> For the complete documentation index, see [llms.txt](https://trf2.gitbook.io/apoia/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://trf2.gitbook.io/apoia/outras-funcionalidades/busca-semantica-de-temas.md).

# Busca Semântica de Temas

A ferramenta Busca de Temas permite localizar temas e precedentes dos tribunais superiores (STF e STJ) utilizando uma tecnologia de busca semântica. Diferente da busca tradicional por palavras-chave, esta funcionalidade compreende o contexto e o significado por trás da consulta.

{% embed url="<https://youtu.be/nsjlMKcOOUc>" %}

#### O que é Busca Semântica?

Diferente da busca de texto comum, onde o sistema procura exatamente pelas palavras digitadas, a busca semântica utiliza Inteligência Artificial (IA) para encontrar termos relacionados pelo sentido.

* Exemplo Prático: Se o usuário pesquisar por *"divórcio de quem mora junto"*, a ferramenta é capaz de identificar e retornar temas sobre a *"ausência de coabitação dos cônjuges como prova da separação de fato"*. Note que, embora as frases não possuam palavras idênticas, o conceito jurídico é o mesmo.

#### Como utilizar a ferramenta

1. Acesse o menu "Busca de Temas".
2. No campo de pesquisa, descreva a situação jurídica ou o fato que deseja consultar. Não é necessário utilizar termos técnicos precisos; você pode descrever o caso em linguagem natural.
3. Clique em Pesquisar (ou pressione Enter). O sistema retornará os temas com maior similaridade semântica em relação à sua consulta.
4. O resultado exibirá o número do tema, o tribunal de origem e a tese firmada, destacando a questão central. Clicando no marcador da fonte (junto a cada resultado) é possível expandir os dados completos do tema em JSON.

#### Opções Avançadas e Filtros

Para usuários que desejam maior precisão, o botão "**Filtros Avançados**" oferece configurações:

* Modo de Busca:
  * Híbrida (Padrão): Combina a busca vetorial (sentido) com a busca de texto (palavras exatas) para um resultado equilibrado.
  * Vetorial: Foca exclusivamente no significado e contexto através de modelos de IA.
  * Texto Completo: Funciona como uma busca tradicional, focando na literalidade dos termos.
* Balanceamento (só no modo híbrido): define o peso entre a busca vetorial e a busca de texto (padrão 70/30).
* Similaridade Mínima: define o quão próximo o resultado deve estar da consulta original para ser exibido (padrão 30%).
* Fontes de Dados: possibilita selecionar especificamente de quais tribunais ou bases de dados os temas devem ser recuperados (botões-pílula com os nomes das fontes disponíveis).

Nos resultados do modo híbrido, cada item exibe os marcadores "**V: X%**" (similaridade vetorial) e "**T: Y%**" (similaridade de texto), além da similaridade combinada, colorida conforme a força do casamento (verde para casamentos mais fortes). Os resultados são paginados.

#### Vantagens

* Agilidade: Encontra precedentes mesmo quando a terminologia técnica exata é desconhecida.
* Precisão Contextual: Reduz o "ruído" de resultados que contêm as palavras pesquisadas, mas tratam de assuntos diferentes.
* Integração: Facilita a fundamentação de peças processuais com temas repetitivos e repercussão geral. A mesma base pode ser consultada pela IA do Chat, por meio das ferramentas de busca de temas e do Pangea.

***

Nota 1: Assim como as demais funcionalidades da Apoia, os resultados da busca semântica servem como auxílio à decisão e devem ser validados pelo magistrado ou servidor responsável.

Nota 2: Os temas são atualizados diariamente a partir da base de temas do Pangea.


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://trf2.gitbook.io/apoia/outras-funcionalidades/busca-semantica-de-temas.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.