locais e ambientes que exigem controle sobre dados. Ela extrai conteúdo estruturado, tabelas, seções, tópicos, cláusulas e indicadores, processa documentos em segundo plano, combina busca textual e vetorial, registra auditorias e oferece telas de análise, governança e observabilidade. A API em Rust prioriza desempenho; workers em Python fazem extração e processamento inteligente; PostgreSQL com pgvector armazena conhecimento semântico e RabbitMQ coordena as tarefas. Electron e React completam a solução com uma central desktop para acompanhar todo o fluxo.

A stack é usada para sustentar responsabilidades específicas, não como catálogo. Os módulos abaixo resumem o papel das escolhas centrais.

Integração de busca vetorial RAG, pipelines assíncronos de documentos, APIs performáticas em Rust e observabilidade aplicada.

Projetos pessoais funcionam como laboratórios onde decisões podem ser examinadas, não apenas executadas.

O repositório no GitHub contém o código-fonte, a documentação técnica (README) e o histórico de evolução do projeto.