🤖 Personal AI Coach

Agente de IA pessoal construído com LangGraph e GPT-4o para auxiliar em dois objetivos de desenvolvimento profissional: leitura de artigos científicos em inglês e prática de algoritmos no LeetCode.

---

🎯 Funcionalidades

📚 Gestão de Artigos Científicos

• Lista artigos disponíveis no acervo local
• Atualiza status de leitura: pendente, lendo, lido
• Busca semântica de conteúdo via RAG (resumos, tópicos, conceitos)
• Agenda sessões de estudo no Google Calendar

💻 LeetCode Tracker

• Rastreia os 75 exercícios mais cobrados em entrevistas (LeetCode 75)
• Marca exercícios como resolvidos, tentados ou para revisitar
• Sugere próximo exercício seguindo a ordem oficial do LeetCode 75
• Consulta progresso por tópico e dificuldade
• Agenda sessões de prática no Google Calendar

🗓️ Google Calendar

• Cria eventos de estudo automaticamente via OAuth2
• Suporte a artigos e exercícios de LeetCode
• Lembretes configurados automaticamente

🧠 Memória de Longo Prazo

• Histórico de conversas persistido entre sessões via AsyncSqliteSaver
• Contexto personalizado baseado em interações anteriores

---

🏗️ Arquitetura

personal-ai-coach/
├── agent.py              # Agente principal com LangGraph
├── ingest.py             # Pipeline de indexação dos PDFs
├── data/
│   └── articles/         # PDFs dos artigos científicos
├── storage/
│   ├── articles.json     # Metadados e status dos artigos
│   ├── leetcode.json     # Exercícios livres registrados
│   ├── leetcode75.json   # LeetCode 75 com status de cada exercício
│   └── memory.db         # Memória de longo prazo (SQLite)
├── chroma_db/            # Índice vetorial dos artigos (ChromaDB)
├── credentials/          # Credenciais OAuth2 (não versionado)
└── tools/
    ├── articles_tool.py  # Gestão do acervo de artigos
    ├── calendar_tool.py  # Integração com Google Calendar
    ├── leetcode_tool.py  # Tracker do LeetCode e LeetCode 75
    └── rag_tool.py       # Busca semântica via ChromaDB

Stack Técnica

Camada	Tecnologia
Orquestração do agente	LangGraph + LangChain
LLM	GPT-4o (OpenAI)
Embedding	BAAI/bge-large-en-v1.5 (HuggingFace)
Vector Store	ChromaDB
Memória	AsyncSqliteSaver (LangGraph)
Calendário	Google Calendar API (OAuth2)
MCP	mcp-google-calendar
Extração de PDF	PyMuPDF (fitz)

---

⚙️ Instalação

Pré-requisitos

• Python 3.10+
• Node.js 18+ (para o MCP Server do Google Calendar)
• Ollama (opcional, para rodar modelos locais)
• Conta Google com Calendar API habilitada

1. Clone o repositório

git clone https://github.com/Alebeiruth/my-coach-agent.git
cd my-coach-agent

2. Crie o ambiente virtual

python -m venv agent_env

# Linux/Mac
source agent_env/bin/activate

# Windows
agent_env\Scripts\activate

3. Instale as dependências

pip install -r requirements.txt

4. Configure as variáveis de ambiente

Crie um arquivo .env na raiz do projeto:

OPENAI_API_KEY=sk-...

5. Configure o Google Calendar

1. Acesse console.cloud.google.com
2. Crie um projeto e ative a Google Calendar API
3. Crie credenciais OAuth2 do tipo Desktop App
4. Baixe o JSON e salve em credentials/credentials.json
5. Gere o token de acesso:

python -c "
from google_auth_oauthlib.flow import InstalledAppFlow
SCOPES = ['https://www.googleapis.com/auth/calendar']
flow = InstalledAppFlow.from_client_secrets_file('credentials/credentials.json', SCOPES)
creds = flow.run_local_server(port=0)
with open('credentials/token_python.json', 'w') as f:
    f.write(creds.to_json())
"

6. Adicione seus artigos

Coloque os PDFs em data/articles/ e rode o pipeline de indexação:

python ingest.py

7. Registre os artigos no acervo

Crie ou atualize storage/articles.json com os metadados dos seus artigos:

{
  "articles": [
    {
      "id": 1,
      "titulo": "Nome do Artigo",
      "arquivo": "nome_do_arquivo.pdf",
      "status": "pendente",
      "data_inicio": null,
      "data_conclusao": null,
      "observacoes": ""
    }
  ]
}

---

🚀 Uso

python agent.py

Exemplos de interação

# Artigos
Alexandre: quais artigos tenho no acervo?
Alexandre: agenda sessão de estudo do artigo Digital Twin para amanhã às 9h
Alexandre: me explica o abstract do Smart Cities
Alexandre: marquei o Digital Twin como lendo

# LeetCode 75
Alexandre: qual o próximo exercício do LeetCode 75?
Alexandre: acabei de fazer o Merge Strings Alternately
Alexandre: me mostre os exercícios easy disponíveis
Alexandre: agenda sessão de prática para amanhã às 10h

# Progresso
Alexandre: mostre meu progresso no LeetCode 75
Alexandre: quais artigos já li?

---

🧩 Padrões de Design

RAG (Retrieval-Augmented Generation): Conteúdo dos artigos indexado no ChromaDB com embeddings bge-large-en-v1.5. Busca por similaridade semântica com cosine similarity.

Arquitetura híbrida de recuperação: Metadados estruturados em JSON (artigos, LeetCode 75) separados do índice vetorial (ChromaDB). Cada camada tem responsabilidade clara.

ReAct Agent: O agente raciocina sobre qual tool invocar a cada turno usando o padrão Reason + Act do LangGraph.

Memória de longo prazo: Histórico de conversas persistido em SQLite via AsyncSqliteSaver — o agente lembra de interações anteriores entre sessões.

MCP (Model Context Protocol): Integração com Google Calendar via MCP Server rodando como processo Node.js em stdio transport.

---

📝 Licença

MIT