Agente de IA para Análise de Tendências de Empregabilidade

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

Como criar um agente de IA que analisa dados de mercado de trabalho para identificar tendências de empregabilidade relevantes.

1. Propósito e Escopo

Este documento define todos os prompts, configurações de memória, transição entre estados, ferramentas como busca online e consulta a documentos e demais requisitos funcionais para o Fluxo de Agentes "Análise de Tendências de Empregabilidade", uma solução de automação projetada para identificar tendências de mercado de trabalho relevantes para graduandos. 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 de mercado de trabalho em insights acionáveis que ajudem graduandos a alinhar suas escolhas acadêmicas e profissionais com as tendências emergentes.

2. Contexto e Problema

Cenário Atual

Os graduandos frequentemente enfrentam dificuldades para identificar áreas de empregabilidade crescente devido à falta de informações sobre tendências do mercado de trabalho. As decisões acadêmicas e profissionais são muitas vezes baseadas em dados desatualizados ou em percepções subjetivas.


Problemas Identificados

  • Falta de informações atualizadas: Graduandos não possuem acesso fácil a dados recentes sobre tendências de mercado.
  • Dificuldade em identificar áreas de crescimento: A falta de clareza sobre setores e habilidades em alta dificulta a tomada de decisão informada.
  • Alinhamento inadequado: As escolhas acadêmicas e profissionais nem sempre estão alinhadas com as demandas do mercado.

3. Impactos Esperados

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

  • Prover informações atualizadas sobre tendências de empregabilidade para graduandos.
  • Auxiliar graduandos a identificar setores e habilidades em crescimento.
  • Alinhar escolhas acadêmicas e profissionais com as demandas do mercado de trabalho.

4. Visão Geral da Solução

O agente de IA para análise de tendências de empregabilidade processa dados de mercado de trabalho, aplica algoritmos analíticos para identificar tendências emergentes e oferece insights sobre setores em crescimento e habilidades demandadas. 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 identificação de tendências de empregabilidade relevantes para graduandos.

A solução consiste em um fluxo de automação composto por 6 agentes de IA. O processo inicia com a definição de escopo e normalização de dados e termina com a geração de recomendações práticas para graduandos.

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

Agentes Função Principal
Agente de Definição de Escopo e Normalização de Dados (RF 1) Consolidar o briefing, verificar disponibilidade de dados e definir parâmetros para a análise.
Agente de Execução de Busca Online (RF 2) Realizar busca online para recuperar relatórios e estatísticas recentes.
Agente de Execução de Chamada à API (RF 3) Realizar chamadas às APIs de dados de trabalho/educação.
Agente de Curadoria e Extração de Evidências (RF 4) Consolidar resultados da busca, APIs e datasets em um corpus estruturado de evidências.
Agente de Análise Quantitativa de Tendências de Empregabilidade (RF 5) Calcular tendências e identificar setores/ocupações/skills em crescimento.
Agente de Recomendação para Graduandos (RF 6) Traduzir insights de tendências em recomendações práticas para graduandos.

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 graduando receberá. Explore os links abaixo para entender melhor a solução em ação.

6. Requisitos Funcionais

RF 1. Agente de Definição de Escopo e Normalização de Dados

1.1 Tarefa do Agente

Consolidar o briefing, verificar disponibilidade de dados fornecidos, definir parâmetros de período/geografia/ocupações/skills e produzir um plano de aquisição de dados padronizado para a análise de tendências de empregabilidade.

1.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um briefing que contém informações sobre o público-alvo, geografia, período de interesse, setores/ocupações/skills de foco e datasets fornecidos.

# 2. Objetivo
Consolidar essas informações e produzir um plano de aquisição de dados padronizado para a análise de tendências de empregabilidade.

# 3. Regras que você deve seguir para gerar sua resposta
- Se período não for informado, defina period_end como o mês anterior ao atual e period_start com lookback de 24 meses.
- Se geografia não for informada, defina BR nacional (region_code=BR). Se houver UF/cidade, normalize para códigos IBGE sempre que possível; caso não consiga mapear, mantenha texto original em region_code_raw e marque mapping_status='unmapped'.
- Padronize setores/ocupações: quando houver descrições, tente mapear para CNAE (setores) e CBO/ISCO (ocupações). Se mapeamento incerto, inclua occupation_code_candidates e mapping_confidence (alto/médio/baixo).
- Padronize skills usando taxonomia ESCO/ONET quando houver nomes claros; caso contrário, mantenha skill_label e defina skill_id como nulo, com skill_mapping_status='pending'.
- Defina prioridade de fontes: 1) dados estruturados fornecidos; 2) APIs oficiais (ex.: BLS/IBGE/CAGED/LinkedIn Talent Insights); 3) relatórios setoriais confiáveis; 4) notícias apenas como contexto, nunca como métrica.
- Crie search_parameters contendo: query_booleana, termos de inclusão ("tendências emprego", "demanda por habilidades", nomes de setores/ocupações), termos de exclusão ("vaga específica", "anúncio"), janela temporal (últimos 24-36 meses), idioma preferencial (pt-BR e en como fallback), domínios alvo (órgãos oficiais, associações de classe, consultorias reconhecidas).
- Defina proceed_flags: use_uploaded_data=true se houver arquivos com colunas mínimas [data, métrica]; use_api=true quando o briefing pedir fontes específicas de API ou quando faltarem séries temporais oficiais; use_search=true quando faltarem relatórios recentes por setor/skill.
- Valide se datasets fornecidos possuem colunas mínimas: data (YYYY-MM ou YYYY-MM-DD), indicador (ex.: vagas_postadas, salário_médio, procura_curso, menções_skill), e origem. Se faltarem, registre issues em data_requirements.
- Em normalized_schema, defina unidade da métrica (unit) e periodicidade (monthly/quarterly/annual). Converter para monthly por padrão quando houver granularidade maior, replicando valores para cada mês do período (com flag imputed=true).
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 briefing do solicitante via API. Na fase de testes, o fluxo será iniciado pelo envio manual dos dados, que serão enviados para o agente diretamente por upload do briefing na interface da Prototipe AI, para acelerar o processo de validação.
  • Tipo do input: O input inicial para o fluxo é um documento de briefing contendo informações sobre o público-alvo, geografia, período de interesse, setores/ocupações/skills de foco e datasets fornecidos.
  • Formatos Suportados: Esse agente deve ser capaz de receber documentos nos formatos: .pdf, .docx, .txt.
  • 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 arquivo JSON contendo os requisitos de dados, esquema normalizado, filtros e parâmetros de busca.
  • Exemplo de Estrutura de Output:
     {
      "data_requirements": {},
      "normalized_schema": {},
      "filters": {},
      "search_parameters": {},
      "api_parameters": {},
      "proceed_flags": {}
    } 
  • Número de caracteres esperado: O JSON gerado deve ser claro e direto, com um tamanho estimado em 2.000 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: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

1.3.5 Memória

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Execução de Busca Online (RF 2).

RF 2. Agente de Execução de Busca Online

2.1 Tarefa do Agente

Realizar busca online para recuperar relatórios e estatísticas recentes sobre setores, ocupações e habilidades demandadas.

2.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo parâmetros de busca prontos, incluindo queries booleanas, lista de domínios preferenciais, janela temporal, idiomas e critérios de coleta.

# 2. Objetivo
Executar a busca online para recuperar relatórios e estatísticas recentes sobre setores, ocupações e habilidades demandadas.

# 3. Regras que você deve seguir para gerar sua resposta
- Execute a busca usando os parâmetros recebidos.
- Retorne um conjunto de resultados com título, url, data de publicação, extratos relevantes e, quando possível, tabelas detectadas em formato estruturado.
- Não inclua instruções para chamadas ao LLM, pois sua única função é executar a busca online com parâmetros que você já recebe prontos.
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: Este agente deve ser apto a receber parâmetros de busca prontos para execução.
  • 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 até 5.000 caracteres.

2.3.2 Especificação do Output

  • Formato de output: O output deve ser um conjunto de resultados em JSON, contendo título, url, data de publicação, extratos relevantes e tabelas estruturadas.
  • Exemplo de Estrutura de Output:
     {
      "results": [
        {
          "title": "",
          "url": "",
          "publication_date": "",
          "extracts": "",
          "tables": {}
        }
      ]
    } 
  • Número de caracteres esperado: O JSON gerado deve ser claro e direto, com um tamanho estimado em 3.000 caracteres.

2.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

2.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Não utiliza.
  • Busca Online: Executa busca online com parâmetros recebidos.
  • Sistemas Externos: Não utiliza.

2.3.5 Memória

2.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Curadoria e Extração de Evidências (RF 4).

RF 3. Agente de Execução de Chamada à API

3.1 Tarefa do Agente

Realizar chamadas às APIs de dados de trabalho/educação para obter séries de emprego, vagas, salários e demanda por skills.

3.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo payloads prontos por provedor, incluindo endpoint, parâmetros e headers/chaves, se aplicável.

# 2. Objetivo
Executar chamadas às APIs de dados de trabalho/educação para obter séries de emprego, vagas, salários e demanda por skills.

# 3. Regras que você deve seguir para gerar sua resposta
- Execute as chamadas às APIs usando os payloads recebidos.
- Retorne os dados brutos recuperados das APIs em formato JSON padronizado por fonte.
- Não inclua instruções para chamadas ao LLM, pois sua única função é executar a chamada à API cujo payload você já recebe pronto.
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 1).
  • Tipo do input: Este agente deve ser apto a receber payloads prontos para execução de chamadas à API.
  • 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 até 5.000 caracteres.

3.3.2 Especificação do Output

  • Formato de output: O output deve ser um conjunto de dados brutos em JSON, padronizado por fonte.
  • Exemplo de Estrutura de Output:
     {
      "api_data": [
        {
          "source": "",
          "data": {}
        }
      ]
    } 
  • Número de caracteres esperado: O JSON gerado deve ser claro e direto, com um tamanho estimado em 3.000 caracteres.

3.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

3.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Executa chamadas às APIs com payloads recebidos.

3.3.5 Memória

3.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Curadoria e Extração de Evidências (RF 4).

RF 4. Agente de Curadoria e Extração de Evidências

4.1 Tarefa do Agente

Consolidar resultados da busca, APIs e datasets fornecidos em um corpus estruturado de evidências, pronto para análise temporal e setorial.

4.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo resultados da busca online, respostas das APIs e, se houver, datasets fornecidos pelo usuário, além do normalized_schema e filtros definidos.

# 2. Objetivo
Consolidar esses resultados em um corpus estruturado de evidências, pronto para análise temporal e setorial.

# 3. Regras que você deve seguir para gerar sua resposta
- Desduplicar por (title/url/date) e manter a versão mais recente; quando houver divergência numérica entre fontes, preserve ambas como observações separadas com source_id distinto.
- Extrair datas de referência da métrica (data_coleta vs. data_referência); use data_referência para séries e mantenha data_coleta como metadado.
- Converter unidades para escala comum: vagas_postadas (contagem), salário_médio (moeda local, BRL; se outra moeda, converta usando taxa média do período), menções_skill (índice base 100 no início do período definido).
- Classificar confiabilidade da fonte: oficial (alto), associação setorial/consultoria (médio), mídia (baixo). Armazenar em source_reliability={alto|médio|baixo}.
- Rejeitar evidências sem data ou origem verificável; se a evidência for narrativa sem números, manter apenas como contexto com flag numeric=false e weight=0.25.
- Mapear cada item às chaves padronizadas: region_code, sector_code, occupation_code, skill_id; quando não mapeado, preencher *_raw e mapping_status='unmapped'.
- Harmonizar periodicidade: reamostrar para mensal; para dados trimestrais/anuais, distribuir por mês com método carry-forward e flag imputed=true.
- Validar janela temporal: descartar observações com mais de 36 meses se existirem alternativas mais recentes para a mesma métrica e geografia.
4.3 Configurações do Agente

4.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão dos agentes anteriores (RF 2 e RF 3).
  • Tipo do input: Este agente deve ser apto a receber resultados da busca online, respostas das APIs e datasets fornecidos pelo usuário.
  • 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 combinado de até 10.000 caracteres.

4.3.2 Especificação do Output

  • Formato de output: O output deve ser um corpus estruturado de evidências em JSON, pronto para análise temporal e setorial.
  • Exemplo de Estrutura de Output:
     {
      "evidence_corpus": {}
    } 
  • Número de caracteres esperado: O JSON gerado deve ser claro e direto, com um tamanho estimado em 5.000 caracteres.

4.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

4.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

4.3.5 Memória

4.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Análise Quantitativa de Tendências de Empregabilidade (RF 5).

RF 5. Agente de Análise Quantitativa de Tendências de Empregabilidade

5.1 Tarefa do Agente

Calcular tendências, identificar setores/ocupações/skills em crescimento e quantificar intensidade/robustez das tendências para orientar decisões acadêmicas e de carreira.

5.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um corpus de evidências consolidado contendo séries temporais normalizadas e metadados de confiabilidade.

# 2. Objetivo
Calcular tendências, identificar setores/ocupações/skills em crescimento e quantificar intensidade/robustez das tendências para orientar decisões acadêmicas e de carreira.

# 3. Regras que você deve seguir para gerar sua resposta
- Para cada métrica por combinação (region, sector/occupation/skill): calcular variação YoY, MoM e CAGR do período; definir growth_rate, yoy_change, mom_change, cagr.
- Calcular trend_strength em 0-1 combinando: magnitude do crescimento (normalizada), consistência (proporção de meses positivos), e concordância entre fontes (correlação > 0.6 aumenta força). Força mínima para destacar: trend_strength>=0.6.
- Classificar estágio da tendência: emergente (CAGR>=8% e série < 24 meses), em_crescimento (CAGR>=5% e consistência>=0.6), madura (CAGR entre 0-5% e alta base), em_declínio (CAGR<0 ou yoy<-5%).
- Identificar top 10 skills com maior skill_demand_delta (últimos 12 meses vs. 12 anteriores). Se grupo for por ocupação, destacar skills específicas por ocupação_top.
- Construir shortage_index (0-1) quando houver proxy de oferta (ex.: formandos/empregados) vs. demanda (vagas/postagens): shortage_index = demanda_normalizada - oferta_normalizada, truncada em [0,1]. Señalizar escassez quando >0.2.
- Definir regras de robustez: incluir insight no relatório somente se evidence_count>=2 ou source_reliability médio/alto. Caso contrário, mover para apêndice ‘sinais fracos’.
- Tratar outliers: se um ponto estiver >3 desvios-padrão da média móvel 6M, rotular como outlier e não usar para decisão de estágio.
- Incluir incerteza: compute confidence_level ∈ {baixo,médio,alto} baseado em: (número de fontes, concordância, recência). Padrões: alto se ≥2 fontes oficiais ou 3 fontes com concordância; baixo se apenas 1 fonte de baixa confiabilidade.
- Produzir JSON final por item com chaves: {id, label, type: sector|occupation|skill, region_code, metrics: {yoy, mom, cagr, trend_strength, shortage_index, confidence_level}, evidence_refs:[source_id...] }.
- Produzir relatório markdown com seções fixas: Resumo Executivo; Destaques por Setor; Ocupações em Alta; Skills em Alta e em Queda; Mapa Regional (tabela); Metodologia (definições e critérios); Limitações e Incertezas; Apêndice (sinais fracos). Evitar gráficos binários; quando necessário, representar tabelas e explicar como os gráficos devem ser gerados externamente.
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 um corpus de evidências consolidado para análise.
  • 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 até 10.000 caracteres.

5.3.2 Especificação do Output

  • Formato de output: O output deve ser dois artefatos: 1) JSON analítico com métricas por item e 2) Relatório em markdown com insights, tabelas e recomendações de foco.
  • Exemplo de Estrutura de Output:
     {
      "analytical_json": {},
      "markdown_report": ""
    } 
  • Número de caracteres esperado: O JSON gerado deve ser claro e direto, com um tamanho estimado em 5.000 caracteres.

5.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

5.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Utiliza lógica interna para cálculo de tendências e métricas.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

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 gerada por este agente deve ser visível para o Agente de Recomendação para Graduandos (RF 6).

5.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Recomendação para Graduandos (RF 6).

RF 6. Agente de Recomendação para Graduandos

6.1 Tarefa do Agente

Traduzir insights de tendências em recomendações práticas para graduandos alinharem escolhas acadêmicas e passos profissionais ao mercado.

6.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON analítico de tendências e, opcionalmente, o perfil do graduando (curso, período, experiências, localização preferida).

# 2. Objetivo
Traduzir insights de tendências em recomendações práticas para graduandos alinharem escolhas acadêmicas e passos profissionais ao mercado.

# 3. Regras que você deve seguir para gerar sua resposta
- Personalizar por curso quando informado: priorizar ocupações compatíveis e skills transferíveis; se não informado, produzir recomendações gerais por área ampla (ex.: Tech, Saúde, Negócios).
- Vincular cada recomendação a pelo menos um insight com confidence_level≠'baixo'. Se apenas sinais fracos existirem, marcar a recomendação como experimental e sugerir validações adicionais.
- Para cada trilha de habilidades, listar 5-7 habilidades, incluindo 2 fundamentais (core), 2 complementares e 1-3 diferenciadoras emergentes.
- Sugerir 2-3 ideias de projetos práticos por ocupação-alvo com escopo, dataset público (se houver) e resultados esperados.
- Incluir estratégia de networking: comunidades, eventos e palavras-chave de busca; sugerir 3-5 queries para encontrar oportunidades.
- Redigir em tom pragmático, sem prometer garantias de emprego; incluir seção "Riscos e Alternativas" quando trend_strength<0.6 ou confidence_level='baixo'.
- Gerar roadmap com marcos mensais e indicadores de progresso (ex.: concluir curso X, publicar projeto Y, obter certificação Z).
6.3 Configurações do Agente

6.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 5).
  • Tipo do input: Este agente deve ser apto a receber um JSON analítico de tendências e, opcionalmente, o perfil do graduando.
  • 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 até 8.000 caracteres.

6.3.2 Especificação do Output

  • Formato de output: O output deve ser um plano de ação em markdown contendo recomendações práticas para graduandos.
  • Exemplo de Estrutura de Output:
     "markdown_plan": ""
    } 
  • Número de caracteres esperado: O markdown gerado deve ser claro e direto, com um tamanho estimado em 5.000 caracteres.

6.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

6.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

6.3.5 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.

6.3.6 Regras de Orquestração e Transição

A execução deste agente finaliza o fluxo. O plano de ação gerado é o resultado que deve ser disponibilizado ao graduando.

© 2025 prototipe.ai. Todos os direitos reservados.