Estudo de Caso: Dora IA — Inteligência Artificial com Memória Contínua e Graph RAG para Clínica de Saúde Auditiva em Brasília

Cliente: Clínica de Saúde Auditiva (Brasília – DF)
Engenharia & Arquitetura de IA: Maurício Leite
Stack: n8n, OpenAI, Mem0 (Open Source), LightRAG, Neo4j, Supabase (PostgreSQL), AvisaAPI
Conformidade: 100% LGPD (dados anonimizados e proteção rigorosa de histórico clínico)

1. Sumário Executivo

Uma conceituada clínica de saúde auditiva em Brasília (DF) é referência na reabilitação auditiva, adaptação de aparelhos, manutenção técnica especializada e suporte a convênios e processos militares (Marinha, FUSEX, Exército).

O desafio central consistia em criar um agente conversacional no WhatsApp (Dona Dora) que não fosse um chatbot rígido de opções numéricas nem um LLM genérico sujeito a alucinações. O agente precisava:

1. Atender com extremo acolhimento um público majoritariamente sênior.
2. Reconhecer instantaneamente pacientes da casa e novos leads.
3. Lembrar de preferências, familiares e detalhes de conversas anteriores sem exigir que a pessoa repita tudo.
4. Responder com precisão cirúrgica dúvidas sobre marcas, modelos, conectividade bluetooth, pilhas e processos burocráticos militares.
5. Encaminhar oportunidades qualificadas para a recepção humana no CRM.

2. A Arquitetura da Solução

Para alcançar essa maturidade de produto, foi desenhada uma arquitetura modular orientada a eventos que combina Orquestração Automatizada, Memória de Longo Prazo e Recuperação Aumentada por Grafo (Graph RAG):

3. Por que Mem0 e LightRAG? Os Pilares de Inteligência

3.1. Mem0: Memória de Curto e Longo Prazo

O maior problema de chatbots convencionais no WhatsApp é a amnésia: se a pessoa entra em contato dias depois, a conversa começa do zero. Se o histórico inteiro for reinjetado como texto bruto, o custo de tokens explode e a janela de contexto se satura.

• Por que usamos: O Mem0 cria uma camada semântica de memória episódica associada a cada usuário.
• Na prática:
  • Curto Prazo (Sessão): Mantém a coerência dos turnos recentes da conversa atual, permitindo que a IA entenda referências anafóricas (“ele tem exame”, “prefiro na parte da tarde”).
  • Longo Prazo (Fatos e Relações): Destila informações perenes — por exemplo, se quem está falando é o próprio paciente ou um familiar (filho/cônjuge), preferências pessoais e histórico de necessidades.

3.2. LightRAG + Neo4j: Graph RAG Híbrido

O RAG vetorial tradicional (busca por similaridade de embeddings) frequentemente falha em saúde e equipamentos técnicos, pois busca pedaços de texto isolados e perde as relações de causa e efeito (ex: compatibilidade de pilhas com marcas específicas, processos burocráticos de cada órgão militar).

• Por que usamos: O LightRAG integrado ao Neo4j estrutura o conhecimento clínico e operacional como um Grafo de Conhecimento (entidades interconectadas por relacionamentos explícitos).
• Modo Híbrido (hybrid): A busca consulta simultaneamente o grafo de entidades no Neo4j e a base vetorial semântica.
• Benefício: A IA nunca “chuta” se um modelo tem bluetooth ou se a clínica atende determinado processo; ela consulta o grafo e responde com precisão técnica absoluta.

4. Desafios de Engenharia e Problemas Resolvidos

Durante o ciclo de desenvolvimento e testes em produção, foram superados gargalos críticos de orquestração:

Desafio 1: O Envenenamento de Contexto no Histórico de Sessão

• O Problema: Inicialmente, a gravação de turnos no Mem0 estava configurada para inferir fatos a cada resposta (infer: true). O sistema gerava resumos em terceira pessoa distorcendo falas do usuário (ex: interpretando “não tenho preferência por marca” como “o usuário tem preferência”). Isso poluía o histórico imediato e fazia a IA repetir perguntas.
• A Solução: Separação estrita de escopos:
  • A sessão imediata passou a gravar o diálogo de forma literal e cronológica (infer: false).
  • A memória de longo prazo seguiu com extração semântica de fatos perenes.
  • Inclusão de regras de ouro no prompt: a mensagem atual do cliente tem precedência sobre qualquer inferência passada.

Desafio 2: A Ambiguidade entre Paciente e Novo Lead

• O Problema: Novos contatos que não estavam na base histórica de prontuários ficavam rotulados estaticamente como “não identificados”, deixando a IA sem saber se devia fazer triagem comercial ou suporte técnico.
• A Solução: Automação na camada de dados via PostgreSQL no Supabase:
  • Se o número de telefone bate com o prontuário eletrônico da clínica, o funil ativa automaticamente o modo Paciente da Casa (com acesso a garantias e fonoaudiólogo de referência).
  • Se o número não existe na base, o funil ativa automaticamente o modo Novo Lead, orientando a Dora para acolhimento, triagem de necessidades e qualificação.

Desafio 3: Otimização do Acesso ao Graph RAG

• O Problema: A ferramenta HTTP que conectava a IA ao LightRAG estava com passagem cega de parâmetros gerados pelo modelo, gerando buscas poluídas e sem garantia de varredura no Neo4j.
• A Solução: Padronização do payload com o parâmetro query instruído especificamente para termos técnicos objetivos e fixação do mode: "hybrid", ativando o potencial completo do grafo de conhecimento.

Desafio 4: Resiliência de Schemas de Ferramentas (Case-Sensitivity)

• O Problema: A IA gerava chamadas de ferramentas com variações de maiúsculas e minúsculas nos nomes das propriedades, o que gerava rejeição de schema na validação do n8n.
• A Solução: Blindagem das definições de ferramentas e do system prompt, garantindo conformidade estrita e eliminando erros em tempo de execução.

5. Capacidades Operacionais da Dora IA

Hoje, a Dona Dora atua como uma assistente virtual de triagem de alta performance:

6. Resultados e Impacto de Negócio

• Disponibilidade 24/7 sem Ruído: Pacientes e familiares são acolhidos a qualquer horário com a mesma qualidade e tom humanizado.
• Zero Alucinação Clínica: A combinação de regras de precedência com Graph RAG híbrido eliminou respostas incorretas sobre modelos e preços.
• Eficiência para a Recepção: A equipe humana recebe atendimentos já triados, com notas claras sobre o motivo do contato e histórico familiar, aumentando a conversão de agendamentos presenciais.
• Experiência Personalizada: O cliente sente que está conversando com alguém que realmente conhece sua jornada e a história do seu aparelho auditivo.

Engenharia e Arquitetura por Maurício Leite
Especialista em Soluções de Inteligência Artificial, Automação de Processos & Graph RAG.