feat(secretaria): RAG sem pgvector no conhecimento (embeddings + cosseno)

Adiciona busca semântica na Base de Conhecimento da secretária:
- embeddings.ts: chunking, embed (OpenAI text-embedding-3-small ou Gemini
  text-embedding-004) e similaridade cosseno — tudo na aplicação, sem pgvector.
- tabela sec_knowledge_chunks (vetor em JSON/text) com índices.
- brain.ts: no nó 'knowledge', injeta só os top-4 trechos relevantes à pergunta
  do usuário; indexação lazy por hash do conteúdo. Fallback para o conteúdo
  inteiro se não houver chave de embedding ou em qualquer falha (não regride).

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

newwhats.clube67.com/newwhats.local/plugins/secretaria/brain.js

@@ -11,6 +11,7 @@
 Object.defineProperty(exports, "__esModule", { value: true });
 exports.ProtocolEngine = void 0;
 const tools_1 = require("./tools");
+const embeddings_1 = require("./embeddings");
 class ProtocolEngine {
     constructor(db, config) {
         this.db = db;
@@ -25,7 +26,7 @@ class ProtocolEngine {
         if (!agent)
             throw new Error('Agente não encontrado');
         // Monta system prompt a partir dos nós ativos + contexto externo
-        const systemPrompt = await this.buildSystemPrompt(agent, conversation, opts);
+        const systemPrompt = await this.buildSystemPrompt(agent, conversation, opts, userMessage);
         // Carrega apenas as últimas N mensagens (não o histórico completo)
         const contextWindow = agent.context_window ?? 8;
         const recentMessages = await this.db('sec_messages')
@@ -121,7 +122,7 @@ class ProtocolEngine {
         return `${p(now.getDate())}${p(now.getMonth() + 1)}${String(now.getFullYear()).slice(-2)}${p(now.getHours())}${p(now.getMinutes())}${p(now.getSeconds())}`;
     }
     // ── System Prompt Builder ─────────────────────────────────────────────────
-    async buildSystemPrompt(agent, conversation, opts) {
+    async buildSystemPrompt(agent, conversation, opts, userMessage) {
         const nodes = await this.db('sec_brain_nodes')
             .where({ agent_id: agent.id, active: true })
             .orderBy('sort_order');
@@ -148,9 +149,12 @@ class ProtocolEngine {
                 case 'persona':
                     prompt += `${node.content}\n\n`;
                     break;
-                case 'knowledge':
-                    prompt += `=== BASE DE CONHECIMENTO ===\n${node.content}\n\n`;
+                case 'knowledge': {
+                    // RAG: injeta só os trechos relevantes à pergunta (fallback = tudo).
+                    const kb = await this.knowledgeContext(node, userMessage);
+                    prompt += `=== BASE DE CONHECIMENTO ===\n${kb}\n\n`;
                     break;
+                }
                 case 'rules':
                     prompt += `=== REGRAS ===\n${node.content}\n\n`;
                     break;
@@ -181,6 +185,77 @@ class ProtocolEngine {
         }
         return prompt.trim();
     }
+    // ── RAG: contexto de conhecimento por similaridade (sem pgvector) ──────────
+    /**
+     * Retorna apenas os trechos do conhecimento relevantes à pergunta do usuário,
+     * via embeddings + cosseno. Cai no conteúdo INTEIRO (comportamento anterior)
+     * se não houver chave de embedding, se a indexação/embedding falhar, ou se
+     * não houver chunks — ou seja, nunca piora o que já funcionava.
+     */
+    async knowledgeContext(node, userMessage) {
+        if (!userMessage?.trim())
+            return node.content;
+        let cfg;
+        try {
+            cfg = await this.config.get('secretaria');
+        }
+        catch {
+            return node.content;
+        }
+        if (!(0, embeddings_1.hasEmbeddingKey)(cfg))
+            return node.content;
+        try {
+            await this.ensureKnowledgeIndexed(node, cfg);
+            const qVec = await (0, embeddings_1.embed)(userMessage, cfg);
+            if (!qVec)
+                return node.content;
+            const chunks = await this.db('sec_knowledge_chunks').where({ node_id: node.id });
+            if (!chunks.length)
+                return node.content;
+            const ranked = chunks
+                .map((c) => {
+                let v = [];
+                try {
+                    v = JSON.parse(c.embedding);
+                }
+                catch {
+                    v = [];
+                }
+                return { content: c.content, score: (0, embeddings_1.cosineSimilarity)(qVec, v) };
+            })
+                .sort((a, b) => b.score - a.score)
+                .slice(0, 4)
+                .filter((r) => r.score > 0);
+            return ranked.length ? ranked.map((r) => r.content).join('\n\n') : node.content;
+        }
+        catch {
+            return node.content;
+        }
+    }
+    /** Reindexa os chunks do nó quando o conteúdo muda (detecção por hash MD5). */
+    async ensureKnowledgeIndexed(node, cfg) {
+        const hash = (0, embeddings_1.hashText)(node.content ?? '');
+        const existing = await this.db('sec_knowledge_chunks').where({ node_id: node.id }).first();
+        if (existing && existing.content_hash === hash)
+            return;
+        await this.db('sec_knowledge_chunks').where({ node_id: node.id }).del();
+        const chunks = (0, embeddings_1.chunkText)(node.content ?? '');
+        let idx = 0;
+        for (const ch of chunks) {
+            const vec = await (0, embeddings_1.embed)(ch, cfg);
+            if (!vec)
+                continue;
+            await this.db('sec_knowledge_chunks').insert({
+                id: this.uuid(),
+                agent_id: node.agent_id,
+                node_id: node.id,
+                content_hash: hash,
+                chunk_index: idx++,
+                content: ch,
+                embedding: JSON.stringify(vec),
+            });
+        }
+    }
     // ── Finalize Protocol ─────────────────────────────────────────────────────
     async finalizeProtocol(conversationId) {
         const conversation = await this.db('sec_conversations').where({ id: conversationId }).first();