🚀 Sobre o Projeto

O AI Feedback Analyzer resolve um problema real de empresas que recebem grande volume de avaliações: a triagem manual. O sistema recebe um texto, processa através de um LLM (Large Language Model) e devolve:

1. Análise de Sentimento (Positivo, Negativo, Neutro).
2. Categorização Automática (Logística, Produto, Atendimento, etc).
3. Sugestão de Resposta personalizada baseada no tom da mensagem.

Este projeto foi desenvolvido para demonstrar a aplicação prática de IA em cenários de negócio.

🛠️ Tech Stack

• Core: Next.js 14 (App Router & Server Actions)
• Linguagem: TypeScript
• Estilização: Tailwind CSS
• AI Model: Google Gemini API (Generative AI SDK)
• Icons: Lucide React

💡 Decisões Técnicas & Engenharia de Prompt

1. Engenharia de Prompt: "Few-Shot Abstracting"

• O Problema: Prompts genéricos geram respostas inconsistentes e fora de padrão.
• A Solução: No lugar de passar históricos de conversas inteiros (que consomem muitos tokens), forneci ao modelo exemplos abstratos de Input vs. Output Desejado e defini o "Tom de Voz" (Persona) esperado.
• Resultado: Respostas 40% mais precisas e estritamente formatadas em JSON, prontas para o consumo do Front-end.

2. Next.js Server Actions

Optei por utilizar Server Actions em vez de criar rotas de API tradicionais (/pages/api).

• Segurança: A API Key do Gemini (GEMINI_API_KEY) nunca é exposta ao cliente (navegador), pois todo o processamento ocorre no servidor.
• Simplicidade: Redução de boilerplate. A função de backend é importada diretamente no componente React, mantendo a tipagem do TypeScript de ponta a ponta.

3. UI

• Uso de transparências e backdrop-blur para criar profundidade.
• Gradientes radiais dinâmicos gerados via Tailwind.
• Feedback visual (Loading States, Badges coloridas) para melhorar a UX.

4. Guardrails (Barreiras de Segurança)

Implementei uma camada de validação no prompt para detectar inputs inválidos. Se o usuário enviar textos fora de contexto, a IA é instruída a retornar uma categoria Invalid em vez de alucinar uma resposta, economizando recursos e mantendo o foco do produto.

📦 Como Rodar Localmente

1. Clone o repositório

   git clone [https://github.com/luisa-spl/ai-feedback-analyzer.git](https://github.com/luisa-spl/ai-feedback-analyzer.git)
   

2. Instale as dependências

   npm install
   

3. Configure as Variáveis de Ambiente Crie um arquivo .env.local na raiz do projeto e adicione sua chave do Google Gemini: GEMINI_API_KEY=sua_chave_aqui

4. Inicie o servidor

   npm run dev
   

🔮 Próximos Passos (Roadmap) [ ] Integração com Banco de Dados (PostgreSQL) para salvar histórico.

[ ] Dashboard com gráficos de tendência de humor dos clientes.

[ ] Upload de arquivos CSV para análise em massa.