Módulo 2B.3: Criação de Agentes Educacionais com IA

### Definição: Agente = LLM + Ferramentas + Loop de Raciocínio Diferença de Chatbot: Chatbot: `` User: "Qual a capital da França?" LLM: "A capital da França é Paris." [1 turno, resposta direta] ` Agente: ` User: "Me dê informações atualizadas sobre Paris" Agent (interno): 1. Thought: "Preciso buscar informações recentes" 2. Action: google_search("Paris novidades 2025") 3. Observation: [Resultados da busca] 4. Thought: "Preciso sintetizar em tópicos" 5. Action: None (raciocínio suficiente) 6. Final Answer: "Aqui estão 5 novidades sobre Paris..." [Multi-step, usa ferramentas, raciocínio iterativo] `` ---

### Componente 1: Brain (LLM) Função: Raciocínio e decisão Modelos Recomendados:

• GPT-4: Melhor raciocínio, mais caro
• GPT-3.5: Bom custo-benefício
• Claude 3: Forte em reasoning chains
• LLaMA 3 70B: Open-source, mas requer infra

--- ### Componente 2: Tools (Ferramentas) Função: Ações que agente pode executar Exemplos Educacionais: ``python tools = [ Tool( name="Buscar_Biblioteca", func=buscar_em_pdfs, description="Busca informação em materiais do curso" ), Tool( name="Gerar_Quiz", func=gerar_questoes, description="Cria questões de múltipla escolha sobre tópico" ), Tool( name="Avaliar_Resposta", func=corrigir_resposta, description="Avalia resposta do aluno (0-10)" ), Tool( name="Recomendar_Material", func=recomendar_recurso, description="Sugere material baseado em dificuldades" ) ] ` Anatomia de uma Tool:

• Nome: Identificador único
• Função: Código Python que executa
• Descrição: Como LLM entende quando usar (crítico!)

--- ### Componente 3: Memory (Memória) Função: Lembrar interações passadas Tipos: Short-term (Conversa Atual): `python from langchain.memory import ConversationBufferMemory memory = ConversationBufferMemory() memory.save_context( {"input": "Olá"}, {"output": "Olá! Como posso ajudar?"} ) ` Long-term (Entre Sessões): `python from langchain.memory import VectorStoreRetrieverMemory # Armazena em vector DB, busca por similaridade memory = VectorStoreRetrieverMemory(retriever=vectordb.as_retriever()) ` --- ### Componente 4: Agent Loop (Ciclo de Raciocínio) Framework: ReAct (Reasoning + Acting) ` Loop até responder: 1. REASON: "Que informação preciso?" 2. ACT: Usar ferramenta 3. OBSERVE: Ver resultado 4. [Repetir ou finalizar] ` Exemplo Real: ` User: "Crie quiz sobre fotossíntese para 8º ano" Iteration 1: ├─ Thought: "Preciso saber o que alunos já aprenderam" ├─ Action: Buscar_Biblioteca(tópico="fotossíntese", série="8º ano") └─ Observation: "Alunos já viram cloroplastos, mas não Calvin cycle" Iteration 2: ├─ Thought: "Vou criar questões focadas no nível deles" ├─ Action: Gerar_Quiz(tópico="fotossíntese", nível="intermediário", n=5) └─ Observation: [5 questões geradas] Iteration 3: ├─ Thought: "Questões estão boas, posso responder" ├─ Action: None └─ Final Answer: "Aqui está seu quiz: [QUESTÕES]" `` ---

### Objetivo: Criar agente que ensina fazendo perguntas (método socrático), não dando respostas diretas. ### Código (LangChain): ``python from langchain.agents import initialize_agent, Tool from langchain.llms import OpenAI from langchain.memory import ConversationBufferMemory # Ferramentas def avaliar_compreensao(resposta_aluno: str) -> str: """Avalia se aluno entendeu conceito baseado na resposta""" prompt = f""" Resposta do aluno: {resposta_aluno} Analise: 1. Aluno demonstrou compreensão? (Sim/Parcial/Não) 2. Conceitos corretos mencionados 3. Misconceptions identificadas Formato: JSON """ # [Chamar LLM para analisar] return resultado def gerar_pergunta_socratica(topico: str, nivel_dificuldade: str) -> str: """Gera pergunta que leva aluno a descobrir resposta""" prompt = f""" Tópico: {topico} Nível: {nivel_dificuldade} Crie pergunta socrática que: - Não dá resposta direta - Faz aluno pensar e conectar conceitos - Usa analogias ou contra-exemplos Exemplo ruim: "O que é fotossíntese?" Exemplo bom: "Se plantas precisam de luz solar, como sobrevivem em florestas densas?" """ # [Chamar LLM] return pergunta tools = [ Tool( name="Avaliar_Compreensao", func=avaliar_compreensao, description="Usa isto quando aluno responder uma pergunta. Retorna análise de compreensão." ), Tool( name="Gerar_Pergunta", func=gerar_pergunta_socratica, description="Usa isto para criar próxima pergunta baseada em tópico e nível." ) ] # System Prompt system_prompt = """ Você é um tutor socrático de biologia. Regras: 1. NUNCA dê respostas diretas 2. SEMPRE faça perguntas que levem aluno a descobrir 3. Use analogias e exemplos do cotidiano 4. Se aluno errar, faça pergunta mais simples 5. Se acertar, aprofunde com pergunta mais complexa 6. Seja encorajador e paciente Ferramentas disponíveis: {tools} Formato de resposta: Thought: [Seu raciocínio] Action: [Ferramenta a usar] Action Input: [Input da ferramenta] Observation: [Resultado da ferramenta] ... (repita Thought/Action/Observation até ter resposta) Final Answer: [Sua pergunta para o aluno] """ # Inicializar agente llm = OpenAI(temperature=0.7, model="gpt-4") memory = ConversationBufferMemory(memory_key="chat_history") agent = initialize_agent( tools=tools, llm=llm, agent="conversational-react-description", memory=memory, verbose=True, # Ver raciocínio interno system_message=system_prompt ) # Usar response = agent.run("Quero entender fotossíntese") print(response) ` Output Esperado: ` Thought: Aluno quer entender fotossíntese. Vou começar descobrindo conhecimento prévio. Action: Gerar_Pergunta Action Input: {"topico": "fotossíntese", "nivel_dificuldade": "iniciante"} Observation: "Você já viu plantas em lugares diferentes (sombra vs sol). O que você nota de diferente nelas?" Final Answer: Ótimo! Vamos explorar fotossíntese juntos. Para começar: você já percebeu que plantas crescem em lugares diferentes - algumas no sol, outras na sombra. O que você acha que muda em plantas que ficam em locais muito ensolarados comparado às que ficam na sombra? `` ---

### Objetivo: Agente que cria aula completa: 1. Pesquisa tópico 2. Estrutura conteúdo 3. Gera materiais (slides, quiz, atividades) 4. Valida qualidade ### Arquitetura Plan-and-Execute: ``python from langchain.agents import create_plan_and_execute_agent from langchain.tools import Tool # Fase 1: PLAN plan_prompt = """ Tarefa: Criar aula de 50min sobre {topico} para {publico} Crie plano com: 1. Objetivos de aprendizagem (3-5) 2. Estrutura da aula (tempo em minutos) 3. Materiais necessários 4. Forma de avaliação Formato: Lista numerada de passos acionáveis """ # Fase 2: EXECUTE # Agente executa cada passo do plano usando ferramentas tools = [ Tool( name="Pesquisar_Conteudo", func=pesquisar_web_e_pdfs, description="Busca informações atualizadas sobre tópico" ), Tool( name="Gerar_Slide", func=criar_slide_markdown, description="Cria slide em markdown com título, conteúdo, imagens" ), Tool( name="Gerar_Quiz", func=criar_questoes, description="Cria questões de múltipla escolha" ), Tool( name="Validar_Qualidade", func=revisar_conteudo, description="Verifica se conteúdo está adequado (Bloom, BNCC, etc)" ) ] agent = create_plan_and_execute_agent( llm=llm, tools=tools, verbose=True ) # Executar resultado = agent.run( "Crie aula sobre Inteligência Artificial para ensino médio (15-17 anos)" ) ` Output: ` Plan: 1. Pesquisar: conceitos de IA adequados para ensino médio 2. Estruturar: aula de 50min (5min intro, 20min conceitos, 15min prática, 10min avaliação) 3. Criar: 10 slides sobre IA (história, tipos, ética) 4. Gerar: 5 questões de múltipla escolha 5. Validar: checar alinhamento com BNCC 6. Empacotar: ZIP com slides + quiz + plano de aula Executing Step 1... [Agente usa ferramenta Pesquisar_Conteudo] Found: "IA é campo da computação que simula inteligência humana..." Executing Step 2... [Agente raciocina sobre estrutura] Structure: Intro (historia) → Tipos (supervised/unsupervised/RL) → Etica → Hands-on ... Final Package: ├── aula_ia.md (10 slides) ├── quiz_ia.json (5 questões) ├── plano_aula.pdf └── recursos_adicionais.txt `` ---

### Conceito: Múltiplos agentes especializados trabalhando juntos. Exemplo: Criação de Curso Completo `` Agente 1 - Pesquisador: └─ Busca conteúdo, papers, exemplos Agente 2 - Designer Instrucional: └─ Estrutura curso seguindo ADDIE Agente 3 - Criador de Conteúdo: └─ Gera aulas, slides, atividades Agente 4 - Avaliador: └─ Cria quizzes, rubricas Agente 5 - Revisor: └─ Valida qualidade, corrige erros ` ### Implementação (CrewAI): `python from crewai import Agent, Task, Crew # Definir agentes pesquisador = Agent( role="Pesquisador Educacional", goal="Encontrar conteúdo de qualidade sobre {topico}", backstory="Você é PhD em Educação com 15 anos pesquisando métodos eficazes", tools=[google_search, arxiv_search, wikipedia], verbose=True ) designer = Agent( role="Designer Instrucional", goal="Estruturar aprendizagem seguindo melhores práticas", backstory="Especialista em ADDIE, Bloom, Merrill", tools=[criar_estrutura, alinhar_bncc], verbose=True ) criador = Agent( role="Criador de Conteúdo", goal="Gerar materiais envolventes e claros", backstory="Você é professor com 10 anos criando recursos didáticos", tools=[gerar_slide, gerar_atividade, gerar_video_script], verbose=True ) revisor = Agent( role="Revisor de Qualidade", goal="Garantir excelência pedagógica", backstory="Coordenador pedagógico rigoroso com olho para detalhes", tools=[validar_conteudo, checar_acessibilidade], verbose=True ) # Definir tarefas task1 = Task( description="Pesquisar sobre {topico} e compilar 10 melhores recursos", agent=pesquisador ) task2 = Task( description="Criar estrutura de curso de 12h baseado na pesquisa", agent=designer ) task3 = Task( description="Gerar materiais para os 6 módulos do curso", agent=criador ) task4 = Task( description="Revisar todos os materiais e sugerir melhorias", agent=revisor ) # Criar crew (equipe) crew = Crew( agents=[pesquisador, designer, criador, revisor], tasks=[task1, task2, task3, task4], verbose=True ) # Executar resultado = crew.kickoff(inputs={"topico": "Pensamento Computacional para Ensino Fundamental"}) print(resultado) ` Output: ` [Pesquisador]: Encontrei 10 recursos sobre pensamento computacional... [Designer]: Estruturei curso em 6 módulos: 1) Decomposição, 2) Padrões... [Criador]: Gerados 6 conjuntos de materiais com 18 atividades... [Revisor]: Validação completa. Sugestões: Módulo 3 muito denso, sugiro dividir... Final Result: ✅ Curso de 12h estruturado ✅ 18 atividades hands-on ✅ 6 avaliações formativas ✅ Alinhado com BNCC (EF05MA05, EF67LP04...) `` ---

### 1. Loops Infinitos Problema: Agente fica preso em ciclo `` Thought: Preciso de mais informação Action: Buscar Observation: [Resultados] Thought: Preciso de mais informação Action: Buscar [LOOP INFINITO] ` Solução: `python agent = initialize_agent( ..., max_iterations=10, # Limitar iterações early_stopping_method="generate" # Forçar resposta após max ) ` --- ### 2. Uso Excessivo de Ferramentas Problema: Agente usa 10 ferramentas para tarefa simples (custo $$) Solução: Few-shot Examples `python system_prompt = """ Você é um agente eficiente. Bons exemplos: User: "Qual a capital da França?" Thought: Sei a resposta, não preciso de ferramentas Action: None Final Answer: "Paris" User: "Pesquise últimas notícias sobre IA" Thought: Preciso buscar informação atualizada Action: google_search("IA novidades 2025") [Usa ferramenta apropriadamente] """ ` --- ### 3. Alucinação de Ferramentas Problema: Agente inventa ferramentas que não existem ` Action: Ferramenta_Magica(input="resolver tudo") [ERRO: Ferramenta não existe] ` Solução: Descrições Claras `python # Ruim Tool(name="Search", description="Busca coisas") # Bom Tool( name="Buscar_Biblioteca_Curso", description="Busca informação APENAS nos PDFs do curso XYZ. Use quando aluno perguntar sobre conteúdo do curso. NÃO use para informações gerais da web." ) `` ---