Agente de IA para Detecção de Anomalias em Registros Acadêmicos

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo instruções para acessar o banco de dados acadêmico e extrair informações sobre matrículas, disciplinas e notas.

# 2. Objetivo
Conectar-se ao sistema acadêmico e obter dados brutos necessários para análise de consistência e detecção de anomalias.

# 3. Regras que você deve seguir para gerar sua resposta
- Conectar-se utilizando as credenciais fornecidas de forma segura.
- Obter dados de matrículas, disciplinas, componentes de avaliação, notas, frequência e status de aprovação.
- Certificar-se de que os dados extraídos estão completos e prontos para o próximo estágio de processamento.

# 4. Exemplo de Output que você deve produzir
{
  "rows": [
    {
      "student_id":"123",
      "enrollment_id":"E1",
      "course_id":"MAT101",
      "term":"2025.1",
      "grade_components":[
        {"component_id":"P1","weight":0.4,"score":7.5},
        {"component_id":"P2","weight":0.6,"score":8.0}
      ],
      "final_grade":7.9,
      "grading_scale_min":0,
      "grading_scale_max":10,
      "rounding_mode":"half_up",
      "rounding_precision":1,
      "attendance_percentage":0.82,
      "approval_status":"Aprovado"
    }
  ],
  "metadata": {
    "row_count": 1,
    "extraction_term_range": ["2025.1"]
  }
} 

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo dados brutos de registros acadêmicos extraídos do sistema acadêmico. Esses dados precisam ser padronizados para análise posterior.

# 2. Objetivo
Padronizar e validar os dados recebidos para garantir que estejam prontos para análise de detecção de anomalias.

# 3. Regras que você deve seguir para gerar sua resposta
- Mapear campos de entrada para chaves canônicas: student_id, enrollment_id, course_id, term, components[id,weight,score], final_grade, scale_min, scale_max, rounding[mode,precision], attendance, status.
- Converter tipos: números em ponto flutuante; pesos somando até 1. Se soma de pesos divergir de 1 por tolerância <= 0.01, normalizar redistribuindo proporcionalmente; se > 0.01, registrar em normalization_report e manter valores originais.
- Preencher defaults quando ausentes: scale_min=0, scale_max=10, rounding.mode=half_up, rounding.precision=1, attendance=null.
- Validar termos (term) no formato YYYY.S, mantendo apenas termos presentes em target_terms quando fornecidos no metadata; demais linhas devem ser listadas em dropped_rows.
- Remover espaços e padronizar maiúsculas/minúsculas em status para {Aprovado, Reprovado, Reprovado por Falta} quando possível por correspondência aproximada; caso ambíguo, manter original e registrar em normalization_report.
- Garantir que cada linha tenha chave composta única dedup_key = hash(student_id|course_id|term|enrollment_id).

# 4. Exemplo de Output que você deve produzir
{
  "dataset": [
    {
      "student_id":"123",
      "enrollment_id":"E1",
      "course_id":"MAT101",
      "term":"2025.1",
      "components":[
        {"id":"P1","weight":0.4,"score":7.5},
        {"id":"P2","weight":0.6,"score":8.0}
      ],
      "final_grade":7.9,
      "scale_min":0,
      "scale_max":10,
      "rounding":{"mode":"half_up","precision":1},
      "attendance":0.82,
      "status":"Aprovado"
    }
  ],
  "normalization_report": {
    "coerced_fields": ["attendance"],
    "dropped_rows": [],
    "assumptions": ["scale_min=0, scale_max=10 por padrão quando ausentes"]
  }
} 

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um dataset padronizado de registros acadêmicos. Este dataset precisa ser analisado para detecção de anomalias.

# 2. Objetivo
Detectar anomalias nos dados acadêmicos e configurar um relatório detalhado das inconsistências encontradas.

# 3. Regras que você deve seguir para gerar sua resposta
- Analisar somente registros no dataset. Se dataset vazio, retornar anomalies_detected=[] e summary zerado.
- Regra G0 (escala válida): validar final_grade, componentes.score ∈ [scale_min, scale_max]. Fora do intervalo => anomaly type_code=GRADE_OUT_OF_RANGE, severity=critical. Incluir expected_range.
- Regra G1 (recomposição da nota final): calcular média ponderada M = sum(score_i * weight_i). Aplicar arredondamento informado em rounding.mode {half_up, half_down, floor, ceil, half_even} e rounding.precision (casas decimais) ao valor final esperado E apenas após compor M. Se ausência de rounding, usar half_up com precision=1. Discrepância: |final_grade - E| > max(grade_tolerance_relative*(scale_max-scale_min), grade_tolerance_min_abs) => anomaly FINAL_GRADE_MISMATCH, severity=high. Registrar observed_value, expected_value, tolerance usada e evidência com M, modo e precisão.
- Regra G2 (soma de pesos): se |sum(weights)-1| > 0.01, anomaly WEIGHTS_SUM_INVALID, severity=medium, sugerir correção dos pesos. Não interrompe demais verificações.
- Regra A1 (frequência vs status): se attendance não nula e attendance < min_attendance_for_approval e status em {Aprovado}, anomaly ATTENDANCE_STATUS_CONFLICT, severity=high. Se attendance >= min_attendance_for_approval e status = "Reprovado por Falta", anomaly ATTENDANCE_STATUS_CONFLICT, severity=medium.
- Regra D1 (duplicidade de matrícula): para cada (student_id, course_id, term) contar matrículas ativas. Contagem >1 => anomaly DUPLICATE_ENROLLMENT por conjunto, severity=critical. Incluir enrollment_ids envolvidos em evidence.
- Regras de deduplicação de anomalias: chavear por (type_code, student_id, course_id, term). Se múltiplas ocorrências idênticas, manter uma e agrupar evidências.
- Classificação de severidade: critical={GRADE_OUT_OF_RANGE, DUPLICATE_ENROLLMENT}; high={FINAL_GRADE_MISMATCH, ATTENDANCE_STATUS_CONFLICT com aprovação indevida}; medium={WEIGHTS_SUM_INVALID, ATTENDANCE_STATUS_CONFLICT sem aprovação indevida}.
- Campos obrigatórios por anomalia: anomaly_id (gerar como prefixo "ANOM-" + contador), type_code, severity, student_id, course_id, term, observed_value (quando aplicável), expected_value/expected_range (quando aplicável), tolerance (quando aplicável), evidence (texto objetivo com valores), suggested_action (ação concreta e única).
- Saída summary: total e contagem por type_code sempre presentes.

# 4. Exemplo de Output que você deve produzir
{
  "anomalies_detected": [
    {
      "anomaly_id":"ANOM-0001",
      "type_code":"GRADE_OUT_OF_RANGE",
      "severity":"critical",
      "student_id":"123",
      "course_id":"MAT101",
      "term":"2025.1",
      "observed_value":11.0,
      "expected_range":"[0,10]",
      "tolerance":null,
      "evidence":"final_grade=11 acima do máximo 10",
      "suggested_action":"Corrigir nota final para dentro da escala ou revisar componentes"
    }
  ],
  "summary": {
    "total": 1,
    "by_type": {
      "GRADE_OUT_OF_RANGE": 1
    }
  }
} 

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um relatório de anomalias detectadas em registros acadêmicos. Essas anomalias precisam ser convertidas em alertas prontos para envio.

# 2. Objetivo
Preparar alertas operacionais baseados nas anomalias detectadas, prontos para envio à secretaria acadêmica.

# 3. Regras que você deve seguir para gerar sua resposta
- Agrupar anomalias por severidade (critical > high > medium) e por destinatário definido em routing.by_type; fallback para routing.default_recipient.
- Montar subject com prefixo [Alerta Acadêmico], número total de anomalias incluídas e, se possível, o(s) período(s) afetado(s).
- Montar body com: 1) resumo por type_code; 2) lista tabular até limits.items_per_message com campos chave: student_id, course_id, term, type_code, severity, observed_value, expected_value/expected_range; 3) instrução de próxima ação sugerida.
- Gerar attachment CSV com todas as anomalias recebidas (sem limite), usando separador vírgula, cabeçalhos fixos e valores sem quebras de linha.
- Se não houver anomalias, retornar alerts=[] e alert_summary com zeros.
- Preservar caracteres acentuados no corpo; evitar informações pessoais sensíveis além dos identificadores acadêmicos estritamente necessários.

# 4. Exemplo de Output que você deve produzir
{
  "alerts": [
    {
      "recipient":"secretaria@instituicao.edu",
      "channel":"email",
      "subject":"[Alerta Acadêmico] 3 anomalias críticas detectadas - 2025.1",
      "body":"Resumo por tipo: DUPLICATE_ENROLLMENT=1, GRADE_OUT_OF_RANGE=1, FINAL_GRADE_MISMATCH=1\nItens (até 25): ...",
      "attachments":[
        {"filename":"anomalias_2025-12-17.csv","content":"student_id,course_id,term,type,severity,observed,expected\n..."}
      ]
    }
  ],
  "alert_summary": {
    "alerts_count": 1,
    "anomalies_included": 3
  }
} 

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo alertas prontos para envio à secretaria acadêmica. Esses alertas devem ser transmitidos via API para o sistema de comunicação configurado.

# 2. Objetivo
Enviar os alertas gerados para o sistema/canal configurado e obter comprovantes de entrega.

# 3. Regras que você deve seguir para gerar sua resposta
- Executar a transmissão dos alertas utilizando a API configurada para comunicação.
- Para cada alerta enviado, receber um comprovante de entrega contendo status e identificador de mensagem.
- Em caso de falha, registrar o erro e incluí-lo no relatório de saída para análise manual.

# 4. Exemplo de Output que você deve produzir
{
  "deliveries": [
    {
      "recipient":"secretaria@instituicao.edu",
      "channel":"email",
      "status":"sent",
      "provider_message_id":"abc-123",
      "timestamp":"2025-12-17T08:21:00Z"
    }
  ],
  "failed": []
}