Agente de IA para Identificação de Talentos Acadêmicos

30 de November de 2025 • Tempo de leitura: 5 min

Como criar um agente de IA que analisa dados de desempenho para identificar alunos com talentos excepcionais em áreas específicas.

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 Talentos Acadêmicos", uma solução projetada para identificar alunos com talentos excepcionais em áreas específicas através da análise de dados de desempenho. 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 dados de desempenho acadêmico em insights acionáveis para orientar programas de enriquecimento adaptados aos talentos identificados.

2. Contexto e Problema

O desafio de identificar talentos acadêmicos excepcionais em grandes volumes de dados é significativo, especialmente quando se busca adaptar programas de enriquecimento às habilidades específicas dos alunos.

A solução proposta visa resolver as seguintes questões:

  • Dificuldade em identificar talentos acadêmicos excepcionais em grandes volumes de dados.
  • Necessidade de programas de enriquecimento adaptados aos talentos identificados.

3. Impactos Esperados

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

  • Identificação precisa de talentos acadêmicos em grandes volumes de dados.
  • Desenvolvimento de programas de enriquecimento personalizados para cada talento identificado.
  • Otimização dos recursos educacionais através de uma melhor alocação de programas de enriquecimento.

4. Visão Geral da Solução

O agente de IA para identificação de talentos acadêmicos analisa dados de desempenho para identificar alunos com talentos excepcionais e sugere programas de enriquecimento adaptados. 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 e desenvolvimento de talentos acadêmicos.

A solução consiste em um fluxo de automação composto por três agentes de IA. O processo inicia com a leitura e normalização dos dados de desempenho acadêmico e termina com a recomendação de programas de enriquecimento personalizados.

Agentes Função Principal
Agente de Leitura e Normalização de Desempenho Acadêmico (RF 1) Unificar e padronizar dados acadêmicos de múltiplas fontes para um esquema único, validando consistência e preparando o dataset para análise de talentos.
Agente de Identificação de Talentos Acadêmicos (RF 2) Detectar alunos com talentos excepcionais por área/competência a partir do dataset normalizado, produzindo lista priorizada com evidências e explicabilidade.
Agente de Recomendação de Programas de Enriquecimento (RF 3) Sugerir programas de enriquecimento personalizados por área e nível de talento, com plano de progressão e critérios de entrada.

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 Leitura e Normalização de Desempenho Acadêmico

1.1 Tarefa do Agente

Unificar e padronizar dados acadêmicos de múltiplas fontes para um esquema único, validando consistência e preparando o dataset para análise de talentos.

1.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo uma planilha de desempenho acadêmico por aluno e por período, podendo conter múltiplas abas. Este documento é a base para a identificação de talentos acadêmicos.

# 2. Objetivo
Unificar e padronizar dados acadêmicos de múltiplas fontes para um esquema único, validando consistência e preparando o dataset para análise de talentos.

# 3. Regras que você deve seguir para gerar sua resposta
- Regra 1 (Detecção e mapeamento de escalas): Para cada registro, determine a escala com base em escala_nota, distribuição e valores mínimos/máximos. Se não inferível com segurança, defina flags.escala_desconhecida=true e não calcule z_score/percentil.
- Regra 2 (Normalização por coorte): Calcule z_score e percentil comparando cada observação com sua coorte: mesma série (ou ano), mesma disciplina, mesmo período e, quando houver, mesma turma/professor. Exija N_coorte >= 15 para z_score/percentil confiáveis.
- Regra 3 (Cálculo de z_score): z_score = (nota_normalizada - média_coorte) / desvio_padrao_coorte. Se desvio_padrao_coorte=0, não calcular z_score.
- Regra 4 (Cálculo de percentil): Use rank médio para empates. Se houver percentil_seccional fornecido e a coorte for compatível, prefira o fornecido.
- Regra 5 (Consolidação temporal e integridade mínima): Preserve granularidade por período; não agregue. Marque flags.dados_insuficientes=true por aluno+disciplina quando existirem <3 observações válidas totais no histórico.
- Regra 6 (Tratamento de ausências e nulos): Não imputar. Registros sem nota ou com escala desconhecida mantêm nota_normalizada nula.
- Regra 7 (Outliers): Defina flags.outlier_potencial=true quando z_score calculado exceder |3.0|. Não excluir; apenas truncar nota_normalizada para [0,1] após marcação do flag.
- Regra 8 (Padronização de rótulos): Normalize disciplina para um conjunto canônico.
- Regra 9 (Extracurriculares e prêmios): Padronize campos: participação_olimpiadas={true/false}, medalhas em {ouro, prata, bronze, menção, nenhuma}.
- Regra 10 (Chaves e duplicatas): Garanta unicidade por aluno_id + disciplina + período + fonte.
- Regra 11 (Qualidade de coorte): Caso exista professor_avaliacao divergente sistematicamente, priorize coorte por turma/professor.
- Regra 12 (Sanidade dos identificadores): Se aluno_id ausente e nome presente, gere aluno_id provisório como hash determinístico de nome+serie.
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 uma planilha 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 da planilha na interface da Prototipe AI, para acelerar o processo de validação.
  • Tipo do input: O input inicial para o fluxo é uma planilha de desempenho acadêmico.
  • Formatos Suportados: Esse agente deve ser capaz de receber planilhas nos formatos: .xlsx, .csv.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 200.000 caracteres.

1.3.2 Especificação do Output

  • Formato de output: O output deve ser um objeto JSON contendo o esquema de dados padronizado e os registros normalizados.
  • Exemplo de Estrutura de Output:
     {"schema": {"aluno_id": "string", "nome": "string", "serie": "string", "periodo": "string", "disciplina": "string", "nota_normalizada": "number(0..1)", "z_score": "number", "percentil": "number(0..100)", "fonte": "string", "flags": {"dados_insuficientes": "boolean", "escala_desconhecida": "boolean", "outlier_potencial": "boolean"}}, "registros": [ {"aluno_id": "A123", "nome": "Fulano", "serie": "8º ano", "periodo": "2025-1", "disciplina": "Matemática", "nota_normalizada": 0.92, "z_score": 2.1, "percentil": 98, "fonte": "boletim_escolar", "flags": {"dados_insuficientes": false, "escala_desconhecida": false, "outlier_potencial": false}} ]}
  • Número de caracteres esperado: O JSON gerado deve ter um tamanho estimado em torno 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

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Identificação de Talentos Acadêmicos (RF 2).

RF 2. Agente de Identificação de Talentos Acadêmicos

2.1 Tarefa do Agente

Detectar alunos com talentos excepcionais por área/competência a partir do dataset normalizado, produzindo lista priorizada com evidências e explicabilidade.

2.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um objeto JSON gerado pelo Agente de Leitura e Normalização de Desempenho Acadêmico contendo registros normalizados com nota_normalizada, z_score, percentil, flags e metadados.

# 2. Objetivo
Detectar alunos com talentos excepcionais por área/competência a partir do dataset normalizado, produzindo lista priorizada com evidências e explicabilidade.

# 3. Regras que você deve seguir para gerar sua resposta
- Regra 1 (Identificar talentos): A partir dos registros normalizados, identifique talentos por disciplina e mapeie para macroáreas sem misturar disciplinas não correlatas.
- Regra 2 (Critérios mínimos de elegibilidade): Considere um candidato por disciplina apenas se houver >=3 observações válidas com percentil e z_score calculáveis.
- Regra 3 (Limiar por nível): Defina níveis por disciplina: excepcional se (percentil_médio>=97 E z_médio>=2.3) OU (existirem >=2 períodos com percentil>=99).
- Regra 4 (Consistência temporal e trajetória): Classifique trajetória por disciplina: ascendente, estável, irregular.
- Regra 5 (Evidências múltiplas): Combine notas, prêmios/olimpíadas, projetos e avaliações docentes coerentes.
- Regra 6 (Qualidade e viés): Se flags.outlier_potencial verdadeiros em >30% dos pontos de uma disciplina, reduza confiança em -0.1.
- Regra 7 (Consolidação por macroárea): Após classificar por disciplina, agregue por macroárea se pelo menos duas disciplinas da mesma macroárea atingirem nível "alto".
- Regra 8 (Cálculo de confiança): Inicie confiança_base = 0.6 para "promissor", 0.75 para "alto", 0.85 para "excepcional".
- Regra 9 (Empates e priorização): Ordene talentos por: nível, confiança, percentil_médio, z_médio.
- Regra 10 (Explicabilidade): Para cada talento, gere racional curto que cite: períodos-chave, percentis/z médios e extremos.
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 objeto JSON contendo registros normalizados com nota_normalizada, z_score, percentil, flags e metadados.
  • 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 texto com até 15.000 caracteres.

2.3.2 Especificação do Output

  • Formato de output: O output deve ser um objeto JSON contendo a lista de talentos identificados, com evidências e explicabilidade.
  • Exemplo de Estrutura de Output:
     {"criterios_utilizados": {"limiar_percentil": 95, "limiar_z_score": 2.0, "min_periodos_por_disciplina": 3}, "talentos": [ {"aluno_id": "A123", "nome": "Fulano", "serie": "8º ano", "area": "Matemática", "nivel_talento": "excepcional", "evidencias": {"percentis_recorrentes": [97, 98, 99], "z_scores": [2.1, 2.4], "trajetoria": "ascendente", "premiacoes": [{"evento": "OBMEP", "nivel": "prata", "ano": 2024}]}, "confianca": 0.86, "racional": "Desempenho > p95 por 3 períodos consecutivos e medalha em olimpíada." } ]}
  • Número de caracteres esperado: O JSON gerado deve ter um tamanho estimado em torno de 5.000 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 Recomendação de Programas de Enriquecimento (RF 3).

RF 3. Agente de Recomendação de Programas de Enriquecimento

3.1 Tarefa do Agente

Sugerir programas de enriquecimento personalizados por área e nível de talento, com plano de progressão e critérios de entrada.

3.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON com lista de talentos por aluno gerado pelo Agente de Identificação de Talentos Acadêmicos, incluindo área, nível_talento, confiança, trajetória e evidências.

# 2. Objetivo
Sugerir programas de enriquecimento personalizados por área e nível de talento, com plano de progressão e critérios de entrada.

# 3. Regras que você deve seguir para gerar sua resposta
- Regra 1 (Sugerir programas): Para cada aluno/área/nível, gere um conjunto de programas alinhados aos talentos identificados e ao histórico de trajetória.
- Regra 2 (Matriz área x nível → intensidade): Defina intensidades padrão de carga_horaria_semanal e duração.
- Regra 3 (Tipos de programa por área): Exatas: olimpíadas, trilhas AOPS, mentoria de resolução de problemas; Linguagens: clube de leitura/escrita criativa.
- Regra 4 (Personalização pela trajetória): Trajetória ascendente → progressão gradual de dificuldade.
- Regra 5 (Pré-requisitos objetivos): Explicite critérios mensuráveis.
- Regra 6 (Metas e avaliação): Defina metas SMART por ciclo e métodos de avaliação claros.
- Regra 7 (Plano de progressão): Indique etapas e condições de avanço/recuo.
- Regra 8 (Dados limitados): Se nível=promissor por limitação de dados, recomende um ciclo diagnóstico.
- Regra 9 (Compatibilização logística): Indique modalidade e materiais base.
- Regra 10 (Justificativa por sugestão): Cada sugestão deve incluir uma justificativa curta conectando percentis/z, trajetória e evidências extracurriculares ao tipo de programa escolhido.
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 JSON com lista de talentos por aluno, incluindo área, nível_talento, confiança, trajetória e evidências.
  • 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 texto com até 10.000 caracteres.

3.3.2 Especificação do Output

  • Formato de output: O output deve ser um objeto JSON contendo recomendações de programas de enriquecimento personalizados.
  • Exemplo de Estrutura de Output:
     {"recomendacoes": [ {"aluno_id": "A123", "nome": "Fulano", "area": "Matemática", "nivel_talento": "excepcional", "sugestoes": [ {"tipo_programa": "Olimpíadas e Treinamento Avançado", "descricao": "Treinamento semanal para OBMEP/OBM com listas de nível 2-3.", "carga_horaria_semanal": 3, "modalidade": "presencial", "duracao_semanas": 16, "pré_requisitos": ["percentil>=95 em 2+ períodos", "base algébrica sólida"], "materiais_base": ["Lista OBMEP Nível 2", "Art of Problem Solving (AOPS)"], "metas": ["Classificação fase 2", "Medalha regional"], "avaliação_progresso": "simulado mensal" } ], "plano_progressao": ["Curto prazo: consolidar geometria", "Médio prazo: iniciar teoria dos números"], "observacoes": "Confiança alta (0.86)." } ]}
  • Número de caracteres esperado: O JSON gerado deve ter um tamanho estimado em torno de 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 é o entregável final e não é passada para outros agentes internos.

3.3.6 Regras de Orquestração e Transição

A execução deste agente finaliza o fluxo. As recomendações geradas são o resultado que deve ser disponibilizado ao usuário.

© 2025 prototipe.ai. Todos os direitos reservados.