Assistente inteligente para manutenção industrial desenvolvido com n8n, Cohere, arquitetura RAG (Retrieval-Augmented Generation), MySQL e Telegram, projetado para centralizar especificação técnica e histórico de manutenção de equipamentos em uma única interface conversacional. O equipamento de referência para este projeto foi o Elevador de Serviço Avanti Shark L02.
A solução permite que técnicos, inspetores e operadores consultem informações em linguagem natural diretamente pelo Telegram, combinando documentação técnica, memória conversacional e dados estruturados armazenados em banco de dados.
 |
 |
O bot está em execução e disponível para testes no Telegram. Sintam-se à vontade para interagir com a solução: @liftmaintenance_bot
Em ambientes industriais, informações importantes costumam estar distribuídas entre manuais técnicos, relatórios de inspeção, planilhas e bancos de dados. Isso fragmenta os dados dos equipamentos e aumenta o tempo para consulta do conhecimento necessário para atividades de operação, manutenção e diagnóstico.
Este projeto foi desenvolvido para transformar essas fontes de informação em um assistente conversacional especializado, capaz de responder perguntas técnicas e operacionais de forma rápida, contextualizada e fundamentada em dados reais.
O sistema utiliza uma arquitetura híbrida que combina:
- 📚 Base de conhecimento documental (RAG): Processamento do manual do equipamento.
- 🧠 Inteligência Artificial Generativa: LLM para compreensão e geração de respostas em linguagem natural.
- 💬 Memória de contexto: Manutenção do histórico da conversa para interações fluidas.
- 🗄️ Banco de dados relacional (MySQL): Consulta de dados operacionais e de inspeção em tempo real.
- 📱 Interface via Telegram: Acesso democratizado e móvel para equipes de campo.
Permite realizar perguntas sobre:
- Especificações técnicas e componentes do elevador;
- Procedimentos operacionais e de descida manual;
- Dispositivos de segurança e sistema trava-quedas.
Exemplo: "Qual a capacidade máxima do elevador?"
Permite acessar informações armazenadas no banco de dados:
- Histórico de inspeções e não conformidades;
- Ações corretivas e dados cadastrais.
Exemplo: "Quantas inspeções foram realizadas e qual a data da última inspeção?" (O agente mantém o contexto entre as perguntas).
O projeto é dividido em fluxos executados no n8n. Abaixo está a evolução da construção:
Coleta o documento técnico hospedado na pasta /context deste repositório, gera os embeddings (via Cohere) e armazena na Vector Store para embasar a IA.
Integra o modelo de chat do Cohere com a memória conversacional e a ferramenta de busca vetorial.
O fluxo final orquestra todas as ferramentas. O agente recebe a mensagem via Telegram, decide se deve consultar o Banco de Dados (MySQL) para dados históricos, ou a Vector Store para dados do manual, consolida a resposta e devolve ao usuário.
| Categoria | Ferramenta / Serviço | Papel na Arquitetura |
|---|---|---|
| Orquestração | n8n | Integração do Agente de IA com as fontes de dados e controle de fluxo |
| Inteligência Artificial | Cohere Chat & Embeddings | Raciocínio lógico do agente, interação e vetorização do manual |
| Banco de Dados | MySQL | Armazenamento relacional do histórico de inspeções e operação |
| Infraestrutura | Railway | Hospedagem em nuvem do banco de dados |
| Interface (Front-end) | Telegram API | Canal de comunicação móvel com o usuário final |
⚠️ Nota: Para garantir a conformidade, a segurança da informação e as boas práticas de governança, todos os registros de inspeções e não conformidades apresentados neste repositório são estritamente fictícios (mock data). Os dados foram gerados sinteticamente com o propósito exclusivo de validar a arquitetura técnica da solução e homologar o fluxo de inteligência de dados, não representando operações ou eventos reais.
Se você deseja replicar este assistente no seu próprio ambiente n8n, siga os passos abaixo:
- Uma instância do n8n rodando (local ou nuvem).
- Chave de API da Cohere.
- Um bot criado no Telegram via BotFather (Token da API).
- Um banco de dados MySQL ativo.
Na pasta /database deste repositório, você encontrará o arquivo database.sql. Execute este script no seu MySQL para criar as tabelas (elevadores, inspetores, inspecoes, etc.) e popular com os dados de demonstração.
Na pasta /workflows, baixe os arquivos .json:
- Abra o seu n8n.
- Vá em Workflows > Import from File e selecione os arquivos JSON baixados.
- Cadastre as suas próprias credenciais do Telegram, Cohere e MySQL quando o n8n solicitar.
O fluxo de ingestão consome automaticamente o manual técnico avanti-shark-l02.txt localizado na pasta /context. Basta executar esse fluxo uma vez para popular a Vector Store em memória antes de iniciar o chat no Telegram.
Este projeto foi desenvolvido como prova de conceito para a aplicação de Inteligência Artificial Generativa na manutenção industrial, utilizando o Elevador Avanti Shark L02 como ativo de referência.
A solução comprova como a redução do tempo de busca por informações e a centralização do conhecimento podem apoiar ativamente técnicos de campo, diminuindo a dependência de documentação física e apoiando diagnósticos baseados em dados reais de forma escalável.
- Enriquecer o arquivo
avanti-shark-l02.txtcom mais dados extraídos do manual do equipamento. - Aprimorar o banco de dados para tornar a estrutura mais robusta em relação aos equipamentos, com diferentes números de série, e ao histórico das inspeções simuladas cadastradas para testar perguntas sobre um elevador específico e confirmar a qualidade das respostas.
- Implementar a funcionalidade de "escrita", permitindo que o chatbot registre inspeções diárias no banco de dados em nome dos inspetores autorizados.