Agente de IA para Conversão de Notas e Avaliações

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

Como criar um agente de IA que converte diferentes formatos de notas e avaliações para um sistema padronizado.

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 "Conversão de Notas e Avaliações", uma solução de automação projetada para padronizar dados acadêmicos de diferentes formatos. 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 notas e avaliações de diferentes formatos em um sistema padronizado, facilitando a análise e comparação de dados acadêmicos.

2. Contexto e Problema

Cenário Atual

A diversidade de formatos de notas e avaliações entre diferentes cursos e instituições apresenta desafios significativos para a análise de dados acadêmicos. Problemas comuns incluem:

  • Diversidade de formatos de notas e avaliações entre diferentes cursos e instituições.
  • Dificuldade em padronizar dados para análise e comparação.
  • Risco de erros na conversão manual de notas e avaliações.

A conversão manual de notas é um processo propenso a erros, consumindo tempo valioso e comprometendo a precisão dos dados.


Problemas Identificados

  • Consumo de tempo: A conversão manual de notas é demorada e sujeita a erros.
  • Falta de padronização: A diversidade de formatos dificulta a comparação de dados acadêmicos.
  • Risco de erros: A conversão manual é propensa a erros, comprometendo a precisão dos dados.

3. Impactos Esperados

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

  • Reduzir o tempo de conversão de notas em pelo menos 80%.
  • Padronizar a qualidade e o formato de todas as notas e avaliações acadêmicas.
  • Aumentar a precisão dos dados acadêmicos convertidos.
  • Facilitar a análise e comparação de dados acadêmicos padronizados.

4. Visão Geral da Solução

O agente de IA para conversão de notas e avaliações processa dados de diferentes formatos, aplica algoritmos de conversão padronizados e gera um output consistente para análise acadêmica. 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 padronização de dados acadêmicos.

A solução consiste em um fluxo de automação composto por 6 agentes de IA. O processo inicia com a leitura e normalização dos dados de entrada e termina com a geração do dataset final padronizado para análise.

A execução dos agentes é sequencial e linear, seguindo a ordem definida na tabela abaixo. O fluxo inclui etapas de validação e revisão humana, garantindo a precisão dos dados convertidos.

Agentes Função Principal
Agente de Leitura e Normalização de Entrada (RF 1) Interpretar dados de notas e avaliações em formatos heterogêneos e normalizar para um esquema intermediário unificado.
Agente de Mapeamento de Escalas e Conversão (RF 2) Converter notas do esquema intermediário para o padrão de saída definido e preparar cálculo de médias ponderadas.
Agente de Validação e Consistência de Dados (RF 3) Aplicar checagens de integridade e consistência, sinalizando erros e determinando se a conversão está apta para uso.
Agente de Geração do Output Padronizado (RF 4) Produzir o dataset final padronizado para análise e comparação, com schema consistente e metadados de rastreabilidade.
Agente de Tratamento de Exceções e Preparação para Revisão Humana (RF 5) Consolidar ambiguidades e erros em um pacote de revisão com perguntas objetivas para decisão humana.
Agente de Reprocessamento pós-Resposta Humana (RF 6) Aplicar instruções recebidas do revisor humano ao conjunto de dados, reexecutar conversões afetadas e revalidar para emitir saída final.

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

6. Requisitos Funcionais

RF 1. Agente de Leitura e Normalização de Entrada

1.1 Tarefa do Agente

Interpretar os dados de notas e avaliações recebidos em formatos heterogêneos e normalizar para um esquema intermediário unificado.

1.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo conteúdo de notas/avaliações por turma/curso/instituição em formato texto, tabular ou JSON já disponibilizado pelo sistema de ingestão. Inclua metadados conhecidos (ex.: instituição, curso, período letivo) quando houver.

# 2. Objetivo
Interpretar os dados de notas e avaliações recebidos em formatos heterogêneos e normalizar para um esquema intermediário unificado.

# 3. Regras que você deve seguir para gerar sua resposta
- Identifique explicitamente scale_type em {0_10, 0_100, 0_20, A_F, conceitos_textuais, ECTS_A_E, aprovado_reprovado, GPA_4, GPA_5, outro} e preencha scale_detail quando necessário (ex.: faixas de conceito).
- Quando a origem não informar max_score, infira pelo padrão do scale_type (ex.: 0_10 => max_score=10; 0_100 => 100); se houver evidência de outra base (ex.: prova 30 pontos), ajuste max_score conforme o texto/legenda local.
- Extraia pesos (weight) sempre que houver menção a percentuais ou somatórios; se ausentes mas múltiplas avaliações existirem, defina weight nulo (não inferir) e marque no source_metadata.weight_source="ausente".
- Preserve todos os rótulos de origem em source_metadata (ex.: colunas originais, observações, legenda da escala, versão do documento, data de referência).
- Padronize assessment_type em {prova, trabalho, projeto, participação, atividade, final, recuperação, outro}; quando não identificável, use "outro" e registre o rótulo original em source_metadata.assessment_type_raw.
- Normalize datas para ISO-8601 (YYYY-MM-DD) quando presentes; se não presentes, deixe null.
- Não realize nenhuma conversão de escala neste agente; somente padronize a estrutura e identifique parâmetros necessários para conversão posterior.
- Em caso de notas textuais (ex.: "Sete e meio"), converta para número em raw_score=7.5 quando inequívoco; se ambíguo, mantenha null e registre a evidência textual em source_metadata.ambiguidade_nota. 
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 dados de notas e avaliações 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 arquivo na interface da Prototipe AI, para acelerar o processo de validação.
  • Tipo do input: O input inicial para o fluxo são dados de notas e avaliações em formato texto, tabular ou JSON.
  • Formatos Suportados: Esse agente deve ser capaz de receber dados nos formatos: .txt, .csv, .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 100.000 caracteres.

1.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON normalizado de nível intermediário com o esquema definido.
  • Exemplo de Estrutura de Output:
     {
      "institution_id": "123",
      "course_id": "456",
      "term_id": "789",
      "student_id": "001",
      "student_name": "João Silva",
      "assessment_id": "A1",
      "assessment_name": "Prova Final",
      "assessment_type": "prova",
      "date": "2025-12-10",
      "raw_score": 8.5,
      "max_score": 10,
      "scale_type": "0_10",
      "scale_detail": "",
      "weight": 0.3,
      "attempt": 1,
      "status": "completo",
      "approval_threshold": null,
      "source_metadata": {"weight_source": "ausente"}
    } 
  • Número de caracteres esperado: O JSON final deve ser conciso e informativo, com um tamanho estimado em torno de 5.000 caracteres por item, podendo variar conforme a complexidade dos dados.

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

  • 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 Mapeamento de Escalas e Conversão (RF 2).

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Mapeamento de Escalas e Conversão (RF 2).

RF 2. Agente de Mapeamento de Escalas e Conversão

2.1 Tarefa do Agente

Converter todas as notas do esquema intermediário para o padrão de saída definido (score_padrao em 0–100 com 2 casas decimais) e preparar cálculo de médias ponderadas quando aplicável.

2.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON intermediário normalizado contendo raw_score, max_score, scale_type, scale_detail, approval_threshold, weight e metadados.

# 2. Objetivo
Converter todas as notas do esquema intermediário para o padrão de saída definido (score_padrao em 0–100 com 2 casas decimais) e preparar cálculo de médias ponderadas quando aplicável.

# 3. Regras que você deve seguir para gerar sua resposta
- Converter numéricas: score_padrao = (raw_score/max_score)*100 com 2 casas decimais quando raw_score e max_score presentes; se apenas raw_score e scale_type conhecido (0_10, 0_20, GPA_4/5), normalize proporcionalmente ao topo da escala.
- Mapear letras/conceitos: A=95, A-=91, B+=88, B=85, B-=81, C+=78, C=75, C-=71, D+=68, D=65, D-=61, F=0; ECTS: A=95, B=85, C=75, D=65, E=55; conceitos_textuais: "Excelente"=95, "Muito bom"=88, "Bom"=80, "Regular"=70, "Suficiente"=60, "Insuficiente/Reprovado"=0, ajustando com base em legendas locais se informadas em scale_detail.
- Aprovado/Reprovado: "Aprovado"=100, "Reprovado"=0; se houver approval_threshold numérica, utilize-a para distinguir quando houver nota bruta.
- GPA: converta proporcionalmente (ex.: GPA_4: (gpa/4)*100; GPA_5: (gpa/5)*100).
- Arredondamento: mantenha 2 casas decimais; não arredonde para inteiro. Informe arredondamento_aplicado="2_casas".
- Quando faltar max_score e scale não permitir inferência segura, deixe score_padrao=null e marque perda_de_informacao=true com reason="max_score_ausente" em transformation_log.
- Não calcule médias finais neste agente; apenas prepare dados de conversão por item e registre conversao_utilizada (ex.: "proporcional_0_10_para_0_100", "mapeamento_letra_US", "ECTS"). 
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 intermediário normalizado contendo raw_score, max_score, scale_type, scale_detail, approval_threshold, weight e metadados.
  • 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 50.000 caracteres.

2.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON com os mesmos registros acrescidos de: score_padrao (0–100), conversao_utilizada, arredondamento_aplicado, flags de perda_de_informacao e transformation_log por item.
  • Exemplo de Estrutura de Output:
     {
      "institution_id": "123",
      "course_id": "456",
      "term_id": "789",
      "student_id": "001",
      "score_padrao": 85.00,
      "conversao_utilizada": "proporcional_0_10_para_0_100",
      "arredondamento_aplicado": "2_casas",
      "perda_de_informacao": false,
      "transformation_log": {"reason": ""}
    } 
  • Número de caracteres esperado: O JSON final deve ser claro e direto, com um tamanho estimado em torno de 6.000 caracteres por item.

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: Não utiliza.
  • Sistemas Externos: Não utiliza.

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 Validação e Consistência de Dados (RF 3).

2.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Validação e Consistência de Dados (RF 3).

RF 3. Agente de Validação e Consistência de Dados

3.1 Tarefa do Agente

Aplicar checagens de integridade, consistência e regras acadêmicas para sinalizar erros e determinar se a conversão está apta para uso.

3.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON com score_padrao por item, pesos, tipos de avaliação e metadados de transformação.

# 2. Objetivo
Aplicar checagens de integridade, consistência e regras acadêmicas para sinalizar erros e determinar se a conversão está apta para uso.

# 3. Regras que você deve seguir para gerar sua resposta
- Faixas: score_padrao deve estar em [0,100]; fora disso => erro severidade="alta".
- Pesos: quando existirem weights por componente de uma mesma composição de nota final, a soma deve ser 100±0.5; fora da tolerância => severidade="média" e sugestão para normalização explícita pelo humano.
- Consistência raw vs convertido: se raw_score>max_score => erro "alta"; se raw_score<0 => erro "alta".
- Escala declarada vs valores: se scale_type for 0_10 e existirem raw_score>10 => erro "alta"; se letras fora do conjunto esperado => erro "média" com sugestão de mapeamento manual.
- Presença mínima: student_id e pelo menos um dos campos {assessment_id, assessment_name} obrigatórios; ausência => erro "alta" no item.
- Datas: datas futuras acima de 365 dias do now do sistema => alerta "baixa"; datas inválidas => erro "média".
- Resultado final disponível: se todas notas de um estudante estiverem com perda_de_informacao=true => conversão não confiável => needs_human_review=true.
- Defina conversion_success=true somente se não houver erros de severidade "alta" em nenhum item; needs_human_review=true se existir pelo menos uma "alta" ou se regras críticas (pesos, presença mínima) falharem. 
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 com score_padrao por item, pesos, tipos de avaliação e metadados de transformação.
  • 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 60.000 caracteres.

3.3.2 Especificação do Output

  • Formato de output: O output deve ser um relatório de validação por turma/estudante com detalhes sobre a integridade e consistência dos dados.
  • Exemplo de Estrutura de Output:
     {
      "conversion_success": true,
      "needs_human_review": false,
      "issues": [],
      "estatisticas": {
        "itens_validos": 50,
        "itens_com_alerta": 5,
        "itens_com_erro": 0
      },
      "criterios_aplicados": []
    } 
  • Número de caracteres esperado: O relatório deve ser conciso e informativo, com um tamanho estimado em torno de 4.000 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: Não utiliza.

3.3.5 Memória

3.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Geração do Output Padronizado (RF 4) se conversion_success=true e needs_human_review=false; caso contrário, aciona o Agente de Tratamento de Exceções e Preparação para Revisão Humana (RF 5).

RF 4. Agente de Geração do Output Padronizado

4.1 Tarefa do Agente

Produzir o dataset final padronizado para análise e comparação, com schema consistente e metadados de rastreabilidade.

4.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON validado com scores convertidos e relatório de validação indicando conversion_success=true e needs_human_review=false.

# 2. Objetivo
Produzir o dataset final padronizado para análise e comparação, com schema consistente e metadados de rastreabilidade.

# 3. Regras que você deve seguir para gerar sua resposta
- Só execute se conversion_success=true e needs_human_review=false; caso contrário, não gere saída final e informe condição de bloqueio.
- Schema: utilize ponto como separador decimal; campos opcionais devem estar ausentes (não null) quando não aplicáveis.
- Aprovado?: se houver approval_threshold (numérica ou implícita por conceito), defina aprovado=true quando nota_final_estudante>=threshold; se apenas classificações binárias foram fornecidas, derive de status quando seguro.
- Cálculo de nota_final_estudante: quando existir conjunto completo de componentes com weights válidos (somando 100±0.5), calcule média ponderada de score_padrao e arredonde a 2 casas; caso contrário, omita o campo.
- Auditabilidade: inclua em audit.transformations um resumo dos conversores aplicados por escala e contadores de itens por tipo de mapeamento; inclua criterios_validacao com lista das regras ativas e suas tolerâncias. 
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) se conversion_success=true e needs_human_review=false.
  • Tipo do input: Este agente deve ser apto a receber como input um JSON validado com scores convertidos e relatório de validação.
  • 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 70.000 caracteres.

4.3.2 Especificação do Output

  • Formato de output: O output deve ser um objeto JSON final com header, data e audit, conforme especificado.
  • Exemplo de Estrutura de Output:
     {
      "header": {
        "schema_version": "1.0",
        "generated_at": "2025-12-21T07:39:00Z",
        "owner": "Cheila Portela"
      },
      "data": [
        {
          "student_id": "001",
          "course_id": "456",
          "term_id": "789",
          "assessment_id": "A1",
          "assessment_type": "prova",
          "score_padrao": 85.00,
          "weight": 0.3,
          "status": "completo",
          "aprovado": true,
          "nota_final_estudante": 85.00
        }
      ],
      "audit": {
        "transformations": {"proporcional_0_10_para_0_100": 1},
        "criterios_validacao": ["score_padrao entre 0 e 100", "pesos somando 100±0.5"]
      }
    } 
  • Número de caracteres esperado: O JSON final deve ser denso, com um tamanho mínimo esperado de 10.000 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

  • 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 resultado final e não é passada para outros agentes internos.

4.3.6 Regras de Orquestração e Transição

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

RF 5. Agente de Tratamento de Exceções e Preparação para Revisão Humana

5.1 Tarefa do Agente

Consolidar ambiguidades e erros em um pacote de revisão com perguntas objetivas para decisão humana.

5.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um relatório de validação com needs_human_review=true e dados intermediários/convertidos associados.

# 2. Objetivo
Consolidar ambiguidades e erros em um pacote de revisão com perguntas objetivas para decisão humana.

# 3. Regras que você deve seguir para gerar sua resposta
- Agrupe problemas por tipo (ex.: pesos inconsistentes, escala desconhecida, notas fora de faixa) e priorize por severidade.
- Para cada problema, formule pergunta única e objetiva, oferecendo opções restritas (ex.: "Confirmar que a escala é 0-20?" {Sim, Não, Informar outra: ___}).
- Indique impacto previsto de cada opção (ex.: recalcular score_padrao proporcionalmente; manter como nulo; rejeitar item).
- Inclua recomendações padrão (ex.: normalizar pesos para 100 mantendo proporções) quando aplicável.
- Não tente resolver automaticamente; apenas estruture para decisão humana clara. 
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 3) se needs_human_review=true.
  • Tipo do input: Este agente deve ser apto a receber como input um relatório de validação com needs_human_review=true e dados intermediários/convertidos associados.
  • 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 60.000 caracteres.

5.3.2 Especificação do Output

  • Formato de output: O output deve ser um pacote de revisão com resumo_de_problemas, itens_afetados, perguntas_ao_humano, opções de resolução padronizadas e impacto previsto em cada escolha.
  • Exemplo de Estrutura de Output:
     {
      "resumo_de_problemas": "Pesos inconsistentes detectados",
      "itens_afetados": ["001", "002"],
      "perguntas_ao_humano": ["Confirmar que a escala é 0-20?"],
      "opcoes_resolucao": {"Sim": "Recalcular score_padrao", "Não": "Manter como nulo", "Informar outra": "Rejeitar item"},
      "impacto_previsto": {"Sim": "Score recalculado", "Não": "Sem alteração", "Informar outra": "Item rejeitado"}
    } 
  • Número de caracteres esperado: O pacote de revisão deve ser informativo, com um tamanho estimado em torno de 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: Não utiliza.
  • 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 Reprocessamento pós-Resposta Humana (RF 6).

5.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Reprocessamento pós-Resposta Humana (RF 6).

RF 6. Agente de Reprocessamento pós-Resposta Humana

6.1 Tarefa do Agente

Aplicar instruções recebidas do revisor humano ao conjunto de dados, reexecutar conversões afetadas e revalidar para emitir saída final.

6.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo dados intermediários/convertidos mais respostas_humanas estruturadas do pacote de revisão.

# 2. Objetivo
Aplicar instruções recebidas do revisor humano ao conjunto de dados, reexecutar conversões afetadas e revalidar para emitir saída final.

# 3. Regras que você deve seguir para gerar sua resposta
- Aplique ajustes exatamente conforme respostas_humanas (ex.: redefinir max_score, scale_type, weight por componente, approval_threshold).
- Recalcule score_padrao apenas dos itens impactados, preservando transformação anterior nos demais.
- Revalide usando as mesmas regras do agente de validação; se conversion_success=true e sem pendências, gere saída final; caso contrário, produza novo pacote de revisão com apenas as pendências remanescentes. 
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 como input dados intermediários/convertidos mais respostas_humanas estruturadas do pacote de revisão.
  • 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 70.000 caracteres.

6.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON final padronizado equivalente ao produzido pelo Agente de Geração do Output Padronizado, ou novo relatório de validação se persistirem erros críticos.
  • Exemplo de Estrutura de Output:
     {
      "header": {
        "schema_version": "1.0",
        "generated_at": "2025-12-21T07:39:00Z",
        "owner": "Cheila Portela"
      },
      "data": [
        {
          "student_id": "001",
          "course_id": "456",
          "term_id": "789",
          "assessment_id": "A1",
          "assessment_type": "prova",
          "score_padrao": 85.00,
          "weight": 0.3,
          "status": "completo",
          "aprovado": true,
          "nota_final_estudante": 85.00
        }
      ],
      "audit": {
        "transformations": {"proporcional_0_10_para_0_100": 1},
        "criterios_validacao": ["score_padrao entre 0 e 100", "pesos somando 100±0.5"]
      }
    } 
  • Número de caracteres esperado: O JSON final deve ser denso, com um tamanho mínimo esperado de 10.000 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 resultado 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 JSON gerado é o resultado que deve ser disponibilizado ao usuário.

© 2025 prototipe.ai. Todos os direitos reservados.