Vila INTEIA

Motor multiagente lendário + plataforma de forecasting calibrado + produto multi-tenant de predição política BR 2026 com 97.21% de acurácia.

Quick links: Demo 60s · Try API now · Screenshots · Pricing · Roteiro pitch · FAQ

---

TL;DR para demo

Vila INTEIA tem 3 produtos integrados num só repo:

#	Produto	Headline number
1	Predição Política BR 2026	97.21% acc em 394 eventos reais 2010-2024 (Onda 4)
2	Forecasting calibrado	Brier 0.227 vs 0.241 base-rate em 600 eventos (52 teoremas)
3	Simulação Vila	151 consultores lendários, constituição executável (35+ ondas)
4	Quant Analysis R-style	summary/cor/lm/glm/t-test/ANOVA/PCA/VIF em Python

Pra demo, foque no produto 1 (mais vendável, números mais fortes, frontend mais visual).

---

Quickstart (3 passos)

# 1. Clone + install
git clone https://github.com/igormorais123/vila-inteia.git
cd vila-inteia
pip install -r requirements.txt

# 2. Subir API
python main.py serve --port 8100

# 3. Abrir dashboard
# http://localhost:8100/politica.html (frontend político)
# http://localhost:8100/cockpit.html  (cockpit Vila simulação)

CLI alternativa via scripts/vila_cli.py:

python scripts/vila_cli.py --url http://localhost:8100 stats

Demo em 60 segundos

Após Quickstart, abra http://localhost:8100/politica.html - dashboard pronto.

Pra Next.js (visual mais polido):

cd frontend-next && npm install
VILA_API_BASE=http://localhost:8100 npm run dev
# http://localhost:3001

Try API now (sem instalar)

Após python main.py serve --port 8100, em outro terminal:

# Health
curl http://localhost:8100/api/v1/politica/health
# {"status":"ok","n_train_events":394,"validation_acc":0.9721,"horizon_days":152,...}

# Top 5 candidatos presidência (Bolsonaro filtrado TSE)
curl http://localhost:8100/api/v1/politica/predictions/presidente | jq '.candidates[] | {nome, partido, p_winner}'
# [
#   {"nome":"Luiz Inácio Lula da Silva", "partido":"PT", "p_winner":0.266},
#   {"nome":"Tarcísio de Freitas", "partido":"REP", "p_winner":0.217},
#   {"nome":"Ratinho Júnior", "partido":"PSD", "p_winner":0.175},
#   ...
# ]

# Custom predict: governador, +8pp lead, 45 dias, incumbente, regime direita
curl -X POST http://localhost:8100/api/v1/politica/predict \
  -H "Content-Type: application/json" \
  -d '{"cargo":"governador","poll_lead_pp":8,"days_to_election":45,"incumbente":1,"regime":"right"}' | jq
# {"p_cohort":0.78, "p_linzer":0.86, "p_blend":0.83, ...}

# Backtest year-fold + selective curve
curl http://localhost:8100/api/v1/politica/backtest | jq '.selective_sweep'

Screenshots (frontend Next.js)

Página	Preview
Presidência (/)
Governadores (/governadores)
Senado (/senado)
Simular (/simular) - cenário hipotético em tempo real
Custom predict (/custom)
Backtest (/backtest) - selective coverage curve SVG

---

Talking points pra venda / pitch

1. Diferencial técnico (vs concorrência)

Modelos de previsão política normalmente erram tossups. Em 2024 SP todo mercado (Datafolha, Quaest, Atlas, RealTimeBigData) deu Boulos vencendo. Nunes ganhou por +3pp. Vila INTEIA recuperou esse caso de 73.5% para 89.7% de acurácia adicionando MRP state baseline (P(regime wins | UF) Laplace-smoothed) num blend com peso 0.36.

2. Validação científica auditável

• 394 eventos reais Wikipedia/TSE 2010-2024 (sem dados sintéticos)
• Year-fold cross-validation out-of-sample (não há leak)
• Selective τ=0.15 → 100% acc / 56% cobertura e τ=0.40 → 100% acc / 7.9% cobertura
• Autoresearch rigor panel: AUC 0.992, MCC 0.944, Brier skill 58.2%, Wilson 95% da acurácia 95.1–98.4%
• Autoevolução com gates: mutação elitista + crossover + hill-climb, promoção só se acc/MCC/AUC/Brier/score passam
• Bolsonaro filtrado (TSE inelegível até 2030)

3. Produto multi-tenant pronto

• 10 endpoints REST /api/v1/politica/* com X-API-Key
• Tiers: free (30/min), pro (300/min), enterprise (ilimitado)
• Admin endpoints: /admin/keys/issue, /admin/keys/revoke
• Frontend Next.js 15 deployable em Vercel separadamente
• 35/35 smoke tests passando

4. Stack já em produção

Reusa 80% do core Vila (PC-CRD cohort, Linzer dynamic linear, Stein shrinkage). Onda 4 adicionou apenas o state_baseline_p() helper (~30 linhas) + blend de uma linha.

---

Predição Política BR 2026 (Onda 4) - detalhe

Pipeline matemático

p_blend  = 0.3 · p_cohort + 0.7 · p_Linzer
p_final  = 0.64 · p_blend + 0.36 · p_state_baseline    ← config v1.4-evo

p_cohort = (1-s) · cohort_rate + s · global_rate       Stein shrink, s=0.40
p_Linzer = Φ(lead_pp / σ(days)),  σ = 3.0 + 0.005·days
p_state  = (W_uf,regime + 1) / (N_uf,regime + 2)       Laplace, min N=3

Resultados year-fold CV (T ≤ 30 dias)

Ciclo	n	Acc baseline	Acc + MRP	Δ
2010 federal	86	100.0%	100.0%	0.0pp
2016 SP	20	85.0%	85.0%	0.0pp
2018 federal	70	100.0%	98.6%	-1.4pp
2020 SP	30	93.3%	100.0%	+6.7pp
2022 federal	120	100.0%	100.0%	0.0pp
2024 SP	68	73.5%	89.7%	+16.2pp
avg	394	94.16%	97.21%	+3.05pp

Endpoints /api/v1/politica/

Path	Retorna
GET /health	status + n_train_events + snapshot
GET /elections	calendário 2026 + cargos cobertos
GET /predictions/presidente	5 candidatos elegíveis (Bolsonaro filtrado TSE)
GET /predictions/governador?uf=SP	top candidatos por UF
GET /predictions/senador	titulares cuja cadeira vence 2026
GET /predictions/all	snapshot completo
GET /backtest	métricas + selective sweep
GET /evolution	relatório de autoevolução + gates de promoção
POST /predict	predição custom (cargo, lead, days, incumb, regime)
POST /admin/keys/issue	emite API key (X-Admin-Token)

Scripts

python scripts/smoke_political.py        # 35/35 tests
python scripts/backtest_political.py     # year-fold + selective
python scripts/autoresearch_political.py # grid 3072 + W_STATE sweep
python scripts/evolve_political_model.py --apply # autoevolução com gates
python scripts/predict_2026.py           # gera data/predictions_2026.json
python scripts/quant_analyze.py data/backtest/eleicao_presidencial_br_2022.csv --target outcome_real --format md

Docs políticos

• docs/ONBOARDING_POLITICAL.md - arquitetura completa + roadmap Ondas 5-10
• docs/QUANT_ANALYSIS.md - análise quantitativa estilo R em Python
• docs/CLIENT_ONBOARDING.md - quickstart cliente
• docs/DEPLOY_POLITICAL.md - Render + Vercel deploy

---

Pricing multi-tenant

Tier	Req/min	Req/dia	Endpoints	Suporte	Custom training	Preço sugerido
Free	30	500	leitura snapshot	best-effort	não	grátis
Pro	300	50.000	+ custom predict	email 24h	não	R$ 2-5k/mês
Enterprise	ilimitado	ilimitado	+ admin keys + SLA	dedicado	sim (white-label, on-prem)	sob contrato

Casos de uso típicos por tier:

• Free: jornalismo, pesquisa acadêmica, dashboards públicos
• Pro: campanhas, agências, hedge funds menores, consultorias
• Enterprise: bancos, hedge funds grandes, partidos, mercados de previsão

Emitir chave: POST /api/v1/politica/admin/keys/issue com X-Admin-Token. Revogar: POST /api/v1/politica/admin/keys/revoke?api_key=....

---

FAQ

Q: O modelo erra tossups como o de 2024 SP? A: O MRP state baseline trata esse tipo de corrida. No caso 2024 SP, a acurácia subiu de 73.5% para 89.7%; Linzer puro e Polymarket pré-eleição não corrigiram esse cluster.

Q: Qual a diferença vs Polymarket / mercados de previsão? A: Polymarket reflete consenso de apostadores em tempo real. Vila INTEIA é modelo estatístico independente. Vantagem: cobertura de UFs sem mercado líquido (governadores small estados, senado), e priors estáveis quando mercados estão thin.

Q: Posso usar dados próprios? A: Tier Enterprise. Pipeline aceita CSVs custom no formato (evento_id, data, contexto, outcome_real, probabilidade_prior, outcome_framing). Cohort retreina automaticamente.

Q: White-label? A: Tier Enterprise. Frontend Next.js é parametrizável via VILA_API_BASE env var; basta deploy separado em Vercel/CloudFlare com seu domínio.

Q: On-prem deploy? A: Tier Enterprise. Stack roda em qualquer infra com Python 3.11+ e Postgres (Supabase opcional). Dockerfile + docker-compose.yml inclusos.

Q: O modelo é auditável? A: Sim. Hyperparams em data/political_best_config.json (versionado). Year-fold CV é determinístico. Pipeline em engine/political_cohort.py ~250 linhas, sem LLM no caminho de predição (apenas PC-CRD + Linzer + MRP analíticos).

Q: Quanto custa para rodar (infra)? A: Render Starter ($7/mês) + Vercel Hobby (grátis) suficiente até ~10k req/dia. Supabase free tier para snapshots. Total <$10/mês para Pro tier.

Q: Como atualizar predições? A: python scripts/predict_2026.py regenera data/predictions_2026.json. Em prod, cron a cada 24h ou quando novos polls chegarem. Render suporta cron jobs nativo.

---

Roteiro sugerido pra demo (10 min)

1. Abrir Presidência (http://localhost:3001) - mostrar hero serif "Lula lidera, mas corrida fragmentada", número 26.6% gigante, distribution bar com 5 candidatos color-coded por regime ideológico
2. Falar do diferencial: "modelos normais erram tossups, Vila recuperou 2024 SP +16pp via MRP"
3. Ir em Backtest - mostrar gráfico SVG selective coverage curve, tabela 6 ciclos com 4/6 em 100%
4. Ir em Simular - alterar lead do Lula com slider, ver predição mudar em tempo real, mostrar trajetória SVG ao longo de 365 dias, ver 2º turno simulado aparecer
5. Custom predict - inserir lead +8pp, dias 45, incumbente sim, mostrar 71.5% probabilidade
6. Falar de produto multi-tenant: 10 endpoints, X-API-Key, tiers, pronto para clientes pagantes (campanhas, jornalismo, hedge funds)
7. Mostrar docs/ONBOARDING_POLITICAL.md - 11 seções + roadmap até Onda 10 (Stripe billing, MRP demográfico, deploy prod)

Próximas ondas no pipeline: Onda 5 (house effects), Onda 6 (MRP demográfico PNAD-C), Onda 8 (Stripe billing), Onda 9 (deploy prod), Onda 10 (1º cliente).

---

Modos de execução (todos os produtos)

# Demo rápido Vila (10 agentes, 20 steps, sem persistência)
python main.py demo

# API + frontend político (porta 8100, swagger /docs, dashboard /politica.html)
python main.py serve --port 8100

# Modo live 24/7 (thread de simulação contínua)
python main.py live --port 8100 --intervalo 60 --topico "tema desejado"

# Mirofish pipeline (corpus → grafo → simulação)
python main.py mirofish --personas CL001,CL002,CL007

# Forecasting bench
python main.py forecast-bench --dataset post_cutoff_q1_2027_holdout_v5
python main.py forecast-mega-bench --pattern "*holdout*"

Docker

docker-compose up -d
# http://localhost:8100

---

Forecasting Calibrado

Pipeline probabilístico (Brier, Murphy, Platt/iso, EB, conformal, Kelly) em 46 datasets / 600 eventos.

Holdout (140 eventos)

Forecaster	Brier
Polymarket	0.047
Superforecasters	0.081
GPT-4.5 cold	0.101
Manifold	0.107
Vila INTEIA	0.227
Base-rate	0.241

Vila bate base-rate (DM Δ=-0.014). 52 teoremas em engine/*.py. Detalhe em docs/HONEST_FORECASTING_ARTICLE.md.

Latência (single-thread, py3.11)

Operação	Latência	Ops/s
nash_puro (2×2)	0.07ms	14k
prever_trajetoria (50 passos)	0.21ms	4.8k
plano_seldon (horizonte 100)	0.54ms	1.8k
classificar_estado	0.003ms	369k
deffuant (40 agentes, 1000 passos)	3.96ms	253

Rodar: PYTHONPATH=. python tests/benchmark.py.

---

Simulação Vila (organismo digital)

Inspirada em Generative Agents (Stanford/Google) + OASIS (camel-ai). 11 mandamentos orgânicos viram mecânicas reais (latência, decay de conhecimento, desafios coletivos, economia de patentes).

Não apenas simula debate: promulga leis, publica jornais reais (Mirante News), executa economia interna, evolui sua constituição.

Mirofish pipeline (Onda 197)

API-compatible com Mirofish: corpus → grafo → simulação multi-agente → relatório.

python main.py mirofish --personas CL001,CL002,CL007 --datasets "btc*.csv"

Detalhe em .claude/skills/vila-mirofish/SKILL.md.

---

Estrutura

vila-inteia/
├── main.py                      # entry point (demo/serve/live/mirofish/forecast-*)
├── docker-compose.yml
├── render.yaml                  # Render deploy
│
├── engine/                      # core (45+ módulos)
│   ├── simulacao.py             # orquestra 1 step
│   ├── persona.py               # agent identity
│   ├── colmeia.py               # 11 mandamentos
│   ├── cognitivo/               # perceber→...→sintetizar (7 fases)
│   ├── memoria/                 # fluxo, espacial, rascunho, fundador
│   ├── political_cohort.py      # PC-CRD + Linzer + MRP (Onda 4)  ⭐
│   ├── auth_clients.py          # multi-tenant API keys             ⭐
│   └── harness/                 # observabilidade + orçamento
│
├── api/                         # FastAPI routers
│   ├── rotas_vila.py            # /api/v1/vila/*
│   ├── rotas_politica.py        # /api/v1/politica/* (Onda 4)       ⭐
│   └── rotas_harness.py
│
├── frontend/                    # vanilla JS
│   ├── index.html, cidade.html, jogo.html, rede.html
│   └── politica.html            # política dashboard (Onda 4)        ⭐
│
├── frontend-next/               # Next.js 15 (Vercel-ready)          ⭐
│   ├── app/                     # / governadores senado simular custom backtest
│   ├── components/              # Shell, Trajectory, SecondRound, ProbBar
│   └── lib/api.ts, predict.ts
│
├── data/
│   ├── banco-consultores-lendarios.json  # 144 personas
│   ├── backtest/                # 50+ CSVs políticos + crypto
│   ├── political_best_config.json        # config v1.4-evo MRP+Linzer ⭐
│   └── predictions_2026.json             # snapshot atual              ⭐
│
├── migrations/005_political_forecasts.sql                              ⭐
│
├── scripts/
│   ├── smoke_political.py       # 35/35 PASS                          ⭐
│   ├── backtest_political.py
│   ├── autoresearch_political.py
│   ├── evolve_political_model.py
│   └── predict_2026.py
│
├── docs/
│   ├── ONBOARDING_POLITICAL.md  # arquitetura política completa       ⭐
│   ├── CLIENT_ONBOARDING.md     # quickstart cliente                   ⭐
│   ├── DEPLOY_POLITICAL.md      # Render + Vercel guide                ⭐
│   ├── ARCHITECTURE.md, DEPLOY.md, INTEGRATIONS.md, ROADMAP.md
│   └── screenshots/             # 6 PNGs do frontend Next.js          ⭐
│
└── tests/                       # 50+ test files (Ondas 5-42)

⭐ = adicionado/modificado na Onda 4.

---

Documentação

Política (Onda 4) ⭐

• docs/ONBOARDING_POLITICAL.md - arquitetura + roadmap
• docs/CLIENT_ONBOARDING.md - quickstart cliente
• docs/DEPLOY_POLITICAL.md - Render + Vercel deploy

Geral

• MANIFEST.md - tabela consolidada de ondas
• docs/ARCHITECTURE.md - arquitetura completa
• docs/DEPLOY.md - Docker, Render, Vercel
• docs/INTEGRATIONS.md - Mirante, Mirofish, OmniRoute
• docs/ROADMAP.md - próximas iterações

Forecasting

• docs/HONEST_FORECASTING_ARTICLE.md - 52 teoremas + 46 datasets

Constituição e processos

• CONSTITUICAO_VILA.md - 11 Mandamentos, Patentes
• HARNESS_VILA.md - framework Zhou et al. 2026
• CONTRIBUTING.md - padrões de código

---

Desenvolvimento

# Tests (cada arquivo executa standalone, não usa pytest config)
PYTHONPATH=. python tests/test_ondas_25_27.py
PYTHONPATH=. python scripts/smoke_political.py

# Lint
black engine/ api/ tests/
flake8 engine/ api/ --max-line-length=100

# Frontend
cd frontend-next && npm run build && npm run start

CI roda Ondas 5-42 + JS/Python syntax em cada PR. Ver .github/workflows/tests.yml.

---

Licença

MIT

Mantido por: Igor Morais Vasconcelos (@igormorais123)

Predição Política BR 2026 : produto comercial. Para licenciamento empresarial e integração via API: colmeia@inteia.com.br.