Agente de IA para Identificação de Alunos com Necessidades Especiais

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

Agente de IA que analisa padrões de aprendizado e comportamento para identificar alunos que podem precisar de apoio educacional especial.

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 "Identificação de Alunos com Necessidades Especiais", uma solução de automação projetada para analisar padrões de aprendizado e comportamento de alunos. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.

O objetivo principal é identificar precocemente alunos que possam ter necessidades educacionais especiais, sinalizando aqueles que podem precisar de avaliação adicional ou apoio especializado.

2. Contexto e Problema

Problemas Específicos

O sistema educacional atual enfrenta desafios significativos na identificação precoce de alunos que podem ter necessidades educacionais especiais. A falta de recursos para monitorar continuamente o desenvolvimento dos alunos resulta em:

  • Dificuldade na identificação precoce de alunos que necessitam de apoio educacional especial.
  • Ausência de ferramentas para monitorar o desenvolvimento dos alunos de forma contínua e eficaz.

Além disso, a colaboração entre educadores para adaptar estratégias de ensino é limitada, o que pode impactar negativamente o desenvolvimento acadêmico e social dos alunos.

3. Impactos Esperados

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

  • Identificação precoce de necessidades educacionais especiais para permitir intervenções mais eficazes.
  • Monitoramento contínuo do desenvolvimento dos alunos para ajustar estratégias de ensino em tempo real.
  • Colaboração aprimorada entre educadores para adaptar as abordagens pedagógicas às necessidades dos alunos.

4. Visão Geral da Solução

O agente de IA para identificação de alunos com necessidades especiais analisa padrões de aprendizado e comportamento, sinaliza alunos que podem precisar de apoio adicional e colabora com educadores para adaptar estratégias de ensino. 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 necessidades educacionais especiais.

A solução consiste em um fluxo de automação composto por 6 agentes de IA. O processo inicia com a preparação e padronização dos dados do aluno e termina com a recomendação de estratégias de ensino personalizadas.

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

Agentes Função Principal
Agente de Preparação e Padronização de Dados do Aluno (RF 1) Receber dados heterogêneos de desempenho e comportamento e produzir um dataset padronizado por aluno/período.
Agente de Detecção de Padrões Atípicos (RF 2) Identificar padrões atípicos e mudanças abruptas nas métricas de aprendizado e comportamento por aluno.
Agente de Classificação de Risco e Priorização (RF 3) Consolidar anomalias por aluno e calcular um score de risco com priorização e recomendação de próximo passo.
Agente de Sinalização e Resumo para Educadores (RF 4) Gerar um alerta compreensível e acionável para educadores, com evidências e sugestões iniciais.
Agente de Consolidação de Feedback do Educador (RF 5) Estruturar o feedback do educador após a sinalização e atualizar o status do caso.
Agente de Recomendações de Estratégias de Ensino Personalizadas (RF 6) Sugerir estratégias pedagógicas e plano de acompanhamento alinhados às necessidades observadas.

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 os educadores receberão. Explore os links abaixo para entender melhor a solução em ação.

6. Requisitos Funcionais

RF 1. Agente de Preparação e Padronização de Dados do Aluno

1.1 Tarefa do Agente

Receber dados heterogêneos de desempenho e comportamento e produzir um dataset padronizado por aluno/período com variáveis derivadas e prontas para análise.

1.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo dados heterogêneos de desempenho e comportamento de alunos. Esses dados incluem eventos e métricas brutas por aluno, como notas, presenças, atrasos, ocorrências disciplinares, participação em aula, envio de tarefas e observações livres.

# 2. Objetivo
Produzir um dataset padronizado por aluno/período com variáveis derivadas e prontas para análise.

# 3. Regras que você deve seguir para gerar sua resposta
- Janela de agregação: consolidar dados por semana (segunda a domingo) e por mês; definir periodo_referencia conforme granularidade recebida (priorizar semanal; se <3 observações na semana, cair para mensal).
- Notas: calcular nota_media_periodo como média ponderada por peso de avaliação quando disponível; se ausente, média simples; desvio_nota é desvio-padrão das notas no período.
- Assiduidade: taxa_presenca = presenças_confirmadas / dias_letivos_no_periodo; taxa_atraso = atrasos / dias_letivos_no_periodo.
- Comportamento: freq_ocorrencias = ocorrencias_disciplinares / dias_letivos_no_periodo; score_participacao de 0 a 1 derivado de participação_em_aula normalizada por turma (participacoes_do_aluno / média_da_turma, truncado em [0,2], reescalado para [0,1]).
- Tarefas: taxa_tarefas_entregues = tarefas_entregues / tarefas_previstas_no_periodo; se tarefas_previstas=0, definir nulo.
- Mudanças semanais: mudanca_nota_wo_w e mudanca_presenca_wo_w = valor_atual - valor_medio_4_semanas_anteriores.
- Normalização de contexto: calcular média e desvio por turma e por série para cada métrica; incluir ambos em contexto_normativo.
- Tratamento de faltantes: se percentual_faltantes>40% em métricas-chave (nota, presenca), marcar qualidade_dado.min_observacoes 
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 desempenho e comportamento dos alunos via API. Na fase de testes, os dados serão enviados pelo agente diretamente por upload de um csv na interface da Prototipe AI, para acelerar o processo de validação.
  • Tipo do input: O input inicial para o fluxo é um conjunto de dados estruturados em formato JSON.
  • Formatos Suportados: Esse agente deve ser capaz de receber dados nos formatos: .json, .csv.
  • 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: O output deve ser um conjunto de dados padronizados em formato JSON, contendo variáveis derivadas e prontas para análise.
  • Exemplo de Estrutura de Output:
     {
      "aluno_id": "12345",
      "periodo_referencia": "2025-12-20",
      "features": {
        "nota_media_periodo": 8.5,
        "desvio_nota": 1.2,
        "taxa_presenca": 0.95,
        "taxa_atraso": 0.05
      },
      "contexto_normativo": {
        "media_turma": 8.0,
        "desvio_turma": 1.0,
        "media_serie": 7.8,
        "desvio_serie": 1.1
      }
    } 
  • Número de caracteres esperado: O conjunto de dados padronizados deverá ter um tamanho estimado em torno 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: 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 Detecção de Padrões Atípicos (RF 2).

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Detecção de Padrões Atípicos (RF 2).

RF 2. Agente de Detecção de Padrões Atípicos

2.1 Tarefa do Agente

Identificar padrões atípicos e mudanças abruptas nas métricas de aprendizado e comportamento por aluno.

2.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um conjunto de dados padronizados por aluno/período. Esses dados incluem variáveis derivadas de desempenho e comportamento, além de contexto normativo.

# 2. Objetivo
Identificar padrões atípicos e mudanças abruptas nas métricas de aprendizado e comportamento por aluno.

# 3. Regras que você deve seguir para gerar sua resposta
- Suficiência de dados: definir dados_suficientes=false se qualidade_dado.percentual_faltantes>40% OU qualidade_dado.min_observacoes<3; se false, não produzir anomalias.
- Desvios por nível (tipo=nivel): gerar anomalia quando |z_turma|>=2 para métricas [nota_media_periodo (z invertido), taxa_presenca (z invertido), freq_ocorrencias, taxa_tarefas_entregues (z invertido), score_participacao (z invertido)]; severidade alta se |z|>=3, média se 2.5<=|z|<3, baixa se 2<=|z|<2.5.
- Mudança abrupta (tipo=mudanca_abrupta): sinalizar se |mudanca_nota_wo_w| >= 1.0 ponto OU variação de taxa_presenca >= 0.15 em relação à média das 4 semanas anteriores.
- Tendência (tipo=tendencia): se houver 3 períodos consecutivos de queda em nota_media_periodo (>=0.3 cada) ou presença (>=0.05 cada), criar anomalia de tendência.
- Concordância multivariada: elevar severidade em um nível se duas ou mais métricas-chave estiverem anômalas no mesmo período.
- Semanas sazonais: se sazonal=true (ex.: semana de prova), reduzir severidade em um nível para anomalias de nível em notas; não reduzir para presença ou comportamento.
- Filtros de ruído: não criar anomalia de mudanca_abrupta para taxa_presenca se dias_letivos_no_periodo<3.
- Limites inferiores/superiores: truncar valores de métricas para [0,1] quando aplicável antes do cálculo de z-score normalizado.
- Observações de contexto: incluir flags de calendário (ex.: 'semana_provas', 'feriado_prolongado') quando presentes no input. 
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 conjunto de dados padronizados em formato JSON, contendo variáveis derivadas e contexto normativo.
  • 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 até 5.000 caracteres.

2.3.2 Especificação do Output

  • Formato de output: O output deve ser um conjunto de dados em formato JSON, contendo as anomalias identificadas e informações de suficiência de dados.
  • Exemplo de Estrutura de Output:
     {
      "aluno_id": "12345",
      "periodo_referencia": "2025-12-20",
      "anomalías": [
        {
          "categoria": "presenca",
          "metrica": "taxa_presenca",
          "valor": 0.6,
          "referencia": 0.95,
          "z_turma": -2.5,
          "tipo": "nivel",
          "severidade": "media"
        }
      ],
      "dados_suficientes": true
    } 
  • Número de caracteres esperado: O conjunto de dados de anomalias deverá ter um tamanho estimado em torno de 3.000 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: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

2.3.5 Memória

2.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Classificação de Risco e Priorização (RF 3).

RF 3. Agente de Classificação de Risco e Priorização

3.1 Tarefa do Agente

Consolidar anomalias por aluno e calcular um score de risco com priorização e recomendação de próximo passo.

3.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um conjunto de dados de anomalias identificadas por aluno. Esses dados incluem informações de suficiência de dados e anomalias categorizadas por severidade.

# 2. Objetivo
Consolidar anomalias por aluno e calcular um score de risco com priorização e recomendação de próximo passo.

# 3. Regras que você deve seguir para gerar sua resposta
- Se dados_suficientes=false, definir risk_score=0, faixa_prioridade='baixa', requer_avaliacao=false e incluir motivo 'dados_insuficientes'.
- Pesos por domínio: aprendizado=0.5 (notas, tarefas), comportamento=0.3 (ocorrencias, participacao), assiduidade=0.2 (presenca, atrasos).
- Mapeamento de severidade: baixa=10 pontos, media=20, alta=35 por anomalia; aplicar peso do domínio correspondente.
- Concordância multivariada: bônus adicional de +10 pontos se houver anomalias em dois domínios distintos no mesmo período; +15 se em três.
- Decaimento temporal: reduzir 20% do score acumulado para cada período consecutivo sem novas anomalias.
- Limites: truncar risk_score em [0,100].
- Faixas: 0-29=baixa, 30-59=media, 60-79=alta, 80-100=critica.
- Critérios de requer_avaliacao: true se (faixa_prioridade in ['alta','critica']) OU (faixa_prioridade='media' e persistência>=3 períodos consecutivos com qualquer anomalia).
- Motivos: usar códigos padronizados ['queda_nota','baixa_presenca','ocorrencias_repetidas','baixa_participacao','nao_entrega_tarefas','mudanca_abrupta','tendencia_negativa','dados_insuficientes'] conforme anomalias presentes.
- Janelas: definir janelas_observacao.inicio como primeiro período com anomalia nos últimos 8 períodos e fim como periodo_referencia atual. 
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 conjunto de dados em formato JSON, contendo anomalias identificadas e informações de suficiência de dados.
  • 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 até 3.000 caracteres.

3.3.2 Especificação do Output

  • Formato de output: O output deve ser um conjunto de dados em formato JSON, contendo o score de risco calculado, faixa de prioridade e recomendação de próximo passo.
  • Exemplo de Estrutura de Output:
     {
      "aluno_id": "12345",
      "periodo_referencia": "2025-12-20",
      "risk_score": 45,
      "faixa_prioridade": "media",
      "motivos": ["baixa_presenca", "mudanca_abrupta"],
      "requer_avaliacao": true,
      "janelas_observacao": {
        "inicio": "2025-11-01",
        "fim": "2025-12-20"
      }
    } 
  • Número de caracteres esperado: O conjunto de dados de risco deverá ter um tamanho estimado em torno de 2.000 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

3.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Sinalização e Resumo para Educadores (RF 4).

RF 4. Agente de Sinalização e Resumo para Educadores

4.1 Tarefa do Agente

Gerar um alerta compreensível e acionável para educadores, sem rótulos diagnósticos, com evidências e sugestões iniciais.

4.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um conjunto de dados de risco calculado por aluno. Esses dados incluem o score de risco, faixa de prioridade, motivos e janelas de observação.

# 2. Objetivo
Gerar um alerta compreensível e acionável para educadores, com evidências e sugestões iniciais.

# 3. Regras que você deve seguir para gerar sua resposta
- Título: 'Sinalização de acompanhamento — risco {faixa_prioridade}' com aluno_id suprimido se o canal exigir anonimização; usar identificador interno quando possível.
- Resumo factual: 2-3 frases citando métricas, magnitudes e janelas (ex.: 'queda de 1.2 pontos na média nas últimas 4 semanas e presença 18% abaixo da turma').
- Evidências: listar no máximo 5 evidencias_chave com metrica, valor, referência (média_turma/serie) e tipo de anomalia.
- Contexto: se houver flags sazonais, incluir em possiveis_fatores_contextuais; não usar isso para descartar, apenas contextualizar.
- Sugestões iniciais: propor ações não diagnósticas e de baixo risco (ex.: checagem de compreensão, reforço de rotinas, monitoramento de presença com registro diário, ajuste de carga de tarefa).
- Perguntas para observação: 3-5 perguntas específicas para sala (ex.: 'há necessidade de instruções segmentadas?', 'distrações frequentes em atividades silenciosas?').
- Mapeamento de próxima ação: critico→'encaminhar_avaliacao_especializada'; alta→'contato_responsaveis' ou 'orientacaoEducacional'; media→'observar' com prazo; baixa→'observar'.
- Linguagem: evitar termos clínicos/diagnósticos; focar em comportamentos observáveis e dados objetivos.
- Privacidade: não incluir dados sensíveis além do necessário; orientar uso do canal institucional apropriado. 
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 conjunto de dados em formato JSON, contendo o score de risco calculado, faixa de prioridade e recomendação de próximo passo.
  • 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 até 2.000 caracteres.

4.3.2 Especificação do Output

  • Formato de output: O output deve ser um alerta compreensível e acionável para educadores, em formato JSON, contendo título, resumo factual, evidências, contexto e sugestões iniciais.
  • Exemplo de Estrutura de Output:
     {
      "aluno_id": "12345",
      "alerta": {
        "titulo": "Sinalização de acompanhamento — risco media",
        "prioridade": "media",
        "resumo_factual": "Queda de 1.2 pontos na média nas últimas 4 semanas e presença 18% abaixo da turma.",
        "evidencias_chave": [
          {
            "metrica": "nota_media_periodo",
            "valor": 7.0,
            "referencia": 8.5,
            "tipo": "nivel"
          }
        ],
        "possiveis_fatores_contextuais": ["semana_provas"],
        "sugestoes_iniciais": ["checagem de compreensão", "reforço de rotinas"],
        "perguntas_para_observacao": ["há necessidade de instruções segmentadas?", "distrações frequentes em atividades silenciosas?"]
      },
      "proxima_acao_sugerida": "observar",
      "canal_recomendado": "diario_de_classe"
    } 
  • Número de caracteres esperado: O alerta deverá ter um tamanho estimado em torno de 1.500 caracteres.

4.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

4.3.4 Ferramentas do Agente

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

4.3.5 Memória

4.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Consolidação de Feedback do Educador (RF 5).

RF 5. Agente de Consolidação de Feedback do Educador

5.1 Tarefa do Agente

Estruturar o feedback do educador após a sinalização e atualizar o status do caso para continuidade do fluxo.

5.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo feedback do educador após a sinalização. Este feedback inclui observações, classificações e ações realizadas.

# 2. Objetivo
Estruturar o feedback do educador e atualizar o status do caso para continuidade do fluxo.

# 3. Regras que você deve seguir para gerar sua resposta
- Confirmação de padrões: definir confirmacao_padroes=true se o educador reportar observações alinhadas às evidências principais; false se negar; 'inconclusivo' se ambíguo.
- Barreiras: extrair até 5 barreiras contextuais citadas (ex.: falta de material, dificuldade de instrução, contexto familiar).
- Adaptações em teste: listar estratégias já tentadas e sua percepção de eficácia (se mencionada).
- Status do fluxo: 'encaminhar_avaliacao' se acao_realizada='encaminhamento' OU faixa_prioridade anterior='critica'; 'planejar_intervencao' se confirmacao_padroes=true e prioridade∈['media','alta']; caso contrário 'aguarda_monitoramento'.
- Trigger_recomendacoes=true se status_fluxo∈['planejar_intervencao','encaminhar_avaliacao'].
- Neutralidade: registrar fielmente o relato sem inferir diagnóstico; sintetizar em sentenças curtas e objetivas. 
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 conjunto de dados em formato JSON, contendo feedback do educador e informações de classificação e ações realizadas.
  • 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 até 1.500 caracteres.

5.3.2 Especificação do Output

  • Formato de output: O output deve ser um conjunto de dados estruturados em formato JSON, contendo confirmação de padrões, barreiras, adaptações em teste, status do fluxo e trigger de recomendações.
  • Exemplo de Estrutura de Output:
     {
      "aluno_id": "12345",
      "periodo_referencia": "2025-12-20",
      "feedback_estruturado": {
        "confirmacao_padroes": true,
        "barreiras_identificadas": ["falta de material", "dificuldade de instrução"],
        "adaptacoes_em_teste": ["uso de material visual", "tempo adicional"]
      },
      "status_fluxo": "planejar_intervencao",
      "trigger_recomendacoes": true
    } 
  • Número de caracteres esperado: O conjunto de dados estruturados deverá ter um tamanho estimado em torno de 1.200 caracteres.

5.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

5.3.4 Ferramentas do Agente

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

5.3.5 Memória

5.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Recomendações de Estratégias de Ensino Personalizadas (RF 6).

RF 6. Agente de Recomendações de Estratégias de Ensino Personalizadas

6.1 Tarefa do Agente

Sugerir estratégias pedagógicas e plano de acompanhamento alinhados às necessidades observadas e ao feedback do educador.

6.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um conjunto de dados estruturados com feedback do educador e informações de status do fluxo.

# 2. Objetivo
Sugerir estratégias pedagógicas e plano de acompanhamento alinhados às necessidades observadas e ao feedback do educador.

# 3. Regras que você deve seguir para gerar sua resposta
- Objetivos SMART: gerar 2-3 objetivos mensuráveis por domínio afetado (ex.: presença, participação, tarefas) com prazo de 4-8 semanas.
- Estratégias em sala: propor até 6 ações específicas e de baixo custo (ex.: instruções em passos, tempo adicional, pares de apoio, check-ins programados), alinhadas às anomalias confirmadas.
- Acomodações avaliativas: sugerir alternativas como avaliações segmentadas, formatos multimodais ou tempo adicional quando houver evidência de queda consistente em desempenho.
- Suporte extra: quando prioridade∈['alta','critica'] ou confirmacao_padroes=true, propor orientação educacional ou reforço focalizado (carga horária sugerida).
- Plano de monitoramento: definir metricas_alvo coerentes com os motivos (ex.: taxa_presenca, nota_media_periodo, taxa_tarefas_entregues), frequência conforme prioridade (alta/critica=semanal, media=quinzenal, baixa=mensal).
- Critério de reavaliação: propor condicao de sucesso (ex.: 'ausência de novas anomalias e melhora >=0.5 ponto na nota em 4 semanas') ou de escalonamento ('persistência de anomalias por 3 períodos').
- Privacidade: incluir consideracoes_privacidade orientando comunicação adequada com responsáveis sem exposição desnecessária de dados sensíveis.
- Não diagnosticar: evitar termos clínicos; focar em adaptações pedagógicas e acompanhamento objetivo. 
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 um conjunto de dados estruturados em formato JSON, contendo feedback do educador e informações de status do fluxo.
  • 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 até 1.200 caracteres.

6.3.2 Especificação do Output

  • Formato de output: O output deve ser um conjunto de dados em formato JSON, contendo recomendações de estratégias pedagógicas e plano de acompanhamento.
  • Exemplo de Estrutura de Output:
     {
      "aluno_id": "12345",
      "recomendacoes": {
        "objetivos_smart": ["Aumentar a presença em 10% nas próximas 6 semanas"],
        "estrategias_em_sala": ["instruções em passos", "tempo adicional"],
        "acomodacoes_avaliativas": ["tempo adicional em provas"],
        "suporte_extra": ["orientação educacional com carga de 2 horas semanais"],
        "plano_monitoramento": {
          "metricas_alvo": ["taxa_presenca", "nota_media_periodo"],
          "frequencia": "semanal",
          "criterio_reavaliacao": {
            "janela": "6 semanas",
            "condicao": "ausência de novas anomalias e melhora >=0.5 ponto na nota"
          }
        }
      },
      "consideracoes_privacidade": ["orientar comunicação adequada com responsáveis"]
    } 
  • Número de caracteres esperado: O conjunto de dados de recomendações deverá ter um tamanho estimado em torno de 1.800 caracteres.

6.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

6.3.4 Ferramentas do Agente

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

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. As recomendações geradas devem ser disponibilizadas ao educador responsável.

© 2025 prototipe.ai. Todos os direitos reservados.