Este projeto tem a proposta de desenvolver um assistente inteligente voltado para a análise e apoio à tomada de decisão no mercado financeiro, um setor caracterizado por um volume massivo e altamente complexo de dados. O método empregado para solucionar este problema é a implementação de um modelo RAG, Retrieval-Augmented Generation. Esta arquitetura utiliza uma base de dados vetorial para permitir que um Modelo de Linguagem acesse informações em tempo real, superando seu conhecimento estático. A base vetorial é alimentada continuamente por múltiplas fontes de dados, integrando dados públicos (notícias recentes via API, posts de redes sociais via web scraping) com dados privados do usuário como os ativos que compõem sua carteira. Os resultados são demonstrados através de um protótipo funcional que permite ao usuário não apenas gerenciar seu portfólio, mas interagir com o assistente. O sistema é capaz de interpretar consultas em linguagem natural e utilizar ferramentas de software para buscar o contexto relevante, seja na base vetorial ou em APIs, antes de formular uma resposta. Conclui-se que, no contexto deste estudo, o uso de arquiteturas RAG aplicadas às finanças é uma abordagem viável e eficaz. O sistema demonstrou a capacidade de integrar informações dispersas e oferecer suporte analítico personalizado, ampliando o acesso à informação e aprimorando a compreensão de cenários complexos do mercado.