Agente de IA para Monitoramento de Progresso Educacional

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

Como criar um agente de IA que acompanha o progresso acadêmico dos alunos ao longo do tempo.

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 para Monitoramento de Progresso Educacional. Esse agente é projetado para acompanhar o progresso acadêmico dos alunos ao longo do tempo, gerando relatórios detalhados sobre avanços e áreas que necessitam de atenção. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.

2. Contexto e Problema

Cenário Atual

As instituições de ensino enfrentam desafios significativos no acompanhamento contínuo e detalhado do progresso acadêmico dos alunos. A falta de relatórios que identifiquem áreas de atenção e progresso individual dificulta a intervenção oportuna por parte de professores e pais.


Problemas Identificados

  • Falta de acompanhamento contínuo: As escolas carecem de sistemas que monitorem de forma sistemática o desempenho dos alunos.
  • Relatórios insuficientes: A ausência de relatórios detalhados impede a identificação de áreas que necessitam de atenção.

3. Impactos Esperados

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

  • Melhoria no acompanhamento acadêmico: Proporcionar um monitoramento contínuo e detalhado do progresso dos alunos.
  • Relatórios detalhados: Gerar relatórios que identifiquem avanços e áreas de atenção, fornecendo insights para professores e pais.

4. Visão Geral da Solução

O agente de IA para monitoramento de progresso educacional coleta dados de desempenho acadêmico de forma contínua e sistemática, gerando relatórios detalhados sobre avanços e áreas que necessitam de atenção. A seguir são detalhadas todas as regras de negócio e especificações funcionais necessárias para que esse agente atue como um assistente útil e autônomo no acompanhamento do progresso acadêmico dos alunos.

A solução consiste em um fluxo de automação composto por múltiplos agentes de IA. O processo inicia com a coleta de dados acadêmicos e termina com a geração de relatórios detalhados para professores e pais.

Agentes Função Principal
Agente de Preparação de Parâmetros de Coleta de Dados Acadêmicos Definir parâmetros padronizados para coleta de dados via API e documentos.
Agente de Execução de Chamada à API Realizar chamadas às APIs configuradas para obter dados acadêmicos.
Agente de Execução de Consulta a Documento Realizar consultas a documentos para obter dados acadêmicos.
Agente de Normalização e Consolidação de Dados Acadêmicos Consolidar e padronizar dados de múltiplas fontes.
Agente de Geração de Relatório de Progresso Educacional Produzir relatórios destacando avanços e áreas que necessitam atenção.

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 de Parâmetros de Coleta de Dados Acadêmicos

1.1 Tarefa do Agente

Receber a configuração de fontes de dados e produzir parâmetros padronizados para coleta via API e/ou consulta a documentos, além de definir o período de análise e chaves de unificação.

1.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo a configuração das fontes de dados acadêmicos. Este input contém informações sobre APIs e documentos que serão utilizados para coleta de dados.

# 2. Objetivo
Produzir parâmetros padronizados para coleta de dados via API e/ou consulta a documentos, definindo também o período de análise e as chaves de unificação.

# 3. Regras que você deve seguir para gerar sua resposta
- Definir coleta_via_api = true se data_source_config.api.habilitada = true; definir coleta_via_documento = true se data_source_config.documentos.habilitada = true.
- Propagar periodo_analisado.inicio e fim para todos os parâmetros de busca (query.data_inicio, query.data_fim) quando canal API estiver habilitado.
- Fixar padroes_unificacao.chave_aluno e chave_data a partir de data_source_config.chaves; se ausentes, usar defaults "aluno_id" e "data".
- Para cada item de documentos, preencher colunas_esperadas conforme o tipo.
- Se periodo_analisado estiver ausente, rejeitar preparação e indicar erro em campo error_msg no output explicando a falta de datas.
- Não expor segredos; copiar headers como recebidos sem mascarar, assumindo ambiente seguro de orquestração.

# 4. Exemplo de Output que você deve produzir
{
  "coleta_via_api": true,
  "coleta_via_documento": false,
  "parametros_api": { "requisicoes": [{"nome": "avaliacoes", "url": "...", "headers": {..}, "query": {"data_inicio": "YYYY-MM-DD", "data_fim": "YYYY-MM-DD"}}, ...] },
  "parametros_documento": { "consultas": [{"nome": "historico_avaliacoes", "tipo": "CSV", "local": "...", "colunas_esperadas": ["aluno_id","disciplina","data","tipo","nota","escala_max","peso","competencias"]}, ...] },
  "padroes_unificacao": { "chave_aluno": "aluno_id", "chave_data": "data" },
  "periodo_analisado": { "inicio": "YYYY-MM-DD", "fim": "YYYY-MM-DD" }
} 
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 da configuração das fontes de dados via API. Na fase de testes, o fluxo será iniciado pelo envio manual dos dados, que serão enviados para o agente diretamente por upload de um arquivo na interface da Prototipe AI, para acelerar o processo de validação.
  • Tipo do input: O input inicial para o fluxo é um objeto JSON contendo a configuração das fontes 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 texto com até 10.000 caracteres.

1.3.2 Especificação do Output

  • Formato de output: O output deve ser um objeto JSON contendo os parâmetros padronizados para coleta de dados.
  • Exemplo de Estrutura de Output:
     {
      "coleta_via_api": true,
      "coleta_via_documento": false,
      "parametros_api": { ... },
      "parametros_documento": { ... },
      "padroes_unificacao": { "chave_aluno": "aluno_id", "chave_data": "data" },
      "periodo_analisado": { "inicio": "YYYY-MM-DD", "fim": "YYYY-MM-DD" }
    } 
  • Número de caracteres esperado: O JSON gerado terá um tamanho aproximado de 1.500 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 próximo agente no fluxo.

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o próximo agente no fluxo.

RF 2. Agente de Execução de Chamada à API

2.1 Tarefa do Agente

Realizar chamadas às APIs configuradas para obter dados de avaliações, frequências e tarefas no período informado.

2.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo os parâmetros configurados para realizar chamadas às APIs de dados acadêmicos.

# 2. Objetivo
Executar as chamadas às APIs para obter dados de avaliações, frequências e tarefas no período informado.

# 3. Regras que você deve seguir para gerar sua resposta
- Este agente não precisa de instruções para chamadas ao LLM, pois sua única função é executar a chamada à API cujo payload já recebe pronto.

# 4. Exemplo de Output que você deve produzir
{
  "dados_api": { "avaliacoes": [ ... ], "frequencias": [ ... ], "tarefas": [ ... ] }
} 
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 os parâmetros configurados para as chamadas às APIs.
  • 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 objeto JSON contendo os dados obtidos das APIs.
  • Exemplo de Estrutura de Output:
     {
      "dados_api": { "avaliacoes": [ ... ], "frequencias": [ ... ], "tarefas": [ ... ] }
    } 
  • Número de caracteres esperado: O JSON gerado terá um tamanho variável, dependendo da quantidade de dados retornados pelas APIs.

2.3.3 Parâmetros de Geração

  • Modelo: Não se aplica (uso de ferramenta)
  • Temperatura: Não se aplica

2.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: O agente deverá se conectar às APIs configuradas para obter os dados necessários.

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 próximo agente no fluxo.

2.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o próximo agente no fluxo.

RF 3. Agente de Execução de Consulta a Documento

3.1 Tarefa do Agente

Realizar consulta a documentos (CSV/XLSX) informados para obter dados de avaliações, frequências e tarefas.

3.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo os parâmetros configurados para realizar consultas a documentos de dados acadêmicos.

# 2. Objetivo
Executar as consultas a documentos para obter dados de avaliações, frequências e tarefas.

# 3. Regras que você deve seguir para gerar sua resposta
- Este agente não precisa de instruções para chamadas ao LLM, pois sua única função é executar a consulta ao documento com parâmetros de busca que já recebe prontos.

# 4. Exemplo de Output que você deve produzir
{
  "dados_documento": { "avaliacoes": [ ... ], "frequencias": [ ... ], "tarefas": [ ... ] }
} 
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 1).
  • Tipo do input: Este agente deve ser apto a receber como input os parâmetros configurados para as consultas a documentos.
  • 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.

3.3.2 Especificação do Output

  • Formato de output: O output deve ser um objeto JSON contendo os dados obtidos das consultas a documentos.
  • Exemplo de Estrutura de Output:
     {
      "dados_documento": { "avaliacoes": [ ... ], "frequencias": [ ... ], "tarefas": [ ... ] }
    } 
  • Número de caracteres esperado: O JSON gerado terá um tamanho variável, dependendo da quantidade de dados retornados pelas consultas.

3.3.3 Parâmetros de Geração

  • Modelo: Não se aplica (uso de ferramenta)
  • Temperatura: Não se aplica

3.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: O agente deverá acessar os documentos configurados para obter os dados necessários.

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 próximo agente no fluxo.

3.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o próximo agente no fluxo.

RF 4. Agente de Normalização e Consolidação de Dados Acadêmicos

4.1 Tarefa do Agente

Ingerir dados acadêmicos de múltiplas fontes e períodos, padronizar escalas, tratar ausências e consolidar métricas por aluno, disciplina e período temporal.

4.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo dados acadêmicos de múltiplas fontes, incluindo APIs e documentos.

# 2. Objetivo
Padronizar e consolidar os dados acadêmicos, tratando ausências e calculando métricas por aluno e disciplina.

# 3. Regras que você deve seguir para gerar sua resposta
- Unificar dados de API e documentos por concatenação de conjuntos por entidade (avaliacoes, frequencias, tarefas).
- Verificar campos mínimos por entidade e mover registros inválidos para metadados.
- Converter datas para formato ISO YYYY-MM-DD e descartar registros fora do periodo_analisado.
- Calcular nota_normalizada_0_10 = (nota/escala_max)*10 quando escala_max > 0.
- Calcular nota_ponderada = nota_normalizada_0_10 * peso.
- Deduplicar registros mantendo o de maior peso.
- Calcular frequencia_percentual e sinalizar flag atencao_baixa_frequencia se < 85%.
- Contar tarefas_em_atraso e calcular tendencia_30d.
- Agregar etiquetas de competencias e sugerir lacunas_sugeridas.
- Substituir nome completo por aluno_referencia e remover PII não necessária.
- Preencher metadados com contagens e indicadores globais.

# 4. Exemplo de Output que você deve produzir
{
  "periodo_analisado": {"inicio": "YYYY-MM-DD", "fim": "YYYY-MM-DD"},
  "consolidado": [{"aluno_id": "A123", "aluno_referencia": "iniciais_ou_id", "turma": "8A", "disciplinas": [{"nome": "Matemática", "nota_media_ponderada": 7.9, "nota_media_normalizada_0_10": 7.9, "tendencia": {"slope_30d": -0.12, "classificacao": "queda_leve"}, "frequencia_percentual": 92.5, "tarefas_em_atraso": 1, "competencias": [{"nome": "frações", "dominancia": "média"}, {"nome": "operações", "dominancia": "alta"}], "lacunas_sugeridas": ["frações avançadas"], "flags": {"atencao_baixa_frequencia": false, "alerta_queda_notas": true}}], "indicadores_gerais": {"nota_media_global": 7.2, "frequencia_global": 95.1, "tendencia_global_slope_30d": 0.03}, "metadados": {"versao_pipeline": "1.0.0", "data_processamento": "YYYY-MM-DD"}}]
} 
4.3 Configurações do Agente

4.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão dos agentes de coleta de dados (RF 2 e RF 3).
  • Tipo do input: Este agente deve ser apto a receber como input os dados acadêmicos brutos coletados pelos agentes anteriores.
  • 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 20.000 caracteres.

4.3.2 Especificação do Output

  • Formato de output: O output deve ser um objeto JSON consolidado contendo as métricas padronizadas por aluno e disciplina.
  • Exemplo de Estrutura de Output:
     {
      "periodo_analisado": {"inicio": "YYYY-MM-DD", "fim": "YYYY-MM-DD"},
      "consolidado": [{"aluno_id": "A123", "aluno_referencia": "iniciais_ou_id", "turma": "8A", "disciplinas": [{...}], "indicadores_gerais": {...}, "metadados": {...}}]
    } 
  • Número de caracteres esperado: O JSON gerado terá um tamanho aproximado de 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: Utiliza lógica interna para cálculos de normalização e consolidação.
  • 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 deve ser visível para o próximo agente no fluxo.

4.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o próximo agente no fluxo.

RF 5. Agente de Geração de Relatório de Progresso Educacional

5.1 Tarefa do Agente

Produzir relatórios em markdown, claros e acionáveis, destacando avanços, áreas que necessitam atenção e recomendações específicas para professores e para pais/responsáveis.

5.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um objeto JSON consolidado produzido pelo Agente de Normalização e Consolidação de Dados Acadêmicos.

# 2. Objetivo
Produzir relatórios em markdown que destaquem avanços, áreas que necessitam atenção e ofereçam recomendações específicas para professores e para pais/responsáveis.

# 3. Regras que você deve seguir para gerar sua resposta
- Fixar seções na ordem: Destaques de Avanço; Áreas que Necessitam Atenção; Recomendações para Professores; Recomendações para Pais/Responsáveis; Indicadores Gerais; Observações de Qualidade de Dados; versões síntese para docentes e linguagem acessível para pais.
- Marcar como avanço quando tendência_30d > 0.15 ou quando a média atual supera em ≥ 1.0 ponto a média do período anterior.
- Sinalizar disciplina se qualquer condição for verdadeira: nota_media_normalizada_0_10 < 6.0; tendência_30d ≤ -0.2; frequência_percentual < 85%; tarefas_em_atraso ≥ 2.
- Produzir recomendações distintas e mensuráveis para cada alerta, com horizonte e critério de verificação.
- Substituir termos técnicos na versão para pais e explicar sinais de tendência.
- Correlacionar frequência com desempenho e priorizar ações para recuperação de presença se < 85%.
- Exibir apenas aluno_referencia e não incluir PII.
- Descrever em Observações quaisquer normalizações, exclusões e deduplicações que possam impactar a interpretação.
- Incluir variação por disciplina impactada se metadados indicarem dados anteriores.

# 4. Exemplo de Output que você deve produzir
# Relatório de Progresso Educacional

Período analisado: YYYY-MM-DD a YYYY-MM-DD
Turma: 8A
Aluno (referência): iniciais_ou_id

## Destaques de Avanço
- Matemática: melhoria consistente nas últimas 6 semanas (tendência 30 dias: +0.18); média atual 7.9.

## Áreas que necessitam atenção
- Matemática: queda leve recente (tendência 30 dias: -0.12) com lacuna em frações avançadas; 1 tarefa em atraso; frequência 92.5% (OK, acima de 85%).

## Recomendações para Professores
- Foco em revisão dirigida de frações avançadas com exercícios graduais (3 encontros); aplicar miniavaliação diagnóstica ao final.
- Monitorar tarefas: reduzir carga de itens longos; reforçar prazos com lembretes estruturados.

## Recomendações para Pais/Responsáveis
- Estabelecer rotina de 20 minutos, 3x por semana, para prática guiada de frações (usar lista sugerida pelo professor).
- Verificar agenda de entregas e apoiar cumprimento dos prazos na próxima quinzena.

## Indicadores Gerais do Aluno
- Nota média global: 7.2
- Frequência global: 95.1%
- Tendência global (30d): estável

## Observações de Qualidade de Dados
- 2 registros sem escala_max foram normalizados via regra padrão; 1 avaliação duplicada removida.

---

# Versão para Equipe Docente (Síntese por Disciplina)
- Matemática: média 7.9; lacunas: frações avançadas; ações: revisão dirigida, miniavaliação em 2 semanas.
- Português: média 7.1; estabilidade; sem lacunas críticas.

# Versão para Pais/Responsáveis (Linguagem Acessível)
- Seu(a) filho(a) manteve bom desempenho geral e precisa reforçar frações avançadas em matemática. Recomendamos sessões curtas 3x/semana e atenção aos prazos das tarefas.
 
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 o objeto JSON consolidado com os dados acadêmicos padronizados.
  • 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 10.000 caracteres.

5.3.2 Especificação do Output

  • Formato de output: O output deve ser um relatório em formato Markdown, destacando avanços, áreas que necessitam atenção e recomendações.
  • Exemplo de Estrutura de Output:
     # Relatório de Progresso Educacional
    
    Período analisado: YYYY-MM-DD a YYYY-MM-DD
    Turma: 8A
    Aluno (referência): iniciais_ou_id
    
    ## Destaques de Avanço
    - Matemática: melhoria consistente nas últimas 6 semanas (tendência 30 dias: +0.18); média atual 7.9.
    
    ## Áreas que necessitam atenção
    - Matemática: queda leve recente (tendência 30 dias: -0.12) com lacuna em frações avançadas; 1 tarefa em atraso; frequência 92.5% (OK, acima de 85%).
    
    ## Recomendações para Professores
    - Foco em revisão dirigida de frações avançadas com exercícios graduais (3 encontros); aplicar miniavaliação diagnóstica ao final.
    - Monitorar tarefas: reduzir carga de itens longos; reforçar prazos com lembretes estruturados.
    
    ## Recomendações para Pais/Responsáveis
    - Estabelecer rotina de 20 minutos, 3x por semana, para prática guiada de frações (usar lista sugerida pelo professor).
    - Verificar agenda de entregas e apoiar cumprimento dos prazos na próxima quinzena.
    
    ## Indicadores Gerais do Aluno
    - Nota média global: 7.2
    - Frequência global: 95.1%
    - Tendência global (30d): estável
    
    ## Observações de Qualidade de Dados
    - 2 registros sem escala_max foram normalizados via regra padrão; 1 avaliação duplicada removida.
    
    ---
    
    # Versão para Equipe Docente (Síntese por Disciplina)
    - Matemática: média 7.9; lacunas: frações avançadas; ações: revisão dirigida, miniavaliação em 2 semanas.
    - Português: média 7.1; estabilidade; sem lacunas críticas.
    
    # Versão para Pais/Responsáveis (Linguagem Acessível)
    - Seu(a) filho(a) manteve bom desempenho geral e precisa reforçar frações avançadas em matemática. Recomendamos sessões curtas 3x/semana e atenção aos prazos das tarefas.
     
  • Número de caracteres esperado: O relatório em Markdown terá um tamanho aproximado de 3.000 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

  • 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.

5.3.6 Regras de Orquestração e Transição

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

© 2025 prototipe.ai. Todos os direitos reservados.