Agente de IA para Análise de Desempenho Estudantil

12 de December de 2025 • Tempo de leitura: 5 min

Como criar um agente de IA que analisa dados de desempenho acadêmico dos alunos e gera relatórios para pais e educadores.

1. Propósito e Escopo

Este documento define todos os prompts, configurações de memória, transição entre estados, consulta a documentos e demais requisitos funcionais para o Agente de IA para Análise de Desempenho Estudantil. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.

O objetivo deste agente é analisar dados de desempenho acadêmico dos alunos, identificar padrões e tendências, e gerar relatórios detalhados para pais e educadores, destacando áreas de melhoria e sucesso.

2. Contexto e Problema

Atualmente, as escolas enfrentam dificuldades em obter insights claros sobre o desempenho dos alunos, o que torna desafiador identificar áreas que necessitam de melhoria. Além disso, há uma demanda crescente por relatórios detalhados que orientem pais e educadores nas estratégias de ensino.

Com a implementação deste agente, espera-se resolver problemas como a falta de insights claros sobre o desempenho dos alunos e a necessidade de relatórios detalhados para orientar pais e educadores nas estratégias de ensino.

3. Impactos Esperados

A implementação deste agente visa alcançar os seguintes resultados:

  • Prover insights claros sobre o desempenho dos alunos, facilitando a identificação de áreas de melhoria.
  • Gerar relatórios detalhados que orientem pais e educadores nas estratégias de ensino.
  • Destacar áreas de sucesso e necessidade de melhoria em relatórios claros e acionáveis.

4. Visão Geral da Solução

O agente de IA para análise de desempenho estudantil processa dados acadêmicos, identifica padrões e tendências, e gera relatórios detalhados para pais e educadores, destacando áreas de melhoria e sucesso. A seguir são detalhadas todas as regras de negócio e especificações funcionais necessárias para que esse agente atue como um assistente útil e autônomo na análise de desempenho acadêmico dos alunos.

A solução consiste em um fluxo de automação composto por 3 agentes de IA. O processo inicia com a validação e padronização dos dados acadêmicos e termina com a geração de um relatório claro e detalhado para pais e educadores.

Agentes Função Principal
Agente de Validação e Padronização de Dados Acadêmicos Validar, higienizar e padronizar dados de desempenho acadêmico de alunos, unificando formatos e calculando variáveis derivadas para análise.
Agente de Análise de Desempenho Acadêmico Calcular métricas por aluno, por disciplina e de coorte, identificar tendências, pontos fortes, lacunas e riscos acadêmicos a partir dos dados padronizados.
Agente de Geração de Relatório para Pais e Educadores Transformar o analytical_summary em relatórios claros, segmentados para pais e educadores, destacando sucessos, áreas de melhoria e próximos passos acionáveis.

5. Protótipos

Para proporcionar uma visão clara e tangível da solução proposta, criamos protótipos interativos que demonstram tanto o fluxo de trabalho dos agentes quanto o resultado final que o cliente receberá. Explore os links abaixo para entender melhor a solução em ação.

6. Requisitos Funcionais

RF 1. Agente de Validação e Padronização de Dados Acadêmicos

1.1 Tarefa do Agente

Validar, higienizar e padronizar dados de desempenho acadêmico de alunos, unificando formatos e calculando variáveis derivadas para análise.

1.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um arquivo CSV ou JSON com registros de desempenho acadêmico dos alunos. Este arquivo contém informações como student_id, student_name, grade_level, subject, assessment_id, assessment_name, score, max_score, entre outros.

# 2. Objetivo
Validar, higienizar e padronizar esses dados, unificando formatos e calculando variáveis derivadas para análise.

# 3. Regras que você deve seguir para gerar sua resposta
- Verifique a presença dos campos obrigatórios: student_id, subject, score, max_score, date. Marque registros faltantes como inválidos.
- Converta datas para o formato ISO 8601.
- Normalize pesos e calcule score_pct e weighted_score.
- Identifique outliers e deduplicados, mantendo registros mais relevantes.
- Gere um resumo de qualidade dos dados e uma versão padronizada do dataset.

# 4. Exemplo de Output que você deve produzir
{
  "data_standardized": [
    {
      "student_id": "12345",
      "subject": "Mathematics",
      "score": 85,
      "max_score": 100,
      "score_pct": 85.0,
      "weighted_score": 85.0
    }
  ],
  "data_quality_summary": {
    "errors": [],
    "warnings": []
  },
  "schema_version": "1.0.0"
} 
1.3 Configurações do Agente

1.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente é o ponto de partida do fluxo e deve ser acionado pelo envio de um arquivo CSV ou JSON com registros de desempenho acadêmico dos alunos via API. Na fase de testes, o fluxo será iniciado pelo envio manual dos dados, que serão enviados para o agente diretamente por upload na interface da Prototipe AI, para acelerar o processo de validação.
  • Tipo do input: Arquivo CSV ou JSON contendo registros de avaliações acadêmicas.
  • Formatos Suportados: .csv, .json
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 100.000 caracteres.

1.3.2 Especificação do Output

  • Formato de output: JSON padronizado com dados validados e um resumo de qualidade dos dados.
  • Exemplo de Estrutura de Output:
     {
      "data_standardized": [
        {
          "student_id": "12345",
          "subject": "Mathematics",
          "score": 85,
          "max_score": 100,
          "score_pct": 85.0,
          "weighted_score": 85.0
        }
      ],
      "data_quality_summary": {
        "errors": [],
        "warnings": []
      },
      "schema_version": "1.0.0"
    } 
  • Número de caracteres esperado: O JSON gerado terá um tamanho aproximado de 5.000 caracteres.

1.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

1.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Utiliza lógica interna para cálculos de normalização e validação.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

1.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente de Análise de Desempenho Acadêmico.

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Análise de Desempenho Acadêmico.

RF 2. Agente de Análise de Desempenho Acadêmico

2.1 Tarefa do Agente

Calcular métricas por aluno, por disciplina e de coorte, identificar tendências, pontos fortes, lacunas e riscos acadêmicos a partir dos dados padronizados.

2.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON padronizado contendo dados de desempenho acadêmico validados e um resumo de qualidade dos dados.

# 2. Objetivo
Calcular métricas por aluno, por disciplina e de coorte, identificar tendências, pontos fortes, lacunas e riscos acadêmicos.

# 3. Regras que você deve seguir para gerar sua resposta
- Use apenas registros com invalid=false.
- Calcule médias ponderadas por disciplina e GPA percentual por aluno.
- Identifique tendências e comparativos de coorte.
- Identifique forças, lacunas e riscos acadêmicos.
- Gere recomendações padronizadas por categoria.

# 4. Exemplo de Output que você deve produzir
{
  "analytical_summary": {
    "students": [
      {
        "student_id": "12345",
        "media_geral_aluno": 85.0,
        "subjects": [
          { "subject": "Mathematics", "media": 85.0, "classificacao": "Excellent" }
        ],
        "risco_aprendizagem": false
      }
    ]
  }
} 
2.3 Configurações do Agente

2.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 1).
  • Tipo do input: JSON padronizado contendo dados de desempenho acadêmico validados.
  • Formatos Suportados: .json
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 10.000 caracteres.

2.3.2 Especificação do Output

  • Formato de output: JSON analytical_summary com métricas por aluno e por disciplina, tendências, classificações e recomendações.
  • Exemplo de Estrutura de Output:
     {
      "analytical_summary": {
        "students": [
          {
            "student_id": "12345",
            "media_geral_aluno": 85.0,
            "subjects": [
              { "subject": "Mathematics", "media": 85.0, "classificacao": "Excellent" }
            ],
            "risco_aprendizagem": false
          }
        ]
      }
    } 
  • Número de caracteres esperado: O JSON gerado terá um tamanho aproximado de 8.000 caracteres.

2.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

2.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Utiliza lógica interna para cálculos de métricas e análises.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

2.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente de Geração de Relatório para Pais e Educadores.

2.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Geração de Relatório para Pais e Educadores.

RF 3. Agente de Geração de Relatório para Pais e Educadores

3.1 Tarefa do Agente

Transformar o analytical_summary em relatórios claros, segmentados para pais e educadores, destacando sucessos, áreas de melhoria e próximos passos acionáveis.

3.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON analytical_summary produzido pelo Agente de Análise de Desempenho Acadêmico.

# 2. Objetivo
Transformar o analytical_summary em relatórios claros, segmentados para pais e educadores, destacando sucessos, áreas de melhoria e próximos passos acionáveis.

# 3. Regras que você deve seguir para gerar sua resposta
- Estruture o relatório em seções claras para pais e educadores.
- Destaque sucessos e áreas de melhoria com base nas métricas fornecidas.
- Gere recomendações acionáveis e próximas etapas.
- Inclua um bloco JSON com KPIs principais no final do relatório.

# 4. Exemplo de Output que você deve produzir
# Relatório de Desempenho Acadêmico
## Aluno: Nome do Aluno
### Panorama Geral
- Média Geral: 85.0
- Classificação: Excellent
### Disciplinas
| Disciplina | Média | Classificação |
|------------|-------|---------------|
| Mathematics | 85.0 | Excellent |
### Recomendações
- [Alta] study_plan — Revisar tópicos de matemática (Mathematics)
### Próximos Passos
1. Semana 1: Diagnóstico e plano
2. Semana 2-3: Prática e tutoria
3. Semana 4: Reavaliação
### JSON Resumo
{
  "student_id": "12345",
  "media_geral_aluno": 85.0,
  "classificacao_geral": "Excellent"
} 
3.3 Configurações do Agente

3.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 2).
  • Tipo do input: JSON analytical_summary contendo métricas de desempenho acadêmico.
  • Formatos Suportados: .json
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 8.000 caracteres.

3.3.2 Especificação do Output

  • Formato de output: Relatório em Markdown com seções para pais e educadores, incluindo um bloco JSON embutido com KPIs.
  • Exemplo de Estrutura de Output:
     # Relatório de Desempenho Acadêmico
    ## Aluno: Nome do Aluno
    ### Panorama Geral
    - Média Geral: 85.0
    - Classificação: Excellent
    ### Disciplinas
    | Disciplina | Média | Classificação |
    |------------|-------|---------------|
    | Mathematics | 85.0 | Excellent |
    ### Recomendações
    - [Alta] study_plan — Revisar tópicos de matemática (Mathematics)
    ### Próximos Passos
    1. Semana 1: Diagnóstico e plano
    2. Semana 2-3: Prática e tutoria
    3. Semana 4: Reavaliação
    ### JSON Resumo
    {
      "student_id": "12345",
      "media_geral_aluno": 85.0,
      "classificacao_geral": "Excellent"
    } 
  • Número de caracteres esperado: O relatório gerado em Markdown terá um tamanho aproximado de 6.000 caracteres.

3.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

3.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

3.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente é o entregável final e não é passada para outros agentes internos.

3.3.6 Regras de Orquestração e Transição

A execução deste agente finaliza o fluxo. O relatório gerado é o resultado que deve ser disponibilizado ao usuário.

© 2025 prototipe.ai. Todos os direitos reservados.