Agente de IA para Análise de Dados de Uso de Vale-Transporte

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

Como criar um agente de IA que analisa os dados de uso de vale-transporte para gerar insights sobre padrões de deslocamento.

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 "Análise de Dados de Uso de Vale-Transporte", uma solução de automação projetada para gerar insights sobre padrões de deslocamento e otimização de rotas a partir de dados de uso de vale-transporte. 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 o input de dados de uso de vale-transporte em informações acionáveis, que detalham padrões de deslocamento, sugerem otimizações de rotas e auxiliam na tomada de decisões estratégicas para melhorar a eficiência do transporte.

2. Contexto e Problema

Cenário Atual

Atualmente, o sistema de transporte enfrenta desafios significativos devido à falta de insights sobre os padrões de deslocamento dos usuários de vale-transporte e ineficiências nas rotas. Esses desafios incluem:

  • Falta de dados detalhados sobre como os usuários utilizam o vale-transporte.
  • Ineficiências nas rotas de transporte devido à falta de otimização baseada em dados.
  • Dificuldade em tomar decisões estratégicas para melhorar a eficiência do transporte.

A ausência de análises robustas e insights acionáveis impede que as operadoras de transporte otimizem suas operações e melhorem a experiência do usuário.


Problemas Identificados

  • Falta de insights: Não há uma compreensão clara dos padrões de deslocamento, o que dificulta a otimização das rotas.
  • Ineficiências nas rotas: As rotas atuais não são otimizadas com base em dados, resultando em tempos de viagem mais longos e menor satisfação do usuário.
  • Decisões estratégicas inadequadas: A falta de dados dificulta a tomada de decisões estratégicas para melhorar a eficiência do transporte.

3. Impactos Esperados

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

  • Melhoria dos insights sobre padrões de deslocamento, possibilitando uma melhor compreensão de como os usuários utilizam o transporte.
  • Otimização das rotas de transporte com base em dados concretos, reduzindo tempos de viagem e melhorando a satisfação do usuário.
  • Decisões estratégicas mais informadas, aumentando a eficiência operacional e a experiência do usuário.

4. Visão Geral da Solução

O agente de IA para análise de dados de uso de vale-transporte processa dados de uso para identificar padrões de deslocamento e sugerir otimizações de rotas. 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 análise de dados de transporte.

A solução consiste em um fluxo de automação composto por 5 agentes de IA. O processo inicia com a preparação dos dados e termina com a geração de um plano de piloto para implementação das otimizações sugeridas.

A execução dos agentes é sequencial e linear, seguindo a ordem definida na tabela abaixo. O fluxo inclui etapas condicionais que são executadas apenas se critérios específicos forem atendidos, conforme detalhado após a tabela.

Agentes Função Principal
Agente de Preparação e Qualidade dos Dados de VT (RF 1) Padronizar e validar o dataset de uso de vale-transporte, garantindo consistência temporal e estrutura única para consumo.
Agente de Análise de Padrões de Deslocamento (RF 2) Identificar padrões de demanda temporal, espacial e por linha, produzindo KPIs operacionais e insumos para otimização.
Agente de Segmentação e Perfis de Usuários Agente Condicionado (RF 3) Derivar perfis de uso e preferências de horário para apoiar decisões tático-operacionais.
Agente de Otimização de Rotas e Oferta (RF 4) Gerar propostas de ajustes de oferta para melhorar eficiência e atendimento.
Agente de Planejamento de Pilotos e Métricas de Sucesso Agente Condicionado (RF 5) Converter propostas de otimização em um plano de piloto mensurável com critérios de sucesso.


Regras de Execução Condicional ou Edges

  • Ativação do Agente de Segmentação e Perfis de Usuários (RF 3): Este agente só será executado se a propriedade "possui_identificador_usuario" do objeto JSON gerado pelo Agente de Preparação e Qualidade dos Dados de VT (RF 1) for true. Caso contrário, o fluxo pulará esta etapa e prosseguirá diretamente para o Agente de Otimização de Rotas e Oferta (RF 4).
  • Ativação do Agente de Planejamento de Pilotos e Métricas de Sucesso (RF 5): Este agente só será executado se houver pelo menos uma proposta com "score_priorizacao" igual ou superior a 0.5 no output do Agente de Otimização de Rotas e Oferta (RF 4). Caso contrário, o fluxo será encerrado após o RF 4.

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.

6. Requisitos Funcionais

RF 1. Agente de Preparação e Qualidade dos Dados de VT

1.1 Tarefa do Agente

Padronizar e validar o dataset de uso de vale-transporte, garantindo consistência temporal, deduplicação e estrutura única para consumo pelos agentes analíticos subsequentes.

1.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um dataset de eventos de uso de vale-transporte. Este dataset contém registros de transações de uso que precisam ser padronizados e validados.

# 2. Objetivo
Padronizar e validar o dataset de uso de vale-transporte, garantindo consistência temporal, deduplicação e estrutura única para consumo pelos agentes analíticos subsequentes.

# 3. Regras que você deve seguir para gerar sua resposta
- Mapear cabeçalhos para nomes canônicos: user_id, timestamp_iso, route_id, board_stop_id, alight_stop_id, vehicle_id, direction, tipo_transacao.
- Converter timestamp para ISO 8601; se timezone_fonte ausente, inferir por maioria relativa de offsets; registrar timezone_detectado.
- Eliminar duplicatas: registros com mesmo user_id/cartao_id, route_id e timestamp dentro de ± janela_tempo_minutos_para_dedupe; manter o primeiro; contabilizar duplicatas_removidas.
- Descartar registros com timestamp fora do intervalo [min(timestamp) - 1 dia, max(timestamp) + 1 dia] após parsing; registrar linhas_descartadas e motivo.
- Tratar valores ausentes: se route_id ausente, descartar; se user_id/cartao_id ausente, manter e definir possui_identificador_usuario considerando presença em ≥ 5% das linhas.
- Normalizar direction (ida/volta) para {0,1} quando aplicável; se texto, mapear por frequência e proximidade lexical.
- Garantir consistência de tipos: route_id e stops como string; direction como inteiro 0/1; timestamp_iso string ISO.
- Definir granularidade temporal padrão de 15 min e semana operacional {seg..dom}; registrar definicoes_temporais.
- Produzir amostra representativa estratificada por dia da semana e faixa horária (madrugada, pico manhã, entrepico, pico tarde, noite); máximo 1.000 linhas.
- Sinalizar flags: possui_identificador_usuario = true se user_id OU cartao_id presente em ≥ 5% das linhas válidas, caso contrário false.
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 dataset de eventos de uso de vale-transporte 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 dataset de eventos de uso de vale-transporte em formato CSV ou JSON.
  • Formatos Suportados: Esse agente deve ser capaz de receber datasets nos formatos: .csv, .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 500.000 caracteres.

1.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON estruturado com: schema_normalizado, timezone_detectado, periodo_dados, totais, flags, definicoes_temporais, dataset_normalizado e regras_aplicadas.
  • Exemplo de Estrutura de Output:
     {
      "schema_normalizado": {...},
      "timezone_detectado": "GMT-3",
      "periodo_dados": {
        "inicio_iso": "2025-01-01T00:00:00Z",
        "fim_iso": "2025-01-31T23:59:59Z"
      },
      "totais": {
        "linhas_entrada": 10000,
        "linhas_validas": 9500,
        "linhas_descartadas": 500,
        "duplicatas_removidas": 100
      },
      "flags": {
        "possui_identificador_usuario": true
      },
      "definicoes_temporais": {
        "granularidade_bucket_min": 15,
        "calendario_semana": ["seg", "ter", "qua", "qui", "sex", "sab", "dom"]
      },
      "dataset_normalizado": [...],
      "regras_aplicadas": ["Regra 1", "Regra 2", "Regra 3"]
    } 
  • Número de caracteres esperado: O JSON final será detalhado, com um tamanho mínimo esperado de 10.000 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 Análise de Padrões de Deslocamento (RF 2).

1.3.6 Regras de Orquestração e Transição

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

RF 2. Agente de Análise de Padrões de Deslocamento

2.1 Tarefa do Agente

Identificar padrões de demanda temporal, espacial e por linha, produzindo KPIs operacionais e insumos para otimização.

2.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo a saída do Agente de Preparação e Qualidade dos Dados de VT. Este dataset normalizado deve ser analisado para identificar padrões de deslocamento.

# 2. Objetivo
Identificar padrões de demanda temporal, espacial e por linha, produzindo KPIs operacionais e insumos para otimização.

# 3. Regras que você deve seguir para gerar sua resposta
- Bucketing temporal: agregar em janelas de 15 min (ou janela_bucket_min); buckets são fechados à direita [HH:MM, HH:MM+15).
- KPIs mínimos: validações_totais, validações_dia_util vs fim_de_semana, média e p95 de validações por bucket, distribuição por dia_da_semana, top 10 rotas por share (% e volume), carga_por_direction quando existir.
- Horários de pico: definir picos_manha como maior soma entre 06:00–10:00 e picos_tarde 16:00–20:00; retornar bucket_inicio, bucket_fim e volume; se múltiplos empates, escolher o de menor horário de início.
- Sazonalidade: se periodo_dados cobrir ≥ min_dias_para_sazonalidade, comparar dia útil vs fim de semana e reportar razões (ex: razao_fds = média_fds / média_uteis) por linha e global; se não atender, sinalizar limitacao_sazonalidade.
- Matriz OD: se board_stop_id e alight_stop_id existirem em ≥ 30% das linhas, gerar matriz_OD agregada (top 20 pares por volume; restantes agregados como 'OUTROS'). Caso contrário, gerar matriz por (route_id, direction).
- Anomalias: aplicar detecção por z-score em série agregada diária; marcar pontos com |z| ≥ 3 como outlier e reportar data, valor, média_base, desvio_padrao, z; se série < 7 pontos, pular e sinalizar insuficiencia_dados.
- Consistência: todas as taxas e shares com 2 casas decimais; volumes como inteiros; horários no fuso timezone_detectado; ordenar listas por volume desc.
- Explicitar limitações dos dados (ausência de user_id, stops, direction) e impacto nas inferências.
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 a saída do Agente de Preparação e Qualidade dos Dados de VT.
  • 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 100.000 caracteres.

2.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON contendo relatorio_padroes_markdown e kpis_padroes com os padrões de deslocamento identificados.
  • Exemplo de Estrutura de Output:
     {
      "relatorio_padroes_markdown": "# Padrões de Deslocamento\n## Horários de Pico\n- Manhã: 07:00 - 09:00\n- Tarde: 17:00 - 19:00\n## Top Rotas\n1. Rota A\n2. Rota B",
      "kpis_padroes": {
        "horarios_pico": {
          "manha": "07:00 - 09:00",
          "tarde": "17:00 - 19:00"
        },
        "demanda_por_bucket": {
          "segunda": [100, 200, 150],
          "terca": [120, 210, 160]
        },
        "top_rotas": ["Rota A", "Rota B"]
      }
    } 
  • Número de caracteres esperado: O JSON gerado terá um tamanho aproximado de 8.000 caracteres.

2.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

2.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Utiliza lógica interna para calcular KPIs e padrões.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

2.3.5 Memória

2.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Segmentação e Perfis de Usuários (RF 3).

RF 3. Agente de Segmentação e Perfis de Usuários Agente Condicionado

3.1 Tarefa do Agente

Derivar perfis de uso (diário, semanal, ocasional) e preferências de horário para apoiar decisões tático-operacionais.

3.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo a saída do Agente de Preparação e Qualidade dos Dados de VT e do Agente de Análise de Padrões de Deslocamento. Estes dados devem ser analisados para derivar perfis de uso.

# 2. Objetivo
Derivar perfis de uso (diário, semanal, ocasional) e preferências de horário para apoiar decisões tático-operacionais.

# 3. Regras que você deve seguir para gerar sua resposta
- Construção dos perfis por usuário/cartão em janela total: 
  - Diario: uso em ≥ 4 dias distintos por semana (média) OU ≥ 16 dias/mês.
  - Semanal: uso em 1–3 dias/semana (média) OU entre 4 e 15 dias/mês.
  - Ocasional: < 4 dias/mês.
- Preferência horária por perfil: calcular share de validações em faixas [pico_manha, entrepico, pico_tarde, noite]; retornar índices normalizados (soma=1 por perfil).
- Principais rotas por perfil: top 5 por volume; reportar share e direction quando existente.
- Elasticidade horária qualitativa: se um perfil tiver concentração > 65% em picos, classificar como baixa; entre 45–65% média; < 45% alta.
- Amostrar e anonimizar: não retornar IDs brutos; apenas métricas agregadas.
- Se a condição não for atendida, retornar objeto com motivo: 'sem_identificador_usuario' e não executar segmentação.
3.3 Configurações do Agente

3.3.1 Condições de Ativação

Este agente é acionado somente se a seguinte condição for atendida:

3.3.2 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado condicionalmente após a conclusão do agente anterior (RF 2), apenas se o campo possui_identificador_usuario for true.
  • Tipo do input: Este agente deve ser apto a receber a saída do Agente de Preparação e Qualidade dos Dados de VT e do Agente de Análise de Padrões de Deslocamento.
  • 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 100.000 caracteres.

3.3.3 Especificação do Output

  • Formato de output: O output deve ser um JSON contendo perfis_usuarios com a distribuição de perfis, critérios aplicados, índices de preferência horária, principais rotas por perfil e elasticidade horária qualitativa.
  • Exemplo de Estrutura de Output:
     {
      "perfis_usuarios": {
        "distribuicao_perfis": {
          "diario": 0.6,
          "semanal": 0.3,
          "ocasional": 0.1
        },
        "criterios_aplicados": ["Diario: ≥ 4 dias/semana", "Semanal: 1–3 dias/semana", "Ocasional: < 4 dias/mês"],
        "indices_preferencia_horaria": {
          "diario": [0.4, 0.3, 0.2, 0.1],
          "semanal": [0.3, 0.3, 0.3, 0.1]
        },
        "principais_rotas_por_perfil": {
          "diario": ["Rota A", "Rota B"],
          "semanal": ["Rota C", "Rota D"]
        },
        "elasticidade_horaria_qualitativa": "baixa"
      }
    } 
  • Número de caracteres esperado: O JSON gerado terá um tamanho aproximado de 5.000 caracteres.

3.3.4 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

3.3.5 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

3.3.6 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 Otimização de Rotas e Oferta (RF 4).

3.3.7 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Otimização de Rotas e Oferta (RF 4).

RF 4. Agente de Otimização de Rotas e Oferta

4.1 Tarefa do Agente

Gerar propostas de ajustes de oferta (headway, horários e configuração de rotas) para melhorar eficiência e atendimento.

4.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo a saída do Agente de Análise de Padrões de Deslocamento e, se disponível, do Agente de Segmentação e Perfis de Usuários. Estes dados devem ser analisados para gerar propostas de otimização de rotas.

# 2. Objetivo
Gerar propostas de ajustes de oferta (headway, horários e configuração de rotas) para melhorar eficiência e atendimento.

# 3. Regras que você deve seguir para gerar sua resposta
- Dimensionamento de headway por período (pico_manha, entrepico, pico_tarde, noite): headway_recomendado = max(headway_minimo_permitido, min(headway_maximo_aceitavel, ceil( (demanda_periodo / (capacidade_por_veiculo * fator_carga_alvo)) * headway_atual ))), quando headway_atual disponível; se não, estimar por relação demanda relativa vs período base.
- Ajustes de horários: se pico deslocado ≥ 30 min em relação ao horário atual de maior oferta, recomendar deslocamento de início/fim de pico em blocos de 15 min.
- Short-turn: se segmentos da linha apresentarem 70%+ da demanda nos primeiros N pares de paradas, sugerir viagens parciais nesse trecho nos picos; manter cobertura mínima no restante.
- Restrições: não exceder frota_disponivel_por_linha; garantir atendimento_minimo_por_periodo; manter fator_carga projetado ≤ 1.0.
- Impacto estimado: reportar variação percentual de tempo de espera médio (inversamente proporcional ao headway) e fator de carga estimado; indicar trade-offs.
- Priorização: score = 0.5*ganho_tempo_espera + 0.3*redução_sobrecarga + 0.2*viabilidade_operacional (0–1). Ordenar propostas por score desc.
- Transparência: para cada proposta, explicitar dados-base usados (período, demanda, capacidade, headway atual/estimado) e restrições que limitaram a recomendação.
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 ou RF 2).
  • Tipo do input: Este agente deve ser apto a receber a saída do Agente de Análise de Padrões de Deslocamento e, se disponível, do Agente de Segmentação e Perfis de Usuários.
  • 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 100.000 caracteres.

4.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON contendo propostas_otimizacao com ajustes de headway, horários, sugestões de short-turn, impacto estimado e score de priorização.
  • Exemplo de Estrutura de Output:
     {
      "propostas_otimizacao": {
        "ajustes_headway": {
          "linha_1": {"pico_manha": "10 min", "entrepico": "15 min"},
          "linha_2": {"pico_tarde": "12 min", "noite": "20 min"}
        },
        "ajustes_horarios": {
          "linha_1": {"inicio_pico": "06:30", "fim_pico": "09:30"}
        },
        "sugestoes_de_short_turn": ["linha_1: paradas 1-5"],
        "impacto_estimado": {
          "tempo_espera_medio": "-10%",
          "fator_carga": "0.85"
        },
        "score_priorizacao": 0.75
      }
    } 
  • Número de caracteres esperado: O JSON gerado terá um tamanho aproximado de 6.000 caracteres.

4.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

4.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Utiliza lógica interna para calcular ajustes de oferta e impacto.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

4.3.5 Memória

4.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Planejamento de Pilotos e Métricas de Sucesso (RF 5).

RF 5. Agente de Planejamento de Pilotos e Métricas de Sucesso Agente Condicionado

5.1 Tarefa do Agente

Converter propostas de otimização em um plano de piloto mensurável com critérios de sucesso e salvaguardas operacionais.

5.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo as propostas de otimização do Agente de Otimização de Rotas e Oferta. Estas propostas devem ser convertidas em um plano de piloto mensurável.

# 2. Objetivo
Converter propostas de otimização em um plano de piloto mensurável com critérios de sucesso e salvaguardas operacionais.

# 3. Regras que você deve seguir para gerar sua resposta
- Condição de execução: somente se existir pelo menos 1 proposta com score_priorizacao ≥ 0.5; caso contrário, retornar motivo: 'sem_propostas_viaveis'.
- Definir duração mínima recomendada: 2 semanas para capturar ciclos semanais; se sazonalidade forte identificada, recomendar 4 semanas.
- KPIs e metas: estabelecer baseline a partir dos kpis_padroes; definir metas de melhoria mínimas: -10% tempo_espera_medio em picos OU -15% fator_carga em buckets críticos; registrar intervalos de confiança qualitativos.
- Salvaguardas: gatilhos de reversão se fator_carga projetado > 1.0 por 3 ou mais buckets consecutivos ou reclamações/indicadores qualitativos crescerem > 30% (se medidos).
- Plano de medição: comparar janelas equivalentes (mesmo dia da semana e faixa horária); explicitar necessidade de calendário de feriados.
- Entregáveis claros: cronograma com marcos T0 (pré), T1 (meio), T2 (pós) e responsáveis; checklists de comunicação ao usuário quando houver alteração de horário/rota.
5.3 Configurações do Agente

5.3.1 Condições de Ativação

Este agente é acionado somente se a seguinte condição for atendida:

5.3.2 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado condicionalmente após a conclusão do agente anterior (RF 4), apenas se houver pelo menos uma proposta com score_priorizacao igual ou superior a 0.5.
  • Tipo do input: Este agente deve ser apto a receber as propostas de otimização do Agente de Otimização de Rotas e Oferta.
  • 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 100.000 caracteres.

5.3.3 Especificação do Output

  • Formato de output: O output deve ser um JSON contendo plano_piloto com escopo, duração do teste, grupo-controle, KPIs alvo, metodologia de medição, critérios de sucesso, riscos e mitigação, cronograma e responsáveis.
  • Exemplo de Estrutura de Output:
     {
      "plano_piloto": {
        "escopo": "Linhas 1 e 2",
        "duracao_teste": "2 semanas",
        "grupo_controle": "Linha 3",
        "KPIs_alvo": ["tempo_espera_medio", "fator_carga"],
        "metodologia_medicao": "antes-depois",
        "criterios_sucesso": "-10% tempo_espera_medio",
        "riscos_mitigacao": "Gatilho de reversão se fator_carga > 1.0",
        "cronograma": {
          "T0": "2025-01-01",
          "T1": "2025-01-08",
          "T2": "2025-01-15"
        },
        "responsaveis": ["Operador A", "Analista B"]
      }
    } 
  • Número de caracteres esperado: O JSON gerado terá um tamanho aproximado de 7.000 caracteres.

5.3.4 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

5.3.5 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

5.3.6 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.

5.3.7 Regras de Orquestração e Transição

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

© 2025 prototipe.ai. Todos os direitos reservados.