Corpus Jurídico BR

Este espaço organiza a etapa de dados de um projeto de RAG jurídico local.

A fase atual do projeto tem um objetivo simples e específico: capturar, estruturar, limpar e validar textos de leis federais brasileiras para que eles possam ser usados posteriormente em uma aplicação local de recuperação de informação e consulta jurídica.

Nesta etapa, o projeto ainda não é um chatbot, não é uma API, não é um modelo treinado e não contém embeddings. O foco atual é apenas preparar uma base textual confiável.

---

Fase atual do projeto

A fase atual é a construção do corpus textual.

O trabalho realizado nesta etapa inclui:

• captura de leis federais brasileiras;
• organização dos textos em formato estruturado;
• preservação do inteiro teor das normas;
• geração de segmentos jurídicos derivados;
• manutenção de metadados de origem;
• limpeza de ruídos de portal e quebras artificiais;
• validação de integridade dos arquivos;
• preparação da base para uso futuro em RAG local.

---

Dataset principal

Repositório: corpus-juridico-br/corpus-leis-federais-br

Status: privado, com acesso restrito aos membros autorizados da organização.

O dataset contém:

• leis federais brasileiras em inteiro teor;
• segmentos jurídicos derivados dos textos;
• documentação técnica;
• scripts auxiliares de validação e auditoria.

O dataset não contém:

• embeddings;
• índice vetorial;
• aplicação final;
• interface de consulta;
• chatbot;
• ambiente virtual;
• caches;
• logs de execução;
• credenciais;
• dados brutos intermediários.

---

Resumo da versão textual

---

Fontes utilizadas

O corpus foi montado a partir de fontes oficiais e institucionais.

As fontes utilizadas nesta etapa foram:

• Senado Federal, para descoberta inicial e metadados legislativos;
• Planalto, como fonte principal para o inteiro teor das normas;
• Câmara dos Deputados via LexML, como fonte de apoio quando o texto do Planalto não foi localizado de forma aproveitável.

Distribuição final das fontes no corpus textual:

---

Tratamento textual

O tratamento textual foi feito de forma conservadora.

A intenção não foi alterar o conteúdo jurídico das normas, mas deixar os textos mais adequados para uso computacional posterior.

O processamento se concentrou em:

• remover ruídos de páginas e portais;
• recompor quebras artificiais de linha;
• organizar cabeçalhos, ementas e artigos;
• preservar o texto integral das normas;
• criar segmentos jurídicos para recuperação posterior;
• manter vínculo entre cada segmento e sua norma de origem;
• registrar metadados e hashes de integridade.

---

Validação

A validação final verificou:

• unicidade de identificadores;
• presença dos campos obrigatórios;
• consistência entre texto e hash;
• vínculo entre normas integrais e segmentos;
• ausência de ruídos evidentes de portal;
• ausência de caracteres corrompidos;
• consistência entre os arquivos publicados e seus shards.

Resultado da etapa atual:

7.760 normas integrais e 81.164 segmentos jurídicos validados, com 0 problemas encontrados na validação final.

---

Próxima etapa pretendida

Depois da consolidação do corpus textual, a base poderá ser usada em ambiente local para etapas posteriores do projeto, como:

• geração de embeddings;
• criação de índice vetorial;
• testes de recuperação de informação;
• avaliação de respostas em RAG;
• construção de uma aplicação local de consulta jurídica.

Essas etapas ainda não fazem parte desta publicação.

---

Aviso de uso

Este corpus é uma base textual preparada para apoiar um projeto de RAG jurídico local.

Ele não substitui as fontes oficiais, não constitui aconselhamento jurídico e não deve ser usado como fonte única para decisões profissionais. Para qualquer uso jurídico real, a norma deve ser conferida na fonte oficial indicada nos metadados do dataset.