Meet Copilot

Entre na reunião sem saber nada e saia como especialista.

Copiloto de IA para reuniões de vendas/consultoria: um bot entra na reunião (Meet/Zoom/Teams), transcreve ao vivo e alimenta um painel "war room" com sugestões de perguntas inteligentes, fact-check do que os participantes afirmam e o botão "Gerar Proposta Comercial" — proposta dark premium publicada em página própria durante ou logo após a reunião.

• Domínio: meetcopilot.com.br (reservar também .io)
• Arquitetura completa: docs/ARQUITETURA.md

Estrutura do monorepo

apps/web/                  # Next.js (Vercel) — painel, auth, propostas públicas /p/[slug]
services/meeting-engine/   # Node 22 (Docker/EasyPanel) — caminho quente do tempo real (WS do Recall)
packages/shared/           # Contratos Zod + envelope ModuleOutput<T> compartilhados
supabase/migrations/       # Schema Postgres + RLS multi-tenant + pgvector

Stack

Camada	Tecnologia
Frontend/API	Next.js 15 (App Router) na Vercel
Tempo real	Serviço Node próprio (meeting-engine) via WSS + Supabase Realtime
Dados	Supabase sa-east-1 — Postgres + RLS, pgvector, Storage, Auth
Bot de reunião	Recall.ai Meeting Bot API (transcrição streaming com Deepgram)
IA	Claude API — Haiku (router) / Sonnet (gerador, fact-check) / Opus (propostas)

Setup

bun install               # ou npm install
bun run typecheck

# Web
cp apps/web/.env.example apps/web/.env.local
bun run dev:web

# Engine
cp services/meeting-engine/.env.example services/meeting-engine/.env
bun run dev:engine

Banco: criar projeto Supabase (região sa-east-1) e aplicar supabase/migrations/0001_core_schema.sql (via supabase db push ou SQL editor).

Fases (critérios de pronto em docs/ARQUITETURA.md §7)

• F0 — Fundação: monorepo, schema+RLS, contratos, skeletons, CI
• F1 — Bot + transcrição ao vivo
• F2 — Base de Contexto + RAG
• F3 — Copiloto (sugestões em tempo real)
• F4 — Fact-check
• F5 — Relatório pós-reunião
• F6 — Propostas (estilo sofia.2020agency.co)
• F7 — Billing + hardening LGPD

Princípios (herdados do ecossistema)

• Determinístico antes de LLM — filtros e triggers são if; IA só onde gera valor
• Transcrição é input não confiável — fencing rígido contra prompt injection via fala
• LLM nunca inventa preço — valores de proposta vêm só da tabela oficial do workspace
• LGPD como pilar — bot se anuncia, retenção configurável, purge real de mídia
• Custo medido por reunião (usage_events) com circuit breaker