Dashboard (Home)

O dashboard é a página inicial da interface web do Lutz. Ele oferece uma visão geral do estado do projeto e serve como ponto de entrada para todas as demais páginas.

---

Como acessar

Inicie a interface web e acesse http://localhost:8765:

lutz web

O Lutz detecta automaticamente a raiz do projeto pelo diretório de trabalho atual — o mesmo diretório que contém articles/ ou .lutz/.

Projeto não encontrado

Se o dashboard exibir um aviso de "Nenhum projeto Lutz encontrado", execute lutz web a partir de um diretório que contenha articles/ ou .lutz/. Crie um projeto com lutz init se necessário.

---

Métricas do projeto

O dashboard exibe métricas em tempo real:

Métrica	O que representa
Artigos PDF	Número de arquivos .pdf na pasta articles/
Análises	Relatórios JSON gerados em analysis/execution_reports/

---

Fluxo de trabalho

Os cartões de navegação mostram as etapas principais:

Cartão	Rota	Função
Vetorização	/vectorize	Upload de PDFs e indexação no banco vetorial
Vector Store	/store	Inspecionar artigos, chunks e distribuição de seções
Análise	/analysis	Executar análises com prompt em modo RAG ou por artigo
Citações	/citations	Extrair passagens relevantes com justificativa
Roteiro de leitura	/roadmap	Plano de leitura gerado por LLM com ordem de dependências
Relatórios	/reports	Visualizar e baixar resultados com veredictos INCLUDE/EXCLUDE
Configurações	/settings	Configurar provedores de LLM/embedding e chaves de API

---

Arquitetura RAG — contexto

O Lutz implementa o padrão RAG (Retrieval-Augmented Generation):

PDFs → extração → chunks → embeddings → LanceDB
                                            ↓
              prompt → embedding → busca por similaridade
                                            ↓
                              chunks relevantes + LLM → resposta

Cada artigo é dividido em chunks de texto (padrão: 512 palavras com sobreposição de 64). Um modelo de embedding converte cada chunk em um vetor numérico de alta dimensão. Na hora da análise, o prompt também vira um vetor e os chunks com maior similaridade de cosseno são recuperados e enviados ao LLM como contexto.

Isso permite analisar centenas de artigos sem precisar enviar todo o texto para o modelo — apenas as passagens mais relevantes para a pergunta feita.