1. Propósito e Escopo
Este documento define todos os prompts, configurações de memória, transição entre estados, consulta a documentos e demais requisitos funcionais para o Fluxo de Agentes "Previsão de Tendências de Crédito", uma solução de automação projetada para prever mudanças futuras nos padrões de crédito com base em dados históricos e tendências de mercado. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.
O objetivo principal é fornecer previsões detalhadas que apoiem decisões financeiras estratégicas, atualizando regularmente as previsões com base em novos dados e tendências emergentes.
2. Contexto e Problema
Problemas Específicos
A dificuldade em prever mudanças futuras nos padrões de crédito com base em dados históricos é um desafio significativo para instituições financeiras. A falta de insights preditivos pode levar a decisões financeiras mal informadas, impactando negativamente as estratégias de crédito e o desempenho econômico.
- Dificuldade em prever mudanças futuras nos padrões de crédito com base em dados históricos.
- Necessidade de insights preditivos para ajustar estratégias financeiras.
3. Impactos Esperados
A implementação deste fluxo de automação visa alcançar os seguintes resultados:
- Fornecer previsões detalhadas para apoiar decisões financeiras estratégicas.
- Atualizar previsões regularmente com base em novos dados e tendências emergentes.
- Aumentar a precisão das previsões de crédito.
4. Visão Geral da Solução
O agente de IA para previsão de tendências de crédito analisa dados históricos e tendências de mercado, aplica modelos preditivos e fornece insights para ajustes estratégicos. 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 previsão de tendências de crédito que seguem as especificidades da sua empresa.
A solução consiste em um fluxo de automação composto por 3 agentes de IA. O processo inicia com a preparação e qualidade dos dados e termina com a geração de insights e estratégias financeiras.
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 de Dados de Crédito (RF 1)
| Consolidar, limpar, padronizar e enriquecer dados históricos de crédito e séries de tendências de mercado. |
Agente de Modelagem e Previsão de Tendências de Crédito (RF 2)
| Gerar previsões mensais de curto e médio prazo para indicadores de crédito por carteira. |
Agente de Geração de Insights e Estratégias Financeiras (RF 3)
| Traduzir previsões em insights acionáveis e recomendações para ajuste de estratégias de crédito. |
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 de Dados de Crédito
1.1 Tarefa do Agente
Consolidar, limpar, padronizar e enriquecer dados históricos de crédito e séries de tendências de mercado para uso em previsão de padrões de crédito.
1.2 Prompt ou Instruções do Agente
# 1. Contexto e explicações sobre inputs iniciais
Você está recebendo conjuntos de séries temporais e dados tabulares históricos sobre crédito e macroeconomia.
# 2. Objetivo
Consolidar, limpar, padronizar e enriquecer dados históricos de crédito e séries de tendências de mercado para uso em previsão de padrões de crédito.
# 3. Regras que você deve seguir para gerar sua resposta
- Frequência única e calendário: Converta todas as séries para frequência mensal (YYYY-MM-01).
- Tratamento de ausências: Aplique preenchimento por propagação para frente por no máximo 2 meses consecutivos.
- Outliers sem distorcer tendência: Calcule mediana móvel e desvio absoluto mediano (MAD).
- Padronização de chaves: Normalize nomes de carteiras e indicadores.
- Derivação de variáveis: Para cada série macroeconomia/mercado, gere lags de 1, 2, 3, 6 e 12 meses.
# 4. Exemplo de Output que você deve produzir
{
"dados_preparados": true,
"janela_temporal": {"inicio": "YYYY-MM-DD", "fim": "YYYY-MM-DD"},
"series_unificadas": [{"carteira": "Varejo", "indicador": "inadimplencia_90d", "frequencia": "mensal", "valores": [{"data": "YYYY-MM-01", "valor": 0.035}]}],
"variaveis_explicativas": ["desemprego", "ipca", "selic", "crescimento_pib"],
"metadados": {"imputacao": {"metodo": "ffill_max2_interpolacao_linear"}},
"sinalizadores": {"dados_suficientes": true}
} 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 crédito e séries de tendências de mercado via API. Na fase de testes, os dados serão enviados pelo agente diretamente por upload de um arquivo CSV na interface da Prototipe AI, para acelerar o processo de validação.
- Tipo do input: Conjunto de séries temporais e dados tabulares históricos sobre crédito e macroeconomia.
- Formatos Suportados: Arquivos CSV (.csv) ou Parquet (.parquet).
- Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 100.000 caracteres.
1.3.2 Especificação do Output
- Formato de output: O output deve ser um objeto JSON contendo dados preparados, janela temporal, séries unificadas, variáveis explicativas, metadados e sinalizadores.
-
Exemplo de Estrutura de Output:
{ "dados_preparados": true, "janela_temporal": {"inicio": "YYYY-MM-DD", "fim": "YYYY-MM-DD"}, "series_unificadas": [{"carteira": "Varejo", "indicador": "inadimplencia_90d", "frequencia": "mensal", "valores": [{"data": "YYYY-MM-01", "valor": 0.035}]}], "variaveis_explicativas": ["desemprego", "ipca", "selic", "crescimento_pib"], "metadados": {"imputacao": {"metodo": "ffill_max2_interpolacao_linear"}}, "sinalizadores": {"dados_suficientes": true} } - Número de caracteres esperado: O JSON gerado deve ter um tamanho estimado em 3.000 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 Modelagem e Previsão de Tendências de Crédito (RF 2).
1.3.6 Regras de Orquestração e Transição
Ao concluir sua execução, esse agente aciona o Agente de Modelagem e Previsão de Tendências de Crédito (RF 2).
RF 2. Agente de Modelagem e Previsão de Tendências de Crédito
2.1 Tarefa do Agente
Gerar previsões mensais de curto (H+3) e médio prazo (H+12) para indicadores de crédito por carteira, incorporando tendências de mercado e avaliando incerteza.
2.2 Prompt ou Instruções do Agente
# 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um objeto JSON contendo dados preparados e séries unificadas para previsão.
# 2. Objetivo
Gerar previsões mensais de curto (H+3) e médio prazo (H+12) para indicadores de crédito por carteira, incorporando tendências de mercado e avaliando incerteza.
# 3. Regras que você deve seguir para gerar sua resposta
- Três abordagens mínimas: Projeção por tendência+sazonalidade, projeção autoregressiva, e regressão com variáveis exógenas.
- Validação temporal: Execute validação rolling-origin com janela inicial mínima de 24 meses.
- Combinação parcimoniosa: Combine previsões estáveis por média ponderada.
- Exógenas e multicolinearidade: Selecione variáveis explicativas com correlação moderada.
# 4. Exemplo de Output que você deve produzir
{
"previsoes_disponiveis": true,
"horizontes": {"curto_prazo_meses": 3, "medio_prazo_meses": 12},
"forecast": [{"carteira": "Varejo", "indicador": "inadimplencia_90d", "passo": "2026-01-01", "valor_previsto": 0.041, "ic_inferior": 0.036, "ic_superior": 0.047}],
"modelos": {"Varejo|inadimplencia_90d": {"tipo": "ensemble_tendencia_autoregressiva_regressao_exogena", "variaveis": ["selic_lag1", "desemprego_lag2", "variacao_ipca_12m"], "backtest": {"metrica": "sMAPE", "janela_rolling": 12, "sMAPE": 0.082, "MAE": 0.0031}}},
"diagnosticos": {"estacionariedade": "parcial", "sazonalidade": "anual", "importancias": [{"variavel": "selic_lag1", "peso": 0.31}]},
"sinalizadores": {"drift_detectado": false, "necessita_retreino": false}
} 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: Objeto JSON contendo dados preparados e séries unificadas para previsão.
- Formatos Suportados: JSON.
- Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 10.000 caracteres.
2.3.2 Especificação do Output
- Formato de output: O output deve ser um objeto JSON contendo previsões, horizontes, modelos, diagnósticos e sinalizadores.
-
Exemplo de Estrutura de Output:
{ "previsoes_disponiveis": true, "horizontes": {"curto_prazo_meses": 3, "medio_prazo_meses": 12}, "forecast": [{"carteira": "Varejo", "indicador": "inadimplencia_90d", "passo": "2026-01-01", "valor_previsto": 0.041, "ic_inferior": 0.036, "ic_superior": 0.047}], "modelos": {"Varejo|inadimplencia_90d": {"tipo": "ensemble_tendencia_autoregressiva_regressao_exogena", "variaveis": ["selic_lag1", "desemprego_lag2", "variacao_ipca_12m"], "backtest": {"metrica": "sMAPE", "janela_rolling": 12, "sMAPE": 0.082, "MAE": 0.0031}}}, "diagnosticos": {"estacionariedade": "parcial", "sazonalidade": "anual", "importancias": [{"variavel": "selic_lag1", "peso": 0.31}]}, "sinalizadores": {"drift_detectado": false, "necessita_retreino": false} } - Número de caracteres esperado: O JSON gerado deve ter um tamanho estimado em 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
- 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 Geração de Insights e Estratégias Financeiras (RF 3).
2.3.6 Regras de Orquestração e Transição
Ao concluir sua execução, esse agente aciona o Agente de Geração de Insights e Estratégias Financeiras (RF 3).
RF 3. Agente de Geração de Insights e Estratégias Financeiras
3.1 Tarefa do Agente
Traduzir previsões em insights acionáveis e recomendações para ajuste de estratégias de crédito.
3.2 Prompt ou Instruções do Agente
# 1. Contexto e explicações sobre inputs iniciais Você está recebendo um objeto JSON do agente de modelagem contendo previsões, intervalos, diagnósticos, modelos e sinalizadores. # 2. Objetivo Traduzir previsões em insights acionáveis e recomendações para ajuste de estratégias de crédito. # 3. Regras que você deve seguir para gerar sua resposta - Sumário executivo acionável: Descreva os 3 principais movimentos previstos e seus impactos esperados. - Traçar ação para cada previsão relevante: Proponha ao menos uma ação concreta para políticas de crédito, risco e operação. - Quantificação com ranges: Forneça faixas numéricas atreladas à incerteza. # 4. Exemplo de Output que você deve produzir ## Sumário Executivo - Contexto temporal: YYYY-MM a YYYY-MM - Principais tendências por carteira e indicador (top 3 movimentos esperados) - Riscos e incertezas (drivers macro críticos) ## Destaques Quantitativos | Carteira | Indicador | H+3 | H+12 | IC (H+12) | |---|---|---|---|---| ## Drivers e Sensibilidades - Variáveis com maior importância e direção do efeito - Análise de sensibilidade: choques de +/−100 bps em juros, +/−1 pp desemprego ## Recomendações Estratégicas - Política de crédito: ajustes sugeridos (limites, parcelas, pricing) - Gestão de risco: provisões, cut-offs, monitoramento - Operação: segmentação, ações por carteira ## Plano de Atualização - Frequência sugerida (mensal) e gatilhos de retreino - Indicadores de monitoramento contínuo ## Apêndice - Métricas de backtest e qualidade de dados - Observações sobre drift e limitações
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: Objeto JSON do agente de modelagem contendo previsões, intervalos, diagnósticos, modelos e sinalizadores.
- Formatos Suportados: JSON.
- Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 5.000 caracteres.
3.3.2 Especificação do Output
- Formato de output: O output deve ser um relatório textual estruturado em Markdown, contendo sumário executivo, destaques quantitativos, drivers e sensibilidades, recomendações estratégicas, plano de atualização e apêndice.
-
Exemplo de Estrutura de Output:
## Sumário Executivo - Contexto temporal: YYYY-MM a YYYY-MM - Principais tendências por carteira e indicador (top 3 movimentos esperados) - Riscos e incertezas (drivers macro críticos) ## Destaques Quantitativos | Carteira | Indicador | H+3 | H+12 | IC (H+12) | |---|---|---|---|---| ## Drivers e Sensibilidades - Variáveis com maior importância e direção do efeito - Análise de sensibilidade: choques de +/−100 bps em juros, +/−1 pp desemprego ## Recomendações Estratégicas - Política de crédito: ajustes sugeridos (limites, parcelas, pricing) - Gestão de risco: provisões, cut-offs, monitoramento - Operação: segmentação, ações por carteira ## Plano de Atualização - Frequência sugerida (mensal) e gatilhos de retreino - Indicadores de monitoramento contínuo ## Apêndice - Métricas de backtest e qualidade de dados - Observações sobre drift e limitações
- Número de caracteres esperado: O relatório final deve ter um tamanho estimado em 6.000 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. O relatório gerado é o resultado que deve ser disponibilizado ao usuário.