Trabalho para cliente
Raya
A Raya é uma plataforma agêntica de planejamento financeiro em construção para os consultores de uma consultoria de investimentos: os módulos de cálculo e os dados estão prontos, e os agentes de IA, em desenvolvimento.
- Tecnologias utilizadas
- Status
- Em implantação
O problema
O trabalho de um consultor de investimentos se divide em frentes distintas: diagnosticar o cliente, desenhar planos de previdência, alocar ativos e entregar relatórios. Parte dele vive em protótipos independentes e em planilhas, e os dados de mercado usados na alocação vêm de uma planilha atualizada à mão.
A Raya junta essas frentes em um único aplicativo web interno e inclui um pipeline de dados próprio, construído para substituir essa planilha.
O que foi construído
A plataforma cobre as frentes de trabalho do consultor, com a interface em português, inglês e espanhol:
- diagnóstico individual, com questionários de perfil emocional e de crenças financeiras e devolutiva imediata;
- diagnóstico coletivo, com campanhas anônimas para empresas e entidades de previdência, link público de resposta e relatório corporativo em PDF;
- um estúdio de 8 etapas para desenhar planos de previdência complementar e calcular a rentabilidade-alvo necessária para atingir a meta de reposição, com uma calculadora pública simplificada ao lado;
- um espaço de alocação de ativos por cliente, com 9 abas, entre elas carteiras, cenário econômico, backtest, projeção futura, risco e relatório.
Também fazem parte da plataforma um questionário de perfil de investidor e um motor de cenários macro que projeta 28 classes de ativo em cinco cenários.
Uma plataforma agêntica
A Raya foi projetada como plataforma agêntica. Os módulos de cálculo e os dados de mercado estão prontos, e os agentes de IA estão em desenvolvimento. Hoje, os assistentes de IA da equipe apenas consultam os dados de mercado, por meio de um servidor MCP de leitura.
Como funciona
O backend é uma API FastAPI assíncrona sobre PostgreSQL 15 e Redis. O frontend é uma aplicação React em TypeScript. Todo o cálculo, da pontuação ao motor atuarial e às métricas de risco, roda no backend da própria plataforma, sem depender de serviços externos em tempo de uso.
O acesso é restrito aos consultores. As senhas usam Argon2id, a sessão dura 8 horas e desativar um consultor tem efeito imediato. O login limita tentativas falhas.
Duas regras são impostas pelo próprio sistema: o anonimato nas pesquisas coletivas e o registro imutável do perfil de investidor. O relatório coletivo exige pelo menos 30 respostas, e recortes com menos de 10 respondentes são suprimidos. No questionário de perfil de investidor, o PDF é gravado em armazenamento imutável antes de o registro existir: se a gravação falha, nenhum perfil é criado.
A plataforma de dados e o deploy
Os dados de mercado passam por um repositório em três camadas. A camada bronze guarda o dado bruto do fornecedor, imutável, no S3. A camada prata converte esse dado em Parquet limpo e conferido. A camada ouro reúne as tabelas curadas, em um schema próprio do Postgres, separado do schema do produto e com credenciais distintas.
O pipeline é orquestrado com Airflow, com fluxos agendados mensal e diário e um fluxo de carteiras. Como a cota de consultas do fornecedor é finita, as tentativas são limitadas, e o fluxo de carteiras verifica um teto de consultas antes de começar a consultar. As credenciais do pipeline ficam em um cofre de segredos e são lidas em tempo de execução. Um servidor MCP de leitura, com 7 ferramentas, dá aos assistentes de IA da equipe acesso aos dados das camadas prata e ouro. Ele exige token, limita linhas e tempo por consulta e usa um papel de banco sem acesso ao schema da aplicação.
A infraestrutura segue práticas documentadas:
- Deploy condicionado ao atestado do CI. O script roda na instância e só implanta um commit aprovado pelo CI, salvo em emergência, e essa exceção fica registrada. Ele reconstrói as imagens com Docker Compose, aplica as migrações do Alembic e só registra o deploy depois de um teste de saúde público passar. O rollback é uma reversão em
main, seguida de novo deploy. - Rede segregada. Produção, homologação e desenvolvimento ficam em redes separadas. A aplicação fica em sub-rede privada, sem IP público, e o tráfego chega por um balanceador com TLS gerenciado. O acesso administrativo não usa SSH.
- Ambientes sob demanda. Homologação e desenvolvimento são ligados por comando e desligados automaticamente ao fim do dia. Produção nunca recebe essa automação.
- Backup e alertas. O banco é copiado todo dia para um bucket S3 privado e versionado. Alarmes avisam sobre indisponibilidade, mudanças de configuração de segurança e custo acima do previsto.
Para quem é e em que estágio está
A Raya está em implantação e é de uso interno.
A Sigil Labs construiu a aplicação, o pipeline de dados e a infraestrutura em nuvem na AWS. O projeto combina software sob medida e infraestrutura: o repositório reúne o produto, o pipeline de dados e os scripts de implantação.
Perguntas frequentes
O que é a Raya?
A Raya é uma plataforma agêntica de planejamento financeiro em construção para os consultores de uma consultoria de investimentos: os módulos de cálculo e os dados estão prontos, e os agentes de IA estão em desenvolvimento. Feita pela Sigil Labs, ela reúne diagnósticos, um estúdio de desenho de planos de previdência, um espaço de alocação de ativos e relatórios em PDF. O cálculo roda no servidor da própria plataforma.
Para quem é a Raya?
Apenas os consultores da consultoria de investimentos para a qual a plataforma foi construída, em dois perfis: consultor e administrador. Não existe login de cliente final. Quem responde a um questionário ou usa a calculadora pública acessa páginas abertas, sem senha.
Como a Raya é implantada e hospedada?
O deploy roda na própria instância e exige o atestado do CI para o commit; a única exceção é um modo de emergência, que fica registrado. Depois de reconstruir as imagens e aplicar as migrações, o script confirma a saúde do serviço antes de registrar o deploy como concluído. Os ambientes ficam em redes separadas, a aplicação fica em sub-rede privada e o acesso administrativo não usa SSH.
Como a Raya organiza seus dados de mercado?
Um pipeline em três camadas arquiva o dado bruto, depois o dado limpo em Parquet e, por fim, as tabelas curadas em um schema próprio do Postgres. O pipeline roda em uma instância separada da plataforma, de modo que uma falha na extração não derruba a plataforma dos consultores.
Como a Raya protege o anonimato de quem responde às pesquisas coletivas?
O relatório agregado de uma campanha só é gerado quando ela está encerrada e tem pelo menos 30 respostas pontuadas. Dentro do relatório, qualquer recorte demográfico com menos de 10 respondentes é suprimido, e os recortes nunca são cruzados entre si.
Os assistentes de IA acessam os dados da Raya?
Sim, de forma limitada. Um servidor MCP de leitura expõe os dados de mercado das camadas prata e ouro a assistentes de IA da equipe, com autenticação por token, limite de linhas e tempo máximo por consulta. O papel de banco usado por esse servidor não tem acesso ao schema da aplicação.