Assistente de IA para consulta de documentação técnica, utilizando Langflow, MCP, Gemini e Notion.
O projeto explora uma arquitetura para facilitar o acesso ao conhecimento técnico de times de tecnologia por meio de consultas em linguagem natural.
Status: MVP — V1 concluída
Em times de tecnologia, informações importantes podem estar distribuídas entre documentações, regras de negócio, registros técnicos e diferentes ferramentas.
O problema nem sempre é a ausência da informação, mas o tempo necessário para encontrar, interpretar e conectar a informação correta.
Este projeto implementa um Assistente de IA para consulta de conhecimento técnico, utilizando um agente no Langflow conectado ao Notion através do Model Context Protocol (MCP).
A proposta é explorar uma arquitetura em que o conhecimento técnico possa ser consultado por linguagem natural, reduzindo a necessidade de localizar manualmente páginas e informações distribuídas na documentação.
Em um ambiente de desenvolvimento, uma mesma resposta pode depender de informações presentes em diferentes documentos:
- regras de negócio;
- documentação de projetos;
- procedimentos técnicos;
- informações de APIs;
- estruturas e conceitos relacionados ao sistema;
- histórico e contexto de decisões técnicas.
Quando a documentação cresce, localizar rapidamente a informação relevante pode consumir tempo do time e interromper o fluxo de desenvolvimento.
Além disso, o conhecimento pode ficar concentrado em pessoas que já conhecem determinado sistema ou projeto.
O projeto busca explorar uma alternativa: permitir que o desenvolvedor consulte a documentação utilizando linguagem natural, enquanto o agente acessa a fonte de conhecimento necessária.
O V1 implementa apenas uma parte dessa visão: consulta de documentação técnica armazenada no Notion.
A arquitetura foi pensada como uma base que pode futuramente conectar outras fontes de conhecimento e informações operacionais.
O assistente pode atuar como uma interface de consulta para:
- localizar informações técnicas;
- encontrar páginas relevantes;
- recuperar o conteúdo da documentação;
- responder perguntas utilizando o conteúdo disponível na fonte.
Uma evolução possível é utilizar a mesma arquitetura para facilitar atividades como:
- onboarding de novos integrantes;
- preparação para reuniões;
- consulta rápida de procedimentos;
- recuperação de contexto técnico.
Com a integração de outras fontes, como ferramentas de gestão e bases operacionais, a arquitetura poderia futuramente apoiar consultas relacionadas a:
- incidentes;
- bugs recorrentes;
- histórico de tarefas;
- gargalos técnicos;
- informações necessárias para priorização.
Esses cenários fazem parte da visão de evolução do projeto e não estão implementados no V1.
O objetivo do V1 é validar uma arquitetura simples para consulta de conhecimento técnico utilizando um agente de IA.
O MVP permite:
- receber uma pergunta em linguagem natural;
- encaminhar a solicitação ao agente no Langflow;
- utilizar ferramentas MCP para consultar o Notion;
- localizar uma página relevante;
- recuperar o conteúdo da página;
- utilizar esse contexto para gerar a resposta.
O foco do MVP foi manter a arquitetura pequena e funcional, evitando adicionar componentes que não fossem necessários para validar a ideia.
┌──────────────┐
│ OpenWebUI │
└──────┬───────┘
│
▼
┌──────────────┐
│ Langflow │
│ │
│ Agent │
│ + │
│ Gemini │
└──────┬───────┘
│
▼
┌──────────────┐
│ MCP Notion │
└──────┬───────┘
│
▼
┌──────────────┐
│ Notion │
│ Documentação │
└──────────────┘
A arquitetura pode ser expandida posteriormente para conectar outras fontes de conhecimento:
┌──────────────┐
│ Notion │
└──────┬───────┘
│
┌──────▼───────┐
│ │
│ MCP │
│ │
└──────┬───────┘
│
┌──────────────┐ ┌─────▼─────┐
│ OpenWebUI │───►│ Langflow │
└──────────────┘ │ Agent │
└─────┬─────┘
│
┌─────▼─────┐
│ Gemini │
└───────────┘
Integrações futuras podem adicionar outras fontes, como ferramentas de gestão, incidentes ou bases operacionais, sem fazer parte do escopo atual.
| Tecnologia | Utilização |
|---|---|
| Python | Pipeline de integração com o OpenWebUI |
| Langflow | Orquestração do agente e do fluxo |
| Gemini 2.5 Flash | Modelo utilizado pelo agente |
| MCP | Comunicação padronizada entre o agente e o servidor de ferramentas |
| Notion | Fonte de documentação técnica |
| OpenWebUI | Interface para interação com o assistente |
| Docker / Docker Compose | Execução e integração dos serviços |
| PostgreSQL | Persistência do Langflow |
| Node.js | Runtime utilizado pelo servidor MCP do Notion |
A consulta segue o seguinte fluxo:
Usuário
│
│ pergunta em linguagem natural
▼
OpenWebUI
│
▼
Langflow
│
▼
Agent + Gemini
│
│ decide utilizar uma ferramenta
▼
MCP Notion
│
├── Busca páginas
│
└── Recupera conteúdo
│
▼
Notion
│
▼
Contexto retornado ao Agent
│
▼
Resposta ao usuário
No V1, as principais operações utilizadas pelo MCP são:
api_post_search— busca páginas no Notion;api_retrieve_page_markdown— recupera o conteúdo de uma página.
A resposta é então construída pelo agente utilizando o contexto recuperado da documentação.
Para executar o projeto localmente, é necessário ter:
- Docker;
- Docker Compose;
- uma conta no Notion;
- uma integração configurada no Notion;
- token de acesso do Notion;
- credencial para utilização do Gemini;
- credencial configurada para o Langflow;
- Git, caso o projeto seja clonado do repositório.
Crie um arquivo .env na raiz do projeto.
Exemplo:
POSTGRES_USER=seu_usuario
POSTGRES_PASSWORD=sua_senha
POSTGRES_DB=langflow
LANGFLOW_API_KEY=sua_chave
NOTION_TOKEN=seu_token_notion
MCP_AUTH_TOKEN=seu_token_mcp
LANGFLOW_URL=http://localhost:7860Importante: não versione o arquivo
.env. As credenciais devem permanecer fora do repositório.
A credencial utilizada pelo modelo Gemini é configurada no ambiente do Langflow, conforme a configuração do fluxo.
Clone o repositório:
git clone <URL_DO_REPOSITORIO>
cd ai-technical-docs-assistantCrie o arquivo .env com as variáveis necessárias.
Em seguida, inicie os serviços:
docker compose -f docker-compose-dev.yaml up -dVerifique os containers:
docker compose -f docker-compose-dev.yaml ps| Serviço | Porta |
|---|---|
| OpenWebUI | 3000 |
| Langflow | 7860 |
| MCP Notion | 8000 |
| Adminer | 8080 |
| PostgreSQL | 5433 |
Após iniciar os containers:
- OpenWebUI:
http://localhost:3000 - Langflow:
http://localhost:7860 - Adminer:
http://localhost:8080
O servidor MCP utiliza o pacote oficial:
@notionhq/notion-mcp-server
O container executa o servidor MCP utilizando transporte HTTP:
notion-mcp-server --transport http --host 0.0.0.0 --port 8000
O token do Notion é disponibilizado ao container através da variável:
NOTION_TOKEN=seu_token_notionO servidor MCP também utiliza um token de autenticação definido em:
MCP_AUTH_TOKEN=seu_token_mcpA integração do Notion precisa ter acesso às páginas que serão consultadas pelo agente.
A documentação utilizada pelo MVP deve estar acessível pela integração configurada.
No Langflow, o agente utiliza o servidor MCP como fonte externa de ferramentas para:
Buscar página
↓
Recuperar conteúdo
↓
Fornecer contexto ao agente
↓
Gerar resposta
O GIF abaixo apresenta uma execução do MVP:
A demonstração mostra o fluxo de consulta utilizando a documentação técnica como fonte de conhecimento.
ai-technical-docs-assistant/
├── assets/
│ ├── demo.gif
│ └── image_flow.png
│
├── flows/
│ └── version_01_flow.json
│
├── langflow_data/
│ └── fluxo.json
│
├── openwebui_data/
│ └── pipeline_function.py
│
├── docker-compose-dev.yaml
├── README.md
└── .gitignore
flows/version_01_flow.json
Fluxo versionado do Langflow correspondente ao V1.
openwebui_data/pipeline_function.py
Pipeline utilizado para integração do OpenWebUI com o Langflow.
docker-compose-dev.yaml
Configuração dos serviços necessários para executar o ambiente local.
assets/
Recursos utilizados na documentação do projeto, incluindo demonstração e diagrama da arquitetura.
O V1 foi desenvolvido como uma prova de conceito funcional e possui um escopo deliberadamente reduzido.
- consulta de documentação técnica;
- integração com Notion;
- comunicação através de MCP;
- agente configurado no Langflow;
- utilização do Gemini 2.5 Flash;
- interface através do OpenWebUI;
- execução dos serviços utilizando Docker Compose.
- integração com Jira;
- consulta a incidentes ou histórico de bugs;
- integração com múltiplas fontes de dados;
- análise de métricas operacionais;
- consolidação de dados para relatórios executivos;
- priorização automática de backlog;
- arquitetura multiagente;
- memória vetorial ou sistema de RAG adicional.
Esses itens podem fazer parte de futuras versões, dependendo da necessidade e dos objetivos da aplicação.
A arquitetura permite explorar novas fontes de conhecimento e casos de uso sem alterar o objetivo central do projeto.
Entre as possibilidades estão:
- integração com Jira;
- consulta a incidentes e bugs;
- integração com outras bases de conhecimento;
- combinação de documentação técnica com dados operacionais;
- geração de resumos a partir de diferentes fontes;
- apoio à identificação de padrões e gargalos técnicos.
Essas evoluções fazem parte da visão do projeto e não representam funcionalidades disponíveis na V1.

