🧩 PlaygroundHub

PlaygroundHub é uma plataforma corporativa segura e controlada para o uso de Modelos de Linguagem (LLMs), desenvolvida em Python com Streamlit.

O objetivo é permitir que colaboradores utilizem o poder da IA (como GPT-4) de forma governada, permitindo a criação de agentes personalizados, mantendo histórico de conversas e oferecendo um módulo de auditoria (Compliance) que respeita a privacidade dos dados.

---

🚀 Funcionalidades Principais

🔐 Autenticação e RBAC (Controle de Acesso)

• Sistema de Login: Autenticação segura via e-mail e senha.
• Papéis de Usuário (Roles):
• ADMIN: Gerencia usuários, reseta senhas e tem acesso total.
• USER: Cria agentes, acessa o chat e gerencia seu histórico.
• COMPLIANCE: Acesso exclusivo ao painel de auditoria.

⚙️ Gestão de Usuários (Painel Admin)

• Criação de novos usuários com definição de permissões.
• Edição de perfis e ativação/desativação de contas.
• Reset de senha administrativo.

🤖 Criação e Gestão de Agentes

• Playground de Configuração: O usuário pode criar agentes definindo:

• Modelo: (GPT-4o, GPT-3.5-turbo, etc).

• System Prompt: A "personalidade" e regras do agente.

• Parâmetros: Temperatura (criatividade) e Limite de Tokens.

• Chat de Testes: Área para testar o prompt do agente antes de salvar.

• Gestão: Listar, editar e excluir agentes personalizados.

💬 Chat Corporativo

• Histórico Persistente: Chats são salvos no banco de dados e podem ser retomados.
• Análise de Documentos: Suporte nativo para upload de PDFs dentro da conversa (RAG simplificado).
• Interface Amigável: Layout similar ao ChatGPT.

🛡️ Módulo de Compliance (Privacy-First)

• Auditoria de Uso: Tabela detalhada de quem usou, qual modelo e quando.
• Monitoramento de Custos: Estimativa de custo baseada no consumo de tokens.
• Privacidade: O painel exibe um Resumo do Tópico (gerado por IA) em vez de mostrar o conteúdo bruto da mensagem do usuário, protegendo segredos industriais ou dados sensíveis.
• Filtros Avançados: Filtre por usuário, agente, data ou presença de anexos.

---

🛠️ Stack Tecnológica

• Frontend/Backend: Streamlit (Python).
• Banco de Dados: SQLite (Armazenamento local data/app.db).
• IA/LLM: OpenAI API (gpt-4o, gpt-3.5-turbo).
• Manipulação de Dados: Pandas.

---

⚙️ Instalação e Configuração

1. Pré-requisitos

• Python 3.10 ou superior.
• Uma chave de API da OpenAI (OPENAI_API_KEY).

2. Clonar o repositório

git clone https://github.com/seu-usuario/PlaygroundHub.git
cd PlaygroundHub

3. Criar ambiente virtual

# Windows
python -m venv venv
venv\Scripts\activate

# Linux/Mac
python3 -m venv venv
source venv/bin/activate

4. Instalar dependências

pip install -r requirements.txt

5. Configurar variáveis de ambiente

Crie um arquivo .env na raiz do projeto e configure as seguintes variáveis:

# Configurações da OpenAI
OPENAI_API_KEY="sk-..."
OPENAI_TEMPERATURE="0.7"
OPENAI_MAX_OUTPUT_TOKENS="2000"

# Credenciais do Admin Inicial (Criado automaticamente na primeira execução)
ADMIN_EMAIL="admin@empresa.com"
ADMIN_PASSWORD="admin@exemplo123"

# Caminho do Banco de Dados SQLite
APP_DB_PATH="data/app.db"

6. Executar a aplicação

streamlit run app.py

O sistema irá criar automaticamente o banco de dados e o usuário Admin inicial na primeira execução. Acesse em: http://localhost:8501, ou vincule seu repositório do GitHub ao Streamlit Cloud para poder acessar e compartilhar o seu projeto de qualquer lugar.

---

📂 Estrutura do Projeto

PlaygroundHub/
├── app.py                 # Ponto de entrada (Home/Login Check)
├── pages/                 # Páginas do Streamlit
│   ├── 1_🔐_Login.py
│   ├── 2_⚙️_Admin.py
│   ├── 3_👤_User.py
│   └── 4_📋_Compliance.py
├── src/
│   ├── agents/            # Lógica de interação com LLM e PDFs
│   ├── auth/              # Autenticação e RBAC
│   ├── core/              # Configurações, Conexão DB, UI Helpers
│   └── repos/             # Repositórios (SQL Queries para SQLite)
├── data/                  # Onde o arquivo app.db será salvo
└── requirements.txt       # Dependências do projeto

---

🛡️ Decisões de Arquitetura

1. SQLite: Escolhido pela facilidade de deploy e portabilidade. O arquivo do banco reside localmente, eliminando custos extras de infraestrutura para instâncias pequenas/médias.
2. Streamlit: Permite prototipagem rápida e entrega de uma interface funcional full-stack inteiramente em Python.
3. Privacy-First Compliance: A decisão de sumarizar os tópicos das conversas para o auditor (ao invés de mostrar o texto cru) visa equilibrar a governança corporativa com a privacidade individual do colaborador.

---

🔜 Próximos Passos (Roadmap)

• Suporte a outros provedores de LLM (Anthropic/Claude, Ollama local).
• Migração opcional para PostgreSQL (Supabase) para maior escala.
• Integração com Vector Database para RAG mais robusto.

---

Desenvolvido por Eduardo Marques, João Vitor, Milena Aires e Ryan Guilherme.