Desafio Técnico — FDE / AI Engineer (Namastex)

Bem-vindo(a)! Este é um teste take-home que espelha o trabalho real de um FDE (Forward Deployed Engineer) na Namastex: subir um agente de verdade, conectado a sistemas que nem sempre colaboram, em cima de dados bagunçados do mundo real.

⏱️ Tempo: ~3 dias de relógio. Espera-se que você use AI coding tools (Claude Code, Cursor, etc.) — isso é a régua aqui, não trapaça. A gente quer ver você orquestrando IA pra entregar com qualidade e velocidade.

---

O cenário

Você é o engenheiro responsável por uma seguradora fictícia, a AutoSeguro. O time de vendas atende leads por WhatsApp e fecha seguro de veículo. Sua missão é construir um agente que:

1. Conversa com o lead, qualifica e cota um plano usando a nossa API de cotação.
2. Decide quando consegue resolver sozinho e quando precisa passar pra um humano.
3. Não trava nem inventa preço quando a infraestrutura falha.

Te entregamos três coisas (tudo neste repo):

Insumo	Onde	O que é
API de cotação	quote-service/	Serviço HTTP POST /quote que você sobe local com Docker
Histórico de conversas	dataset/conversations.parquet	~2.500 conversas reais* lead↔vendedor (*sintéticas, ver dicionário)
Dicionário de dados	dataset/DICIONARIO.md	Esquema do dataset

---

Subindo a API de cotação

docker compose up --build
# API em http://localhost:8000

Sem Docker? Dá pra rodar direto:

cd quote-service && uv run uvicorn app.main:app --port 8000

Endpoints:

• GET /health — health check
• GET /planos — tabela de planos e as regras de cotação (leia com atenção)
• POST /quote — calcula a cotação

Exemplo:

curl -X POST localhost:8000/quote -H 'content-type: application/json' \
  -d '{"plano_id":"completo","idade":35,"veiculo_ano":2022,"cep":"01310-100","data_inicio":"2026-07-15"}'

⚠️ Aviso de operação: a /quote simula um sistema legado real — ela não responde de primeira toda vez (falhas e lentidão acontecem). Seu agente precisa lidar com isso de forma elegante. Tratar bem a instabilidade é parte central do desafio.

---

O que entregar

1. Um agente que atende um lead de ponta a ponta: conversa → qualifica → cota → decide (resolve ou encaminha pro humano, com critério claro).
2. Repositório público no GitHub com o código.
3. README explicando como rodar e as decisões que você tomou (e por quê).
4. Log de uma execução completa (uma conversa do início ao fim, com a cotação saindo).

Você pode usar o dataset de conversas como bem entender (ex.: few-shot, avaliação, entender padrões de objeção, testar seu agente). Use o que fizer sentido pra sua solução.

---

Como a gente vai olhar

Sem pegadinha escondida na avaliação — o que importa:

• Funciona de ponta a ponta? O agente cota certo e não quebra no caminho feliz.
• O que ele faz quando a /quote falha? (esse é o ponto que mais separa.)
• O critério de passar pro humano é explícito e defensável?
• Dá pra rastrear o que aconteceu? (cada mensagem/cotação, com id e status.)
• Cuidado com dados sensíveis. O histórico tem informação pessoal — pense nisso.
• Qualidade: outro engenheiro consegue pegar seu código e entender as decisões?

💡 Não existe "formato de saída certo" definido de propósito. Queremos ver a sua decisão de engenharia.

---

Entrega

Mande o link do repo público. Qualquer dúvida, fale com quem te enviou o desafio. Quando começar, avise — a gente marca a conversa de feedback logo depois da entrega.

Boa! 🚀