As finanças de uma família em dois países e duas moedas rodam em uma única planilha, e cada número nela é auditado.
É um sistema local-first que transforma extratos de banco e de cartão de 16 contas em uma visão consolidada de fluxo de caixa, em CAD e BRL. Código determinístico faz todos os cálculos; um LLM local só sugere categorias, e um humano confirma.
Todas as telas desta página usam valores fictícios, apenas para demonstração do sistema.
O que ele faz#
- Lê 20 fontes de extrato (CSV, OFX e PDF digital) com 13 parsers determinísticos
- Converte BRL, USD e EUR para CAD pela cotação do Bank of Canada no dia de cada transação
- Pareia pagamentos de cartão, transferências internas e remessas internacionais, para nada ser contado duas vezes
- Categoriza por regras; para o resto, três LLMs locais no Ollama votam, e só uma resposta unânime vira sugestão
- Reconstrói os dashboards no Google Sheets a cada execução: fluxo de caixa anual, por pessoa, dívidas (principal x juros), investimentos contra a alocação-alvo, e gráficos
- Audita cada execução com 4.302 conferências independentes
Como funciona#
Um único comando roda o pipeline inteiro. O LLM participa de exatamente uma etapa, e nunca toca nos números.
A planilha#
Transações. Uma linha por lançamento de extrato. BRL convertido para CAD pela cotação do dia; transferências e pagamentos de cartão pareados para nada contar duas vezes.
Painel anual. O que entra, o que sai e o que sobra, consolidado em CAD.
Anual por pessoa. Cada despesa pertence ao titular da conta de onde saiu, para perceber cedo se uma pessoa está ficando no negativo.
Dívidas. Cada dívida separada em principal e juros, e quanto da renda elas consomem por mês.
Investimentos. Agrupados por classe, tipo e ativo, com um percentual-alvo para cada um e quanto falta ou sobra.
Gráficos. Gráficos nativos do Google Sheets alimentados pelos painéis, cada um seguindo o seletor de período do próprio painel.
LLMs locais sugerem. O código decide.#
Todo valor, soma, conversão de moeda e pareamento é feito por Python determinístico. Os modelos participam de uma única etapa: propor uma categoria para comerciantes que as regras ainda não cobrem.
- Três modelos locais no Ollama (gemma4:12b, gemma4:26b e gpt-oss:20b) respondem à mesma fila
- Só uma resposta unânime vira sugestão; votos divididos aparecem com a resposta de cada modelo
- A saída é estruturada e restrita a uma lista fechada de 67 categorias, com temperatura 0
- Categorias que dependem de intenção (presentes, passeios das crianças, tipo de seguro) são bloqueadas pelo código antes da votação
- O prompt leva o nome do comerciante, o tipo de conta e regras parecidas, nunca um valor
- Uma sugestão só vira regra quando um humano marca Confirmar na aba de revisão
Como a configuração foi escolhida. Sete configurações de modelos foram medidas em um teste leave-one-out contra 114 regras de categorização escritas por um humano. Modelos sozinhos ficaram entre 75% e 86% de precisão. O voto unânime de três modelos de duas famílias, somado à lista de bloqueio, chegou a 97,6% de precisão com 73% de cobertura; o restante vira “não sei” em vez de uma resposta errada. O modo de raciocínio não melhorou a precisão nessa tarefa, e mais exemplos no prompt pioraram o resultado. A precisão do teste é um teto, já que a lista de bloqueio foi escolhida com os mesmos dados; a taxa real de aceitação é acompanhada a cada confirmação.
Toda execução termina com uma auditoria#
Um painel que parece certo não é o mesmo que um painel certo. Depois que os painéis são reconstruídos, um script somente leitura recalcula tudo a partir dos arquivos mestres locais e compara com a planilha, com tolerância de um centavo: 4.302 conferências, e todas precisam bater.
- A. Cada transação da planilha contra o arquivo mestre local
- B. Cada célula dos painéis, recalculada em Python
- C. Os totais anuais de novo, por um cálculo independente com regras próprias
- D. A identidade do dinheiro: a sobra do mês é igual à soma de todas as contas, e os dois lados de cada transferência se anulam
- E. Cobertura: nenhum extrato ou mês faltando em nenhuma conta
- F. Investimentos e dados dos gráficos contra suas fontes
- G. Uma conferência humana: o último saldo de cada conta e lançamentos sorteados para comparar com os extratos
A auditoria não grava nada e não corrige nada: ela informa qual camada falhou e por quanto. A primeira execução completa encontrou uma divergência real, uma transferência interna em BRL que saiu num dia e chegou três dias depois, com outra cotação. A correção foi para a regra, não para uma lista de exceções. A auditoria tem seus próprios testes: 29 casos e 38 bugs injetados de propósito, todos detectados.
Em números#
Construído com o Claude Code como parceiro de engenharia.
- ~25.600 linhas de Python, mais da metade em testes e scripts de mutação
- 718 casos de teste; 204 bugs injetados de propósito, todos detectados
- 75 commits em 16 dias
- 41 horas de atividade de commits (só o tempo entre commits)
- ~60 horas de sessões no Claude Code e ~4M tokens de contexto (ambos estimados)
O que ele não faz#
- Conectar aos bancos ou guardar credenciais bancárias; os extratos são baixados e colocados numa pasta monitorada
- Deixar um LLM ler valores, fazer contas ou criar regras
- Enviar dados financeiros para qualquer serviço de IA na nuvem
- Movimentar dinheiro ou tomar decisões de investimento
O repositório é privado, porque guarda a configuração real de uma família. Se uma versão pública e generalizada for útil para você, fale comigo pela página de Contato.
Stack#
Python · Ollama (gemma4, gpt-oss) · Google Sheets API · systemd · cotações do Bank of Canada · Claude Code · Git