📚 NotebookLM - Assistente de Estudo com IA

Este projeto é uma plataforma web desenvolvida como Trabalho de Conclusão de Disciplina (Tópicos em Computação Aplicada). O sistema permite o upload de documentos PDF, gerenciamento de arquivos e geração de resumos inteligentes (individuais ou consolidados) utilizando Inteligência Artificial Generativa (LLM).

⚠️ Contexto de Desenvolvimento (MVP Acadêmico)

Este projeto foi desenvolvido dentro de um timebox acadêmico restrito. Para garantir a entrega de um MVP (Produto Mínimo Viável) funcional e robusto, algumas decisões de arquitetura priorizaram a agilidade e a redução de custos de infraestrutura:

1. Persistência de Arquivos: Optamos pelo uso de Volumes Docker (armazenamento em disco na EC2) em vez de serviços de Object Storage (como AWS S3), simplificando a camada de infraestrutura sem comprometer a funcionalidade de upload.
2. Rede: A aplicação opera em uma arquitetura simplificada de VPC, focando a segurança nas regras de Security Groups e no isolamento de containers via Docker Network, em vez de subnets privadas com NAT Gateways complexos.

O foco principal deste trabalho foi demonstrar a integração bem-sucedida de Microsserviços, Containerização (Docker), Deploy Cloud e Inteligência Artificial Generativa.

---

🚀 Funcionalidades Principais

🔐 Autenticação e Perfil

• Sistema completo de Login e Registro (JWT Authentication).
• Gestão de perfil com edição de dados.
• Segurança de rotas (Middleware de proteção).

📂 Gestão de Arquivos

• Upload de PDFs (limite de 50MB).
• Listagem, visualização e download de arquivos.
• Armazenamento persistente utilizando Volumes Docker.

🧠 Inteligência Artificial (LLM)

• Resumo Individual: Gera uma análise detalhada de um único documento.
• Resumo Consolidado: Seleciona múltiplos arquivos para criar um resumo unificado relacionando os conteúdos.
• Integração com gemini-2.5-flash para processamento de linguagem natural.

📊 Dashboard

• Visão geral de estatísticas (Total de arquivos, resumos gerados).
• Acesso rápido aos últimos documentos e insights.

---

📸 Screenshots

Aqui está uma visão geral das funcionalidades do sistema em funcionamento na AWS.

1. Autenticação e Perfil

O sistema conta com login seguro (JWT) e personalização de perfil com upload de imagem.

Tela de Login	Edição de Perfil

2. Dashboard e Upload

Visão geral das estatísticas e área para envio de documentos PDF com persistência de dados.

3. Geração de Resumos (IA)

Integração com o Google Gemini para gerar insights rápidos sobre os documentos.

Upload de Arquivo	Resumo Gerado

4. Documentação da API (Swagger UI)

O Backend FastAPI gera automaticamente uma documentação interativa, permitindo testar rotas e visualizar esquemas de dados.

🏗️ Arquitetura do Sistema

O projeto utiliza uma arquitetura baseada em microsserviços containerizados, facilitando a escalabilidade e o deploy.

Diagrama de Comunicação

graph TD
    User((Usuário))
    Browser[Navegador / Frontend React]
    LB[AWS / Nginx Reverse Proxy]
    API[Backend FastAPI]
    DB[(PostgreSQL)]
    LLM[Google Gemini API]
    Storage[File Storage / Volume]

    User -->|Acessa HTTP:80| Browser
    Browser -->|Requisição API HTTP:8000| API
    
    subgraph Docker Network
        API -->|Lê/Escreve Dados| DB
        API -->|Salva PDF/Img| Storage
    end
    
    API -->|Envia Contexto + Prompt| LLM
    LLM -->|Retorna Resumo| API

Loading

Stack Tecnológica

Camada	Tecnologia	Descrição
Frontend	React + Vite	Interface SPA moderna e responsiva.
Estilização	TailwindCSS + Shadcn/UI	Componentes visuais acessíveis e elegantes.
Backend	Python + FastAPI	API REST performática e assíncrona.
Banco de Dados	PostgreSQL	Persistência de dados relacionais.
ORM	SQLAlchemy + Alembic	Modelagem de dados e migrações.
Infraestrutura	Docker Compose	Orquestração dos containers.
Deploy	AWS EC2 (Ubuntu)	Hospedagem em nuvem.

---

🔧 Pré-requisitos

Para rodar localmente, você precisa ter instalado:

• Docker e Docker Compose.
• Git.

---

⚡ Como Rodar Localmente (Passo a Passo)

1. Clone o repositório

   git clone [https://github.com/emerymoriconi/notebook-lm.git](https://github.com/emerymoriconi/notebook-lm.git)
   cd notebook-lm

2. Configure as Variáveis de Ambiente Crie um arquivo .env na raiz do projeto:

   # .env
   POSTGRES_USER=usuario
   POSTGRES_PASSWORD=senha
   POSTGRES_DB=notebook_db
   
   # Configurações Locais
   VITE_API_URL=http://localhost:8000
   FRONTEND_URL=http://localhost:5173

   Nota: O Backend possui um .env próprio (backend/.env) onde devem estar as chaves secretas (SECRET_KEY, GEMINI_API_KEY).

3. Inicie a Aplicação

   docker-compose up -d --build

4. Acesse

   • Frontend: http://localhost:5173
   • Documentação API (Swagger): http://localhost:8000/docs

---

☁️ Deploy na AWS

O projeto está configurado para um deploy híbrido e seguro na AWS:

1. Backend: A imagem é baixada pré-compilada do Docker Hub para agilidade.
2. Frontend: É compilado dentro da instância AWS para garantir que as variáveis de ambiente (IP da API) sejam injetadas corretamente.

Para detalhes completos de como subir a instância, configurar o Security Group e rodar o projeto em produção, consulte o guia dedicado:

👉 GUIA DE DEPLOY AWS (DEPLOY_AWS.md)

---

👥 Equipe

Projeto desenvolvido por:

• [Wesley de Sousa Coutinho]
• [Émery Moriconi Freitas]

---

📄 Licença

Este projeto está sob a licença MIT. Veja o arquivo LICENSE para mais detalhes.