PrototipeAI | Agente de IA para Monitoramento de Desempenho Acadêmico

1. Propósito e Escopo

Este documento define todos os prompts, configurações de memória, transição entre estados e demais requisitos funcionais para o agente de IA de Monitoramento de Desempenho Acadêmico. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.

O objetivo principal é analisar dados de desempenho acadêmico dos estudantes para identificar padrões e sugerir intervenções personalizadas, facilitando o acompanhamento individual e eficaz dos alunos.

2. Contexto e Problema

Cenário Atual

O acompanhamento do desempenho acadêmico dos alunos é um desafio constante devido ao grande volume de dados e à necessidade de intervenções personalizadas. Problemas específicos incluem:

Dificuldade em acompanhar o desempenho de cada aluno individualmente devido ao grande volume de dados.
Identificação tardia de alunos com desempenho abaixo do esperado.
Falta de personalização nas intervenções educacionais.

Atualmente, essas questões são abordadas de forma manual e reativa, o que pode resultar em intervenções tardias e menos eficazes.

Problemas Identificados

Volume de dados: A quantidade de dados de desempenho é grande, tornando difícil o acompanhamento individual de cada aluno.
Intervenções tardias: A identificação de alunos com dificuldades ocorre muitas vezes de forma tardia, prejudicando a eficácia das intervenções.
Falta de personalização: As intervenções educacionais não são personalizadas, o que pode reduzir sua eficácia.

3. Impactos Esperados

A implementação deste agente de IA visa alcançar os seguintes resultados:

Melhorar o acompanhamento do desempenho dos alunos de forma mais eficiente e personalizada.
Identificar rapidamente alunos em risco de baixo desempenho, permitindo intervenções oportunas.
Proporcionar intervenções educacionais personalizadas para maximizar a eficácia do ensino.

4. Visão Geral da Solução

O agente de IA para monitoramento de desempenho acadêmico analisa dados de desempenho dos estudantes, identifica padrões e sugere intervenções personalizadas. A seguir são detalhadas todas as regras de negócio e especificações funcionais necessárias para que esse agente atue como um assistente eficaz na gestão do desempenho acadêmico dos estudantes.

A solução consiste em um fluxo de automação composto por 2 agentes de IA. O processo inicia com a análise de dados de desempenho acadêmico e termina com sugestões de intervenções personalizadas.

A execução dos agentes é sequencial e linear, conforme detalhado na tabela abaixo.

Agentes	Função Principal
`Agente de Análise de Dados de Desempenho Acadêmico` (RF 1)	Analisar dados de desempenho acadêmico dos estudantes para identificar padrões e tendências.
`Agente de Sugestão de Intervenções Educacionais` (RF 2)	Sugerir intervenções educacionais personalizadas com base nos padrões de desempenho identificados.

5. Protótipos

Para proporcionar uma visão clara e tangível da solução proposta, criamos protótipos que demonstram o fluxo de trabalho dos agentes e os resultados esperados. Explore os links abaixo para entender melhor a solução em ação.

Ver Agente na Prototipe AI

6. Requisitos Funcionais

RF 1. Agente de Análise de Dados de Desempenho Acadêmico

1.1 Tarefa do Agente

Analisar dados de desempenho acadêmico dos estudantes para identificar padrões e tendências.

1.2 Prompt ou Instruções do Agente

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo dados históricos de desempenho acadêmico dos estudantes em formato CSV. Estes dados contêm colunas como 'nome', 'nota', 'disciplina' e 'data'.

# 2. Objetivo
Analisar os dados para identificar padrões de melhora ou declínio, considerando variáveis como notas, disciplinas e datas.

# 3. Regras que você deve seguir para gerar sua resposta
- Analise os dados históricos de desempenho acadêmico para identificar padrões de melhora ou declínio, considerando variáveis como notas, disciplinas e datas.
- Identifique alunos que estão consistentemente abaixo da média e classifique-os como 'alunos_em_risco'.
- Reconheça tendências positivas, como melhoria contínua em certas disciplinas, e registre-as como 'tendencias_positivas'.
- Identifique tendências negativas, como declínio de desempenho em disciplinas específicas, e registre-as como 'tendencias_negativas'.
- Priorize a análise de dados recentes para garantir intervenções atualizadas.

# 4. Exemplo de Output que você deve produzir
{
  "alunos_em_risco": ["João Silva", "Maria Oliveira"],
  "tendencias_positivas": ["Melhoria em Matemática"],
  "tendencias_negativas": ["Declínio em História"]
}

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 históricos de desempenho acadêmico em formato CSV via API. Na fase de testes, os dados serão enviados diretamente por upload na interface da Prototipe AI, para acelerar o processo de validação.
Tipo do input: O input inicial para o fluxo é um arquivo CSV contendo dados históricos de desempenho acadêmico.
Formatos Suportados: Esse agente deve ser capaz de receber dados em formato CSV.
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 relatório em formato JSON contendo padrões identificados, como 'alunos_em_risco', 'tendencias_positivas', 'tendencias_negativas'.

Exemplo de Estrutura de Output:

 {
  "alunos_em_risco": ["João Silva", "Maria Oliveira"],
  "tendencias_positivas": ["Melhoria em Matemática"],
  "tendencias_negativas": ["Declínio em História"]
}

Número de caracteres esperado: O JSON gerado deve ter um tamanho aproximado de 1.000 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 Sugestão de Intervenções Educacionais (RF 2).

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Sugestão de Intervenções Educacionais (RF 2).

RF 2. Agente de Sugestão de Intervenções Educacionais

2.1 Tarefa do Agente

Sugerir intervenções educacionais personalizadas com base nos padrões de desempenho identificados.

2.2 Prompt ou Instruções do Agente

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um relatório em formato JSON com padrões identificados, como 'alunos_em_risco', 'tendencias_positivas', 'tendencias_negativas'.

# 2. Objetivo
Sugerir intervenções educacionais personalizadas com base nos padrões identificados.

# 3. Regras que você deve seguir para gerar sua resposta
- Para cada 'aluno_em_risco', sugira intervenções específicas que abordem suas dificuldades, como tutoria adicional ou recursos de estudo personalizados.
- Para 'tendencias_positivas', sugira formas de manter o progresso, como desafios avançados ou projetos especiais.
- Para 'tendencias_negativas', proponha intervenções corretivas, como sessões de revisão ou ajustes no método de ensino.
- Assegure que cada intervenção seja claramente alinhada com os padrões identificados para garantir eficácia.

# 4. Exemplo de Output que você deve produzir
{
  "intervencoes": [
    {
      "intervencao_id": "1",
      "descricao": "Tutoria adicional para João Silva em Matemática",
      "aluno_destinatario": "João Silva"
    }
  ]
}

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 como input um relatório em formato JSON com padrões identificados.
Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json (JSON).
Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 2.000 caracteres.

2.3.2 Especificação do Output

Formato de output: O output deve ser uma lista de intervenções sugeridas em formato JSON, incluindo 'intervencao_id', 'descricao', 'aluno_destinatario'.