Agente de IA para Análise de Risco de Evasão Escolar

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

Como criar um agente de IA que identifica estudantes em risco de evasão, analisando fatores acadêmicos e sociais e propondo ações de retenção.

Biblioteca de Prompts e Agentes

1. Propósito e Escopo

Este documento define todos os prompts, configurações de memória, transição entre estados e demais requisitos funcionais para o Fluxo de Agentes "Análise de Risco de Evasão Escolar", uma solução projetada para identificar estudantes em risco de evasão, analisando fatores acadêmicos e sociais e propondo ações de retenção personalizadas. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.

O objetivo principal é transformar dados acadêmicos e sociais em insights acionáveis que permitam a identificação precoce de alunos em risco e a implementação de estratégias eficazes de retenção.

2. Contexto e Problema

Cenário Atual

As escolas enfrentam dificuldades significativas em prever e mitigar a evasão escolar, um problema que afeta tanto o desempenho dos alunos quanto a sustentabilidade das instituições educacionais. Atualmente, as escolas lidam com:

  • Alta taxa de evasão escolar sem identificação prévia dos alunos em risco.
  • Falta de medidas proativas para reter alunos.

O processo atual é reativo e geralmente envolve intervenções após a ocorrência da evasão, sem estratégias personalizadas de retenção.


Problemas Identificados

  • Falta de Previsibilidade: As escolas não conseguem identificar antecipadamente os alunos em risco de evasão, o que impede a adoção de medidas preventivas.
  • Intervenções Genéricas: As ações de retenção não são personalizadas, resultando em eficácia limitada.
  • Monitoramento Ineficiente: Não há um acompanhamento contínuo da eficácia das medidas implementadas, o que dificulta ajustes oportunos nas estratégias.

3. Impactos Esperados

A implementação deste fluxo de automação visa alcançar os seguintes resultados:

  • Reduzir a taxa de evasão escolar em pelo menos 30% através de intervenções proativas e personalizadas.
  • Melhorar a precisão na identificação de alunos em risco, permitindo ações mais direcionadas.
  • Implementar um sistema de monitoramento contínuo para avaliar e ajustar as estratégias de retenção conforme necessário.

4. Visão Geral da Solução

O agente de IA para análise de risco de evasão escolar processa dados acadêmicos e sociais dos alunos, identifica aqueles em risco de evasão e propõe ações de retenção personalizadas. 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 prevenção da evasão escolar.

A solução consiste em um fluxo de automação composto por 5 agentes de IA. O processo inicia com a coleta de dados acadêmicos e sociais e termina com a proposta de ações de retenção personalizadas.

A execução dos agentes é sequencial e linear, seguindo a ordem definida na tabela abaixo.

Agentes Função Principal
Agente de Preparação de Parâmetros de Coleta de Dados Consolidar e padronizar os parâmetros de coleta necessários para identificar e analisar risco de evasão escolar.
Agente de Execução de Consultas em Banco de Dados Realizar conexão e consulta às fontes de dados acadêmicos e sociais para obter o dataset consolidado de alunos.
Agente de Cálculo de Risco de Evasão Calcular a pontuação e a classificação de risco de evasão por aluno com base em regras determinísticas.
Agente de Geração de Plano de Retenção Personalizado Gerar ações de retenção personalizadas e mensuráveis com base nos fatores de risco predominantes de cada aluno.
Agente de Métricas e Monitoramento de Eficácia Avaliar periodicamente a eficácia das ações implementadas e propor ajustes quando metas não forem alcançadas.

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.

Ver Agente na Prototipe AI

6. Requisitos Funcionais

RF 1. Agente de Preparação de Parâmetros de Coleta de Dados

1.1 Tarefa do Agente

Consolidar e padronizar os parâmetros de coleta necessários para identificar e analisar risco de evasão escolar.

1.2 Prompt ou Instruções do Agente 
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo uma solicitação para preparar parâmetros de coleta de dados para análise de risco de evasão escolar. Esses dados são essenciais para identificar alunos em risco e propor ações de retenção.

# 2. Objetivo
Consolidar e padronizar os parâmetros de coleta necessários para identificar e analisar risco de evasão escolar.

# 3. Regras que você deve seguir para gerar sua resposta
- Mapear variáveis solicitadas em nomes canônicos do dataset de saída indicado em expected_output.colunas; quando variável não existir no escopo informado, excluir do array colunas e registrar no campo omitted_vars: ["nome_var"].
- Fixar período como obrigatório; se ausente, definir periodo.inicio como primeiro dia do mês corrente e periodo.fim como último dia do mês corrente.
- Se filtros_opcionais.alunos_ids existir, mantê-lo e não remover demais filtros; se não existir, omitir alunos_ids do objeto filtros.
- Garantir que colunas sempre inclua chaves mínimas: aluno_id, escola_id, serie, turma, turno.
- Remover duplicatas em arrays de escolas, series e turnos; normalizar para minúsculas em turnos.
- Se variáveis_requeridas estiver vazio, utilizar o conjunto padrão indicado em expected_input.
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 uma solicitação de preparação de dados 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: O input inicial para o fluxo é uma solicitação de preparação de dados, que resulta em parâmetros de coleta consolidados.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs nos formatos: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 10.000 caracteres.

1.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON contendo os parâmetros consolidados de coleta de dados. A estrutura deve incluir tabelas, chaves, período, filtros e colunas necessárias para a análise de risco de evasão.
  • Exemplo de Estrutura de Output: 
     { "query_params": { "tabelas": ["alunos", "matriculas", "frequencias", "avaliacoes", "disciplinares", "socioeconomico", "endereco", "atendimentos_psicossociais"], "chaves": ["aluno_id", "escola_id", "serie", "turma", "turno"], "periodo": {"inicio": "YYYY-MM-DD", "fim": "YYYY-MM-DD"}, "filtros": {"escolas": ["id_escola"], "series": ["6A"], "turnos": ["manha"], "alunos_ids": ["id1"]}, "colunas": ["aluno_id", "escola_id", "serie", "turma", "turno", "frequencia_pct", "faltas_injustificadas", "media_bimestral", "tendencia_media", "incidentes_qtd", "distancia_km", "vulnerabilidade_idx", "trabalho_horas_sem", "repetencias", "defasagem_anos", "atendimentos_qtd", "participacao_extracurricular_qtd", "dep_transporte_publico"] } }
  • Número de caracteres esperado: O JSON final deve ser conciso e informativo, com um tamanho estimado em torno de 3.000 caracteres.

1.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.7

1.3.4 Ferramentas do Agente

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

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 Execução de Consultas em Banco de Dados.

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Execução de Consultas em Banco de Dados.

RF 2. Agente de Execução de Consultas em Banco de Dados

2.1 Tarefa do Agente

Realizar conexão e consulta às fontes de dados acadêmicos e sociais para obter o dataset consolidado de alunos.

2.2 Prompt ou Instruções do Agente 
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo parâmetros de consulta para acessar dados acadêmicos e sociais de alunos. Esses dados são críticos para calcular o risco de evasão escolar.

# 2. Objetivo
Realizar conexão e consulta às fontes de dados acadêmicos e sociais para obter o dataset consolidado de alunos.

# 3. Regras que você deve seguir para gerar sua resposta
- Este agente apenas executa a consulta conforme os parâmetros recebidos e retorna os dados brutos no formato especificado.
2.3 Configurações do Agente

2.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão bem-sucedida do agente anterior (RF 1).
  • Tipo do input: Este agente deve ser apto a receber como input um JSON contendo os parâmetros de consulta gerados pelo agente anterior.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 3.000 caracteres.

2.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON contendo o dataset consolidado de alunos, com todos os campos necessários para a análise de risco de evasão.
  • Exemplo de Estrutura de Output: 
     { "dataset_alunos": [ {"aluno_id": "string", "escola_id": "string", "serie": "string", "turma": "string", "turno": "string", "frequencia_pct": 0-100, "faltas_injustificadas": int, "media_bimestral": 0-10, "tendencia_media": -10 a 10, "incidentes_qtd": int, "distancia_km": number, "vulnerabilidade_idx": 0-1, "trabalho_horas_sem": int, "repetencias": int, "defasagem_anos": number, "atendimentos_qtd": int, "participacao_extracurricular_qtd": int, "dep_transporte_publico": true|false } ] }
  • Número de caracteres esperado: O JSON final deve ter um tamanho estimado em torno de 10.000 caracteres, dependendo do número de alunos e da quantidade de dados retornados.

2.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.5

2.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Conecta-se ao banco de dados escolar para executar consultas conforme os parâmetros recebidos.

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 Cálculo de Risco de Evasão.

2.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Cálculo de Risco de Evasão.

RF 3. Agente de Cálculo de Risco de Evasão

3.1 Tarefa do Agente

Calcular a pontuação e a classificação de risco de evasão por aluno com base em regras determinísticas.

3.2 Prompt ou Instruções do Agente 
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um dataset consolidado de alunos com dados acadêmicos e sociais. Esses dados são críticos para calcular a pontuação e a classificação de risco de evasão escolar.

# 2. Objetivo
Calcular a pontuação e a classificação de risco de evasão por aluno com base em regras determinísticas.

# 3. Regras que você deve seguir para gerar sua resposta
- Inicializar score em 0 por aluno. Aplicar contribuições parciais conforme abaixo (somatório truncado entre 0 e 100):
  1) Frequência: se frequencia_pct < 60: +35; 60-74: +25; 75-84: +15; 85-89: +8; ≥90: +0.
  2) Faltas injustificadas (no período): 0-2: +0; 3-5: +5; 6-10: +10; >10: +15.
  3) Desempenho (media_bimestral 0-10): <4: +20; 4-5.9: +12; 6-6.9: +6; ≥7: +0.
  4) Tendência de notas (tendencia_media pontos no período): ≤-2: +10; -2 a -0.5: +6; -0.5 a 0.5: +2; >0.5: +0.
  5) Incidentes disciplinares: 0: +0; 1: +5; 2-3: +8; ≥4: +12.
  6) Defasagem idade-série (anos): 0: +0; 0.5-1: +6; 1-2: +10; >2: +14.
  7) Repetências prévias: 0: +0; 1: +6; ≥2: +10.
  8) Vulnerabilidade socioeconômica (vulnerabilidade_idx 0-1): ≥0.8: +12; 0.6-0.79: +8; 0.4-0.59: +4; <0.4: +0.
  9) Trabalho do aluno (horas/sem): 0: +0; 1-10: +4; 11-20: +8; >20: +12.
  10) Distância à escola (km) ou dependência de transporte: dist >10: +6; 5-10: +3; <5: +0; se dep_transporte_publico = true e dist >5: +3 adicional.
  11) Participação extracurricular (qtd no período): 0: +6; 1-2: +2; ≥3: +0.
  12) Atendimentos psicossociais recentes (atendimentos_qtd): 0: +0; 1-2: +4; ≥3: +6.
- Tratar dados faltantes: quando variável ausente, não somar pontos desta variável e adicionar ao flags_dados.faltantes.
- Tratar inconsistências: se frequencia_pct fora de 0-100 ou media_bimestral fora de 0-10, mover variável a flags_dados.inconsistentes e ignorar sua contribuição.
- Calcular prob_evasao = round(score_risco / 100, 2).
- Definir nivel_risco: score ≥70: "alto"; 40-69: "medio"; <40: "baixo".
- Preencher fatores_top com até 3 fatores com maior contribuição (>0), nomeados: "frequencia_baixa", "faltas_injustificadas", "desempenho_baixo", "queda_notas", "incidentes", "defasagem", "repetencias", "vulnerabilidade", "trabalho", "distancia_transporte", "baixa_participacao", "atendimento_psicossocial".
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: Este agente deve ser apto a receber como input um JSON contendo o dataset consolidado de alunos, com todos os campos necessários para a análise de risco de evasão.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 10.000 caracteres.

3.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON contendo a pontuação de risco e a classificação de cada aluno, além dos fatores de risco predominantes.
  • Exemplo de Estrutura de Output: 
     { "risco_por_aluno": [ { "aluno_id": "string", "escola_id": "string", "serie": "string", "turma": "string", "turno": "string", "score_risco": 0-100, "prob_evasao": 0-1, "nivel_risco": "alto|medio|baixo", "fatores_top": [ {"fator": "frequencia_baixa", "contribuicao": number}, {"fator": "queda_notas", "contribuicao": number} ], "flags_dados": {"faltantes": ["nome_var"], "inconsistentes": ["nome_var"]} } ] }
  • Número de caracteres esperado: O JSON final deve ter um tamanho estimado em torno de 5.000 caracteres, dependendo do número de alunos avaliados.

3.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

3.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Utiliza lógica interna para calcular a pontuação de risco e a probabilidade de evasão.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

3.3.5 Memória

3.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Geração de Plano de Retenção Personalizado.

RF 4. Agente de Geração de Plano de Retenção Personalizado

4.1 Tarefa do Agente

Gerar ações de retenção personalizadas e mensuráveis com base nos fatores de risco predominantes de cada aluno.

4.2 Prompt ou Instruções do Agente 
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo dados de risco de evasão por aluno, incluindo pontuações, classificações e fatores de risco identificados. Esses dados são essenciais para gerar planos de retenção personalizados.

# 2. Objetivo
Gerar ações de retenção personalizadas e mensuráveis com base nos fatores de risco predominantes de cada aluno.

# 3. Regras que você deve seguir para gerar sua resposta
- Mapear fatores_top para ações base conforme tabela de decisão:
  • frequencia_baixa/faltas_injustificadas: convocar_familia (prazo 7 dias, intensidade alta), plano_presenca_diaria (semanal), visita_domiciliar (se risco alto).
  • desempenho_baixo/queda_notas: tutoria_reforco (semanal), plano_estudo_personalizado (quinzenal), acompanhamento_prof_regente (semanal).
  • incidentes: mediação_conflitos (quinzenal), acompanhamento_socioemocional (semanal), contrato_pedagogico (mensal).
  • defasagem/repetencias: reforco_estruturado (semanal), recuperação_paralela (semanal), reclassificação_avaliar (unico) para casos específicos.
  • vulnerabilidade: encaminhamento_assistencia_social (unico), cesta_servicos (mensal), transporte_educacional_prioridade (mensal) se distancia_transporte presente.
  • trabalho: flexibilizacao_horario (unico), contraturno_flex (semanal), articulação_empregador_familia (unico).
  • distancia_transporte: ajuste_rota_transporte (unico), vale_transporte_estudantil (mensal), oferta_estudo_online_parcial (semanal).
  • baixa_participacao: engajamento_extracurricular (mensal), mentorias_pares (quinzenal).
  • atendimento_psicossocial: continuidade_acompanhamento (semanal), reavaliacao_plano_caso (mensal).
- Para nivel_risco:
  • alto: incluir no mínimo 3 ações, intensidade alta em pelo menos 1, prazo inicial ≤ 7 dias para 1 ação.
  • medio: 2-3 ações, intensidade média predominante, primeiros prazos ≤ 14 dias.
  • baixo: 1-2 ações, intensidade baixa/média, prazos até 30 dias.
- Definir responsavel padrão por ação conforme natureza: convocar_familia/coordenacao; tutoria_reforco/professor_regente; mediação_conflitos/orientacao; encaminhamento_assistencia_social/assistencia_social.
- Definir kpis e metas: sempre incluir frequencia_pct e, quando desempenho_baixo presente, incluir media_bimestral; metas padrão: frequencia_pct ≥ 85% (risco médio) e ≥ 90% (risco alto); media_bimestral ≥ 6 (médio) e ≥ 7 (alto). Ajustar metas no objeto meta_kpis conforme nivel_risco.
- Gerar acao_id legível: snake_case do nome base + sufixo de aluno_id.
4.3 Configurações do Agente

4.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 3).
  • Tipo do input: Este agente deve ser apto a receber como input um JSON contendo a pontuação de risco e a classificação de cada aluno, além dos fatores de risco predominantes.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 5.000 caracteres.

4.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON contendo planos de retenção personalizados para cada aluno, com ações específicas, responsáveis, prazos e metas definidas.
  • Exemplo de Estrutura de Output: 
     { "planos_por_aluno": [ { "aluno_id": "string", "nivel_risco": "alto|medio|baixo", "acoes": [ { "acao_id": "string", "descricao": "string", "responsavel": "orientacao|professor_regente|coordenacao|assistencia_social|familia", "prazo_dias": int, "frequencia": "unico|semanal|quinzenal|mensal", "intensidade": "baixa|media|alta", "criterio_sucesso": "string", "kpis": ["frequencia_pct", "media_bimestral"], "meta_kpis": {"frequencia_pct": ">=85", "media_bimestral": ">=6"} } ] } ] }
  • Número de caracteres esperado: O JSON final deve ter um tamanho estimado em torno de 4.000 caracteres, dependendo do número de alunos e das ações planejadas.

4.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.7

4.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Utiliza lógica interna para definir prazos e metas dos planos de retenção.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

4.3.5 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 Métricas e Monitoramento de Eficácia.

4.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Métricas e Monitoramento de Eficácia.

RF 5. Agente de Métricas e Monitoramento de Eficácia

5.1 Tarefa do Agente

Avaliar periodicamente a eficácia das ações implementadas e propor ajustes quando metas não forem alcançadas.

5.2 Prompt ou Instruções do Agente 
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo planos de retenção personalizados e leituras de KPIs atuais para alunos. Esses dados são essenciais para avaliar a eficácia das ações implementadas.

# 2. Objetivo
Avaliar periodicamente a eficácia das ações implementadas e propor ajustes quando metas não forem alcançadas.

# 3. Regras que você deve seguir para gerar sua resposta
- Comparar leituras_kpi_atual com meta_kpis por aluno; definir atingiu_metas = true somente se todos os KPIs com meta atingirem o critério.
- Regras de ajuste:
  • Se nivel_risco = alto e frequencia_pct < 85%: incluir recomendacao "aumentar_intensidade" e sugerir visita_domiciliar em até 7 dias.
  • Se houve piora de score_risco ≥ 10 pontos vs último histórico: recomendacao "substituir_acao" por alternativa do mesmo fator principal.
  • Se incidentes_qtd ≥ 2 no mês: recomendacao "acionar_rede_protecao".
  • Caso metas atingidas por 2 medições consecutivas: recomendacao "manter_plano" e proxima_revisao_em_dias = 30; caso contrário, 14 para risco médio/alto e 21 para baixo.
- Propor no máximo 2 proximas_acoes_sugeridas por aluno, coerentes com fatores predominantes do plano atual.
5.3 Configurações do Agente

5.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 4).
  • Tipo do input: Este agente deve ser apto a receber como input um JSON contendo planos de retenção personalizados e leituras de KPIs atuais.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 4.000 caracteres.

5.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON contendo a avaliação de eficácia das ações, recomendações de ajuste e próximas ações sugeridas para cada aluno.
  • Exemplo de Estrutura de Output: 
     { "avaliacao_eficacia": [ { "aluno_id": "string", "atingiu_metas": true|false, "kpis_atual": {"frequencia_pct": number, "media_bimestral": number, "incidentes_qtd": number}, "recomendacao_ajuste": ["manter_plano", "aumentar_intensidade", "substituir_acao", "acionar_rede_protecao"], "proximas_acoes_sugeridas": [ {"acao_id": "string", "descricao": "string", "intensidade": "baixa|media|alta", "prazo_dias": int} ], "proxima_revisao_em_dias": int } ] }
  • Número de caracteres esperado: O JSON final deve ter um tamanho estimado em torno de 3.000 caracteres, dependendo do número de alunos e das avaliações realizadas.

5.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.5

5.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Utiliza lógica interna para avaliar a eficácia das ações e propor ajustes.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

5.3.5 Memória

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

5.3.6 Regras de Orquestração e Transição

A execução deste agente finaliza o fluxo. A avaliação de eficácia e sugestões de ajuste devem ser disponibilizadas para análise pelos responsáveis educacionais.

Posts Relacionados

© 2025 prototipe.ai. Todos os direitos reservados.