Message→Intent Router→Cache / Vector DB / LLM→Lead Extraction→Budget CTA
› The Problem
The public portal assistant must answer quickly, qualify leads naturally and avoid paying for an LLM call for every simple FAQ.
› What I Built
I built O Daqui as the front-door assistant for PertoDaqui: local intent routing, FAQ cache, vector retrieval, LangGraph state, lead extraction and CTA triggering.
› Core Capabilities
Local intent router for common questions.
FAQ cache and vector retrieval before generation.
LangGraph state for multi-turn lead qualification.
Incremental extraction of contact, business type and location.
Budget CTA when enough lead data is present.
› Technical Decisions
01
Route locally first to reduce cost and latency.
02
Use retrieval only when the answer needs platform knowledge.
03
Call the LLM after cheaper routes fail.
04
Collect lead data conversationally instead of forcing a long form.
› What This Demonstrates
Cost-aware conversational AI, retrieval, caching, stateful lead qualification and practical conversion design.
› Limitations & Next Steps
Add voice input once the typed flow is stable.
Tune extraction latency on smaller deployments.
› Project Links
PertoDaqui AI & Messaging• Sistema Live
Assistente de IA "O Daqui"
Assistente de portal IA e motor de qualificação de leads
› Screenshots
3 planeados
[ preview ]
Pré-visualização do fluxo conversacional com recuperação dinâmica de dados vetoriais.
Pré-visualização do fluxo conversacional com recuperação dinâmica de dados vetoriais.
Message→Intent Router→Cache / Vector DB / LLM→Lead Extraction→Budget CTA
› O Problema
O assistente publico tem de responder depressa, qualificar leads de forma natural e evitar pagar uma chamada LLM por cada FAQ simples.
› O que foi Construído
Construí o O Daqui como assistente de entrada do PertoDaqui: routing local de intencoes, cache de FAQ, recuperacao vetorial, estado LangGraph, extracao de leads e CTA automatico.
› Capacidades Centrais
Router local para perguntas comuns.
Cache de FAQ e recuperacao vetorial antes da geracao.
Estado LangGraph para qualificacao multi-turn.
Extracao incremental de contacto, tipo de negocio e localizacao.
CTA de orcamento quando a lead tem dados suficientes.
› Decisões Técnicas
01
Roteamento local primeiro para reduzir custo e latencia.
02
Usar retrieval apenas quando a resposta precisa de conhecimento da plataforma.
03
Chamar LLM so depois de falharem rotas mais baratas.
04
Recolher dados da lead por conversa, nao por formulario longo.
› O que isto Demonstra
IA conversacional consciente de custo, retrieval, caching, qualificacao de leads com estado e desenho pratico de conversao.
› Limitações & Próximos Passos
Adicionar voz quando o fluxo escrito estiver estavel.
Afinar latencia de extracao em deployments pequenos.
