Skip to main content
PUT
Upsert

Visão Geral

O endpoint upsert cria inteligentemente uma nova pessoa ou atualiza uma existente com base em estratégias configuráveis de detecção de duplicatas. Ele lida automaticamente com conflitos e previne registros duplicados usando correspondência exata, correspondência difusa ou detecção de similaridade alimentada por IA.

Endpoint

Autenticação

Requer uma chave de API válida no cabeçalho de autorização:

Corpo da Requisição

object
required
Os dados da pessoa (mesma estrutura do endpoint Criar Pessoa)
object
Opções de configuração para o comportamento do upsert
enum
Como lidar com conflitos quando uma pessoa existente é encontrada:
  • source_wins - Novos dados sobrescrevem dados existentes
  • target_wins - Mantém dados existentes, ignora novos dados
  • manual_review - Sinaliza para revisão manual sem atualizar
  • smart_merge (padrão) - Mescla inteligentemente ambos os conjuntos de dados
enum
Estratégia para detectar pessoas duplicadas:
  • exact_match - Correspondência por externalId e taxId (insensível a maiúsculas/minúsculas)
  • fuzzy_match - Correspondência de similaridade em nome e taxId (limite de 80%)
  • ai_similarity - Detecção de similaridade semântica alimentada por IA
  • hybrid (recomendado) - Correspondência exata com fallback difuso
boolean
default:"true"
Se deve criar automaticamente relacionamentos entre entidades

Resposta

boolean
Indica se a operação foi bem-sucedida
string
A ação realizada: created ou updated
object
O estado final da pessoa após o upsert
object
O estado da pessoa antes da atualização (null se recém-criada)
number
Pontuação de confiança (0-1) para a correspondência de detecção de duplicatas
string
Explicação de por que a pessoa foi criada/atualizada
array
Array de conflitos em nível de campo detectados durante a mesclagem (se houver)

Exemplos

Upsert Simples (Comportamento Padrão)

Upsert com Correspondência Difusa

Exemplos de Resposta

Nova Pessoa Criada

Pessoa Existente Atualizada

Casos de Uso

Importação de Dados do CRM

Enriquecimento Progressivo de Dados

Melhores Práticas

  1. Escolha a Estratégia Certa:
    • exact_match para dados limpos e estruturados com IDs confiáveis
    • fuzzy_match para dados inseridos pelo usuário com possíveis erros de digitação
    • hybrid para a maioria dos cenários de produção
  2. Lidar com Conflitos Graciosamente:
    • Use smart_merge para resolução automática
    • Use manual_review para dados críticos
    • Verifique o array conflicts na resposta para mudanças importantes
  3. Monitorar Pontuações de Confiança:
    • Pontuações abaixo de 0.7 podem indicar correspondências fracas
    • Registre atualizações de baixa confiança para revisão

Respostas de Erro

400 Bad Request

500 Internal Server Error

Próximos Passos