Agente de IA para Suporte a Decisões de Matrícula

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

Como criar um agente de IA que fornece recomendações sobre melhores práticas e decisões relacionadas a matrículas com base em dados históricos e tendências.

1. Propósito e Escopo

Este documento define todos os prompts, configurações de memória, transição entre estados, ferramentas como chamadas a sistemas externos, consulta a documentos e demais requisitos funcionais para o Agente de IA para Suporte a Decisões de Matrícula. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específico para construção de Agentes de IA.

O objetivo principal é fornecer recomendações informadas e baseadas em dados históricos e tendências para auxiliar a administração escolar nas decisões sobre matrículas.

2. Contexto e Problema

Cenário Atual

As instituições educacionais enfrentam dificuldades em tomar decisões informadas sobre matrículas devido à falta de dados suficientes e recomendações baseadas em tendências. Problemas específicos incluem:

  • Dificuldade em tomar decisões informadas sobre matrículas sem dados suficientes.
  • Falta de recomendações baseadas em dados históricos e tendências.

Problemas Identificados

  • Decisões Desinformadas: A ausência de dados robustos leva a decisões que podem não otimizar a capacidade ou os recursos da instituição.
  • Falta de Insights: Sem uma análise adequada dos dados históricos, a administração não consegue prever tendências futuras ou ajustar suas estratégias de matrícula.
  • Atualização Constante: A necessidade de atualizar continuamente as recomendações com base em novos dados é um desafio constante.

3. Impactos Esperados

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

  • Melhorar a precisão das decisões de matrícula através de recomendações baseadas em dados históricos e tendências.
  • Fornecer insights práticos e acionáveis para a administração escolar.
  • Atualizar continuamente as recomendações com base em dados mais recentes para garantir relevância e eficácia.

4. Visão Geral da Solução

O agente de IA para suporte a decisões de matrícula compila e analisa dados históricos de matrículas para gerar insights e fornecer recomendações práticas e baseadas em evidências para a administração escolar. A seguir são detalhadas todas as regras de negócio e especificações funcionais necessárias para que esse agente atue como um assistente útil e autônomo nas decisões de matrícula.

A solução consiste em um fluxo de automação composto por 4 agentes de IA. O processo inicia com a validação e normalização dos dados de matrícula e termina com a geração de recomendações práticas para a administração escolar.

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

Agentes Função Principal
Agente de Validação e Normalização de Dados de Matrículas (RF 1) Validar e normalizar dados históricos de matrículas para garantir consistência analítica.
Agente de Análise Descritiva e Tendências de Matrículas (RF 2) Gerar insights descritivos e de tendência a partir do dataset padronizado.
Agente de Projeção Simplificada de Matrículas (RF 3) Produzir projeções de curto prazo por curso com base em tendências históricas simples.
Agente de Recomendações para Administrações Escolares (RF 4) Gerar recomendações práticas e priorizadas com base em insights e projeções.

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

6. Requisitos Funcionais

RF 1. Agente de Validação e Normalização de Dados de Matrículas

1.1 Tarefa do Agente

Validar a estrutura e a qualidade dos dados históricos de matrículas e normalizá-los para uso analítico consistente.

1.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um arquivo ou payload tabular (CSV/JSON) contendo dados históricos de matrículas.

# 2. Objetivo
Validar a estrutura, a qualidade e normalizar esses dados para garantir um uso analítico consistente.

# 3. Regras que você deve seguir para gerar sua resposta
- Exigir presença das colunas mínimas: ano, curso, numero_matriculas; se ausentes, definir status_validacao='reprovado' e listar motivos_reprovacao.
- Padronizar tipos: ano como inteiro de 1900 a ano_atual+1; numero_matriculas como inteiro >= 0; taxa_retencao como float entre 0 e 1 (converter percentuais >1 dividindo por 100).
- Tratar valores faltantes: se numero_matriculas ausente, descartar linha e contabilizar; se taxa_retencao ausente, manter nulo e registrar no metricas_qualidade.
- Normalizar nomes de curso: remover espaços duplos, casefold, corrigir variações comuns (ex.: 'adm', 'administração' -> 'Administração'); produzir curso_id estável por hashing do nome padronizado.
- Remover duplicatas por chave (ano, curso_id, campus, periodo_letivo); quando múltiplas ocorrências, manter o maior numero_matriculas e a taxa_retencao não nula.
- Detectar outliers simples: marcar linhas com numero_matriculas zero sucedendo ano com média > 0 como outlier_potencial; não excluir, apenas sinalizar.
- Gerar metricas_qualidade e definir flags.dados_prontos_para_analise=true somente se colunas mínimas válidas e >80% das linhas com numero_matriculas válidos.
- Se status_validacao='reprovado', dataset_padronizado deve ser lista vazia e flags.dados_prontos_para_analise=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 arquivo ou payload tabular via API. Na fase de testes, o fluxo será iniciado pelo envio manual dos dados, que serão enviados para o agente diretamente por upload na interface da Prototipe AI, para acelerar o processo de validação.
  • Tipo do input: O input inicial para o fluxo é um arquivo ou payload tabular (CSV/JSON).
  • Formatos Suportados: Esse agente deve ser capaz de receber dados nos formatos: .csv, .json.
  • 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 JSON contendo o status de validação, motivos de reprovação (se houver), dataset padronizado, dicionário de dimensões, métricas de qualidade e flags.
  • Exemplo de Estrutura de Output:
     {
      "status_validacao": "aprovado",
      "motivos_reprovacao": [],
      "dataset_padronizado": [{"ano": 2025, "curso_id": "123", "curso_nome": "Administração", "numero_matriculas": 200, "taxa_retencao": 0.85}],
      "dicionario_dimensoes": {"curso_mapeamento": {"original": "padrao"}},
      "metricas_qualidade": {"linhas_totais": 1000, "linhas_invalidas": 50, "linhas_deduplicadas": 5, "%faltantes_por_campo": {"numero_matriculas": 0.02}},
      "flags": {"dados_prontos_para_analise": true}
    } 
  • Número de caracteres esperado: O JSON final deve ser conciso e informativo, com um tamanho estimado em torno de 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: Utiliza lógica interna para calcular métricas de qualidade.
  • 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 Análise Descritiva e Tendências de Matrículas (RF 2).

RF 2. Agente de Análise Descritiva e Tendências de Matrículas

2.1 Tarefa do Agente

Gerar insights descritivos e de tendência a partir do dataset padronizado.

2.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON contendo o dataset padronizado e a flag de dados prontos para análise.

# 2. Objetivo
Gerar insights descritivos e de tendência a partir dos dados recebidos.

# 3. Regras que você deve seguir para gerar sua resposta
- Calcular crescimento_total_% entre primeiro e último ano disponíveis, ignorando anos com dados ausentes.
- Listar top 5 cursos pelo numero_matriculas no último ano completo.
- Para cada curso com série >= 3 pontos, calcular CAGR em 5 anos (ou no horizonte disponível se menor) e registrar como cagr_5a.
- Identificar queda_relevante quando a média dos últimos 3 anos for ao menos 15% menor que a média dos 3 anos anteriores (se houver histórico suficiente).
- Marcar capacidade_saturada_suspeita quando crescimento_%_2anos > 20% e o último ano estiver no top quartil de matrículas históricas do curso.
- Analisar retenção: reportar mediana geral e listar cursos com taxa_retencao do último ano acima da mediana + 10 p.p.
- Todos percentuais devem ser entregues como números decimais (ex.: 0.23 para 23%).
- Se dataset_padronizado vazio, retornar analise_concluida=false e incluir campo erro='sem_dados_validos'.
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 JSON contendo o dataset padronizado e a flag de dados prontos para análise.
  • 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.

2.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON com insights descritivos, tendências e alertas identificados.
  • Exemplo de Estrutura de Output:
     {
      "insights_descritivos": {
        "resumo_geral": {"anos_cobertos": [2020, 2021, 2022], "cursos_totais": 10, "media_matriculas_anual": 200, "crescimento_total_%": 0.15},
        "top_cursos_por_matriculas": [{"curso_id": "123", "curso_nome": "Administração", "matriculas_ultimo_ano": 200}],
        "evolucao_por_curso": [{"curso_id": "123", "serie": {"2020": 150, "2021": 180, "2022": 200}, "cagr_5a": 0.10}],
        "analise_retencao": {"mediana": 0.85, "cursos_acima_da_mediana": ["Administração"]},
        "alertas": {"queda_relevante": [{"curso": "Engenharia", "queda_%_3anos": 0.20}], "capacidade_saturada_suspeita": [{"curso": "Medicina", "crescimento_%_2anos": 0.25}]},
        "carimbo_tempo": "2025-04-12T10:22:00Z",
        "analise_concluida": true
      }
    } 
  • Número de caracteres esperado: O JSON gerado deve ser claro e direto, com 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: Utiliza lógica interna para calcular insights e tendências.
  • 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 Projeção Simplificada de Matrículas (RF 3).

RF 3. Agente de Projeção Simplificada de Matrículas

3.1 Tarefa do Agente

Produzir projeções de curto prazo por curso com base em tendências históricas simples.

3.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON contendo insights descritivos e tendências por curso.

# 2. Objetivo
Produzir projeções de curto prazo por curso com base nos dados recebidos.

# 3. Regras que você deve seguir para gerar sua resposta
- Definir horizonte_anos=3 se a série histórica tiver >=5 anos; caso contrário, horizonte_anos=1.
- Se existir cagr_5a válido, aplicar metodologia='CAGR'; caso contrário, usar 'MediaMovel' com janela de 3 anos.
- base_ano deve ser o último ano completo da série; base_valor o numero_matriculas desse ano.
- Calcular intervalo_confianca_simplificado por ano com variação ±10% quando metodologia='CAGR' e ±15% quando 'MediaMovel'.
- Não gerar projeção para cursos com apenas 1 ponto na série; marcá-los em por_curso como {projetavel:false, motivo:'historico_insuficiente'}.
- Garantir que valores projetados não sejam negativos e sejam inteiros não negativos após arredondamento.
3.3 Configurações do Agente

3.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão bem-sucedida do agente anterior (RF 2).
  • Tipo do input: Este agente deve ser apto a receber como input um JSON contendo insights descritivos e tendências por curso.
  • 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.

3.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON contendo projeções de curto prazo por curso.
  • Exemplo de Estrutura de Output:
     {
      "projecoes": {
        "horizonte_anos": 3,
        "por_curso": [{"curso_id": "123", "curso_nome": "Administração", "base_ano": 2022, "base_valor": 200, "metodologia": "CAGR", "projecoes": {"2023": 210, "2024": 220, "2025": 230}, "intervalo_confianca_simplificado": {"2023": {"min": 189, "max": 231}, "2024": {"min": 198, "max": 242}, "2025": {"min": 207, "max": 253}}}],
        "projecao_concluida": true,
        "carimbo_tempo": "2025-04-12T10:22:00Z"
      }
    } 
  • Número de caracteres esperado: O JSON gerado 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: Utiliza lógica interna para calcular projeções e intervalos de confiança.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

3.3.5 Memória

3.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Recomendações para Administrações Escolares (RF 4).

RF 4. Agente de Recomendações para Administrações Escolares

4.1 Tarefa do Agente

Gerar recomendações práticas e priorizadas com base em insights e projeções.

4.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON combinando insights descritivos e projeções concluídas.

# 2. Objetivo
Gerar recomendações práticas e priorizadas para a administração escolar com base nos dados recebidos.

# 3. Regras que você deve seguir para gerar sua resposta
- Priorizar ações para cursos com crescimento consistente (cagr_5a > 0.05) e posição no top quartil de matrículas recentes: recomendar aumento de capacidade (turmas/turnos) e reforço de infraestrutura.
- Para cursos com queda_relevante, recomendar revisão de portfólio e campanhas segmentadas; se taxa_retencao < mediana-10 p.p., incluir ações de permanência (mentorias, nivelamento).
- Se metodologia de projeção indicar crescimento > 10% no próximo ano, incluir recomendação de planejamento de docentes e salas com antecedência mínima de 1 semestre.
- Para cursos não projetáveis por histórico insuficiente, recomendar coleta e qualificação de dados como pré-requisito antes de decisões estruturais.
- Classificar prioridade: 'alta' quando impacto_estimado='alto' e janela de decisão <= próximo_semestre; 'media' para impacto 'medio' ou janela='ano_letivo'; 'baixa' para melhorias incrementais.
- Incluir sempre KPIs mensuráveis: taxa_matricula, taxa_retencao, taxa_ocupacao_vagas, tempo_medio_matricula, custo_aquisicao_por_aluno.
- Todas as recomendações devem citar explicitamente os dados que as fundamentam em racional_dados (ex.: 'CAGR 5a=0.12; último ano=320 matrículas; IC superior indica 360').
- Atualizar atualizado_em com timestamp atual e definir recomendacao_concluida=true somente se entradas estiverem completas; caso contrário, retornar erro='insumos_insuficientes'.
4.3 Configurações do Agente

4.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão bem-sucedida do agente anterior (RF 3).
  • Tipo do input: Este agente deve ser apto a receber como input um JSON combinando insights descritivos e projeções concluídas.
  • 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.

4.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON contendo recomendações práticas e priorizadas para a administração escolar.
  • Exemplo de Estrutura de Output:
     {
      "recomendacoes": {
        "itens": [{"id": 1, "curso_id": "123", "titulo": "Aumento de Capacidade para Administração", "acao_recomendada": "Expandir turmas e reforçar infraestrutura", "prioridade": "alta", "racional_dados": "CAGR 5a=0.12; último ano=320 matrículas; IC superior indica 360", "impacto_estimado": "alto", "horizonte": "próximo_semestre", "prerequisitos": [], "kpis_monitorar": ["taxa_matricula", "taxa_retencao", "taxa_ocupacao_vagas"]}],
        "versao_regras": "1.0",
        "atualizado_em": "2025-04-12T10:22:00Z",
        "recomendacao_concluida": true
      }
    } 
  • Número de caracteres esperado: O JSON gerado 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: Utiliza lógica interna para calcular prioridades e impactos.
  • 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 é o entregável final e não é passada para outros agentes internos.

4.3.6 Regras de Orquestração e Transição

A execução deste agente finaliza o fluxo, gerando recomendações práticas e priorizadas para a administração escolar.

© 2025 prototipe.ai. Todos os direitos reservados.