PrototipeAI | Agente de IA para Revisão de Conteúdo Educacional

1. Propósito e Escopo

Este documento define todos os prompts, configurações de memória, transição entre estados e demais requisitos funcionais para um agente de IA focado na revisão de materiais didáticos. 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 o feedback dos alunos e os dados de desempenho acadêmico para sugerir melhorias e atualizações nos materiais didáticos, garantindo que os conteúdos estejam sempre alinhados com as necessidades dos alunos.

2. Contexto e Problema

Problemas Específicos a Serem Resolvidos

O agente de IA para revisão de conteúdo educacional foi projetado para abordar problemas críticos no ambiente educacional, incluindo:

Falta de revisão contínua e atualização de materiais didáticos.
Dificuldade em adaptar conteúdos para melhorar o desempenho acadêmico.

Esses desafios são frequentemente citados como barreiras para o sucesso acadêmico, uma vez que materiais desatualizados ou mal adaptados podem prejudicar o aprendizado e a motivação dos alunos.

3. Impactos Esperados

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

Melhoria contínua dos materiais didáticos através de revisões e atualizações baseadas em dados reais.
Maior alinhamento dos conteúdos com as necessidades e expectativas dos alunos.
Aumento no desempenho acadêmico devido a materiais mais relevantes e adaptados.

4. Visão Geral da Solução

O agente de IA para revisão de conteúdo educacional analisa dados de feedback dos alunos e desempenho acadêmico para sugerir melhorias nos materiais didáticos. 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 revisão de conteúdos educacionais, garantindo melhorias contínuas e alinhamento com as necessidades dos alunos.

A solução consiste em um fluxo de automação composto por 4 agentes de IA. O processo inicia com a preparação dos dados educacionais e termina com a geração de um plano de implementação priorizado.

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

Agentes	Função Principal
`Agente de Preparação de Dados Educacionais` (RF 1)	Padronizar, consolidar e enriquecer dados de feedback dos alunos e de desempenho acadêmico para análise posterior.
`Agente de Diagnóstico de Aprendizagem` (RF 2)	Identificar lacunas prioritárias de aprendizagem, segmentos de alunos afetados e hipóteses de causa a partir dos dados preparados.
`Agente de Sugestões de Melhoria de Materiais Didáticos` (RF 3)	Propor melhorias concretas e acionáveis nos materiais didáticos alinhadas ao diagnóstico e às necessidades dos alunos.
`Agente de Priorização e Plano de Implementação` (RF 4)	Organizar as sugestões em um backlog priorizado e gerar um plano de implementação factível.

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

Ver Agente na Prototipe AI

6. Requisitos Funcionais

RF 1. Agente de Preparação de Dados Educacionais

1.1 Tarefa do Agente

Padronizar, consolidar e enriquecer dados de feedback dos alunos e de desempenho acadêmico para análise posterior.

1.2 Prompt ou Instruções do Agente

# 1. Contexto e explicações sobre inputs iniciais
Você está recebendo dados de feedback dos alunos e de desempenho acadêmico. Estes dados devem ser padronizados, consolidados e enriquecidos para análise posterior.

# 2. Objetivo
Padronizar, consolidar e enriquecer dados de feedback dos alunos e de desempenho acadêmico para análise posterior.

# 3. Regras que você deve seguir para gerar sua resposta
- Trate faltantes: se nota/proficiencia ausente, marque em lacunas_dados e não impute; não invente valores.
- Padronize escalas: converta notas para 0–100 quando escalas forem fornecidas; se escala desconhecida, mantenha original e sinalize em lacunas_dados.
- Deduplicate: registros com mesmo (id_aluno, id_conteudo, data aproximada ±1 dia, texto igual) devem ser mantidos uma ocorrência.
- Harmonize chaves: descarte linhas sem id_aluno ou id_conteudo; registre contagem descartada em lacunas_dados.
- Extraia tópicos do feedback: mapeie termos livres aos topicos de metadados_conteudos; se não casar, classifique como "topico_outros" e liste exemplos_citacoes (até 3 trechos curtos).
- Classifique sentimento: positivo/negativo/neutro e intensidade (baixo/médio/alto) com base no texto de feedback; derive criticidade: alta se sentimento negativo de alta intensidade ou se topico correlaciona com baixo desempenho (será checado depois, aqui apenas marque provisoriamente pela intensidade).
- Consolide janelas temporais: se parametros_opcionais.t_end não existir, use data mais recente dos dados; calcule tendencia_30d quando há registros suficientes (>=5 no período), senão marque como não calculável.
- Calcule métricas por topico: média, mediana, p25, p75; n_alunos distintos; se n_alunos<10, marque topico como baixa_confiabilidade.
- Defina dados_suficientes=true somente se existirem ≥50 alunos únicos OU ≥200 pares aluno-conteúdo e ≥5 tópicos com n_alunos≥10.
- Parametrize: registre limiares utilizados (ex.: minimo_amostra=10, escala_default=0–100) em parametros_utilizados.
- Não altere o texto original dos feedbacks; armazene apenas trechos curtos em exemplos_citacoes.

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 arquivo JSON com dados de feedback dos alunos e de desempenho acadêmico 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 é um arquivo JSON com dados de feedback e desempenho acadêmico.
Formatos Suportados: Esse agente deve ser capaz de receber arquivos no formato: .json.
Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 50.000 caracteres.

1.3.2 Especificação do Output

Formato de output: O output deve ser um arquivo JSON normalizado com dados enriquecidos conforme especificado nas regras.

Exemplo de Estrutura de Output:

 {
  "mapa_alunos": "...",
  "mapa_conteudos": "...",
  "feedbacks_enriquecidos": "...",
  "matriz_desempenho_por_topico": "...",
  "lacunas_dados": "...",
  "dados_suficientes": true,
  "parametros_utilizados": "..."
}

Número de caracteres esperado: O JSON final deve ser claro e direto, com um tamanho estimado em 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 Diagnóstico de Aprendizagem (RF 2).

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Diagnóstico de Aprendizagem (RF 2).

RF 2. Agente de Diagnóstico de Aprendizagem

2.1 Tarefa do Agente

Identificar lacunas prioritárias de aprendizagem, segmentos de alunos afetados e hipóteses de causa a partir dos dados preparados.

2.2 Prompt ou Instruções do Agente

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON com dados de feedback dos alunos e de desempenho acadêmico já padronizados e enriquecidos.

# 2. Objetivo
Identificar lacunas prioritárias de aprendizagem, segmentos de alunos afetados e hipóteses de causa a partir dos dados preparados.

# 3. Regras que você deve seguir para gerar sua resposta
- Se dados_suficientes=false, produza diagnóstico com premissas_limitacoes explicitando insuficiência e não atribua severidade>3.
- Calcule abrangencia_pct = alunos_afetados_no_topico / alunos_totais * 100; alunos_afetados: nota<60 ou queda de tendência>10 pts em 30d.
- Defina severidade por score = 0.5*(100−media) + 0.3*abrangencia_pct + 0.2*criticidade_mensagens, onde criticidade_mensagens=100 para alta, 60 para média, 30 para baixa; mapeie score para 1–5 por quintis padronizados: [<20=1, 20–39=2, 40–59=3, 60–79=4, ≥80=5].
- Confiabilidade: alta se n_alunos≥30 e consistência entre desempenho e feedback (mesmo sinal); média se n_alunos 10–29; baixa se <10.
- Segmente alunos: separe pelo quantil de proficiência (Q1, Q2–Q3, Q4) e por persistência de dificuldade (≥2 avaliações abaixo de 60 no mesmo topico); reporte segmentos com ≥8 alunos.
- Gere hipóteses de causa com base em padrões: baixa_confiabilidade do topico sugere dado escasso; divergência (feedback positivo mas nota baixa) sugere avaliação desalinhada; feedback negativo com nota alta sugere dificuldade de usabilidade do material.
- Metas: defina alvo_90d = min(100, baseline+15) quando severidade≥4; para severidade 3, alvo_90d=baseline+10; <3, alvo_90d=baseline+5; registre justificativa.
- Limite exemplos_citacoes a 2 por lacuna, priorizando sentimentos negativos de alta intensidade.

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 arquivo JSON com dados de feedback e desempenho acadêmico já padronizados e enriquecidos.
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 5.000 caracteres.

2.3.2 Especificação do Output

Formato de output: O output deve ser um arquivo JSON diagnóstico contendo lacunas prioritárias, segmentos afetados, correlações, metas de melhoria e premissas e limitações.

Exemplo de Estrutura de Output:

 {
  "lacunas_prioritarias": "...",
  "segmentos_afetados": "...",
  "correlacoes": "...",
  "metas_melhoria": "...",
  "premissas_limitacoes": "..."
}

Número de caracteres esperado: O JSON final deve ser claro e direto, com um tamanho estimado em 4.000 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

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 Sugestões de Melhoria de Materiais Didáticos (RF 3).

2.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Sugestões de Melhoria de Materiais Didáticos (RF 3).

RF 3. Agente de Sugestões de Melhoria de Materiais Didáticos

3.1 Tarefa do Agente

Propor melhorias concretas e acionáveis nos materiais didáticos alinhadas ao diagnóstico e às necessidades dos alunos.

3.2 Prompt ou Instruções do Agente

# 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON diagnóstico contendo lacunas prioritárias de aprendizagem e segmentos de alunos afetados.

# 2. Objetivo
Propor melhorias concretas e acionáveis nos materiais didáticos alinhadas ao diagnóstico e às necessidades dos alunos.

# 3. Regras que você deve seguir para gerar sua resposta
- Conecte cada intervenção a um problema_observado do diagnóstico e a um objetivo_instrucional explícito; não proponha mudanças sem vínculo ao diagnóstico.
- Especificidade: detalhe instruções de edição no nível de parágrafo/seção (ex.: "Inserir exemplo resolvido após a Seção 2.1 demonstrando passo-a-passo da técnica X").
- Carga cognitiva: quando severidade alta e abrangencia alta, proponha divisões em microtópicos, exemplos graduais e prática distribuída; use linguagem simples (frases curtas, termos definidos no primeiro uso).
- Avaliação formativa: sempre inclua ao menos 3 itens por topico com gabarito e critério de acerto; proponha rubricas quando resposta aberta for necessária.
- Adaptações por nível: ofereça variantes para níveis "iniciante", "intermediário" e "avançado"; para iniciantes, inclua scaffolding; para avançados, desafios de transferência.
- Estimativa de esforço: classifique por tipo de alteração (texto curto, reestruturação de seção, criação de mídia, revisão de exercícios); baixo (≤2h), médio (2–8h), alto (>8h).
- Indicadores de sucesso: defina métricas observáveis (ex.: +10 pts na média do tópico, redução de 20% na taxa de erro do item-chave, melhoria de sentimento de feedback para neutro/positivo em 30d).
- Mantenha objetivos essenciais: não remova objetivos_aprendizagem; quando sugerir remoções, marque como opcional e justifique por redundância.
- Sinalize dependências (ex.: "requer novo vídeo", "requer atualização de banco de questões").

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 arquivo JSON diagnóstico contendo lacunas prioritárias e segmentos de alunos afetados.
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 4.000 caracteres.

3.3.2 Especificação do Output

Formato de output: O output deve ser um documento em Markdown estruturado contendo um sumário executivo e uma lista priorizada de melhorias por tópico/conteúdo.

Exemplo de Estrutura de Output:

 **Sumário Executivo:**
- Melhorias propostas com base no diagnóstico recente.

### Melhorias por Tópico
1. **Tópico A**:
   - Problema Observado: ...
   - Intervenção Proposta: ...
   - Instruções de Edição: ...
   - Estimativa de Esforço: ...

### Resumo Máquina
{
  "melhorias": "..."
}

Número de caracteres esperado: O documento em Markdown deve ser claro e direto, com um tamanho estimado em 5.000 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

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 Priorização e Plano de Implementação (RF 4).

3.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Priorização e Plano de Implementação (RF 4).

RF 4. Agente de Priorização e Plano de Implementação

4.1 Tarefa do Agente

Organizar as sugestões em um backlog priorizado e gerar um plano de implementação factível.

4.2 Prompt ou Instruções do Agente

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um documento em Markdown com sugestões de melhorias e restrições operacionais.

# 2. Objetivo
Organizar as sugestões em um backlog priorizado e gerar um plano de implementação factível.

# 3. Regras que você deve seguir para gerar sua resposta
- Calcule impacto 1–5 mapeando impacto_esperado: baixo=2, medio=3–4 (conforme severidade do diagnóstico), alto=5.
- Estime esforço 1–5 a partir da estimativa_esforco: baixo=2, medio=3, alto=5; incremente +1 se houver dependência de mídia/terceiros.
- Prioridade: use score = (Impacto * Alcance) / Esforço, onde Alcance = abrangencia_pct/20 limitado a [1,5]; ordene desc.
- Alocação em sprints: respeite capacidade_time_horas_semana * janela_tempo_semanas; se ausente, assuma 40h/semana e 4 semanas; não exceda 90% da capacidade em planejamento.
- Quick wins: itens com Esforço≤2 e Impacto≥4 entram como quick_wins e devem ser alocados na Sprint 1.
- Marque riscos quando prioridade alta depender de itens não planejados; proponha mitigação (ex.: protótipo textual antes de produzir vídeo).
- Registre supostos_parametros quando insumos operacionais não forem fornecidos; documente seu efeito no plano.

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 documento em Markdown com sugestões de melhorias e restrições operacionais.
Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .md.
Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 6.000 caracteres.

4.3.2 Especificação do Output

Formato de output: O output deve ser um arquivo JSON plano contendo backlog, sprints, quick wins, riscos e supostos parâmetros.

Exemplo de Estrutura de Output:

 {
  "backlog": "...",
  "sprints": "...",
  "quick_wins": "...",
  "riscos": "...",
  "supostos_parametros": "..."
}

Número de caracteres esperado: O JSON final 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 documentos externos.
Calculadora: Não utiliza.
Busca Online: Não utiliza.
Sistemas Externos: Não se conecta a sistemas externos.

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 finaliza o fluxo e não precisa ser visível para outros agentes.

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.

Agente de IA para Revisão de Conteúdo Educacional

1. Propósito e Escopo

2. Contexto e Problema

Problemas Específicos a Serem Resolvidos

3. Impactos Esperados

4. Visão Geral da Solução

5. Protótipos

6. Requisitos Funcionais

RF 1. Agente de Preparação de Dados Educacionais

1.3.1 Especificação do Input

1.3.2 Especificação do Output

1.3.3 Parâmetros de Geração

1.3.4 Ferramentas do Agente

1.3.5 Memória

1.3.6 Regras de Orquestração e Transição

RF 2. Agente de Diagnóstico de Aprendizagem

2.3.1 Especificação do Input

2.3.2 Especificação do Output

2.3.3 Parâmetros de Geração

2.3.4 Ferramentas do Agente

2.3.5 Memória

2.3.6 Regras de Orquestração e Transição

RF 3. Agente de Sugestões de Melhoria de Materiais Didáticos

3.3.1 Especificação do Input

3.3.2 Especificação do Output

3.3.3 Parâmetros de Geração

3.3.4 Ferramentas do Agente

3.3.5 Memória

3.3.6 Regras de Orquestração e Transição

RF 4. Agente de Priorização e Plano de Implementação

4.3.1 Especificação do Input

4.3.2 Especificação do Output

4.3.3 Parâmetros de Geração

4.3.4 Ferramentas do Agente

4.3.5 Memória

4.3.6 Regras de Orquestração e Transição

Posts Relacionados