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 "Análise de Tendências de Crédito", uma solução de automação projetada para identificar padrões e tendências em dados históricos de crédito. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.
O objetivo é transformar grandes volumes de dados em insights acionáveis que possam apoiar decisões estratégicas em instituições financeiras.
2. Contexto e Problema
Problemas Identificados
- Dificuldade em identificar padrões e tendências: As instituições financeiras enfrentam desafios ao analisar grandes volumes de dados de crédito para identificar padrões emergentes.
- Necessidade de suporte na tomada de decisões: A análise manual é lenta e muitas vezes imprecisa, dificultando decisões estratégicas baseadas em dados históricos.
3. Impactos Esperados
A implementação deste agente visa alcançar os seguintes resultados:
- Automatizar a análise de dados de crédito para reduzir o tempo necessário para identificar tendências.
- Gerar insights acionáveis que possam ser utilizados para ajustar políticas de crédito.
- Melhorar a precisão das decisões estratégicas baseadas em dados históricos.
4. Visão Geral da Solução
O agente de IA para análise de tendências de crédito processa dados históricos de crédito, aplica algoritmos de machine learning para identificar padrões e tendências emergentes e gera relatórios com insights estratégicos. A seguir são detalhadas todas as regras de negócio e especificações funcionais necessárias para que esse agente atue como um analista eficiente e autônomo na identificação de tendências de crédito.
A solução consiste em um fluxo de automação composto por um agente de IA que recebe dados históricos de crédito e produz relatórios compreensivos.
| Agente | Função Principal |
|---|---|
Agente de Análise de Dados de Crédito (RF 1)
| Analisar dados históricos de crédito para identificar padrões e tendências emergentes. |
5. Protótipos
Para proporcionar uma visão clara e tangível da solução proposta, criamos protótipos que demonstram o fluxo de trabalho do agente e o resultado final que as instituições financeiras receberão. Explore os links abaixo para entender melhor a solução em ação.
6. Requisitos Funcionais
RF 1. Agente de Análise de Dados de Crédito
1.1 Tarefa do Agente
Analisar dados históricos de crédito para identificar padrões e tendências emergentes, gerando insights acionáveis para decisões estratégicas.
1.2 Prompt ou Instruções do Agente
# 1. Contexto e explicações sobre inputs iniciais Você está recebendo dados históricos de crédito em formato CSV. Estes dados incluem informações como data, valor, tipo de crédito e identificador do cliente. # 2. Objetivo Analisar os dados para identificar padrões e tendências emergentes que possam apoiar decisões estratégicas em instituições financeiras. # 3. Regras que você deve seguir para gerar sua resposta - Utilize algoritmos de machine learning para analisar padrões sazonais e comportamentais nos dados. - Gere insights acionáveis baseados nos padrões identificados, como mudanças no comportamento de pagamento ou aumento de inadimplência. - Apresente os resultados com visualizações claras, como gráficos de linha e barras, para facilitar a interpretação. - Forneça recomendações estratégicas baseadas nos insights, como ajustes de políticas de crédito ou identificação de segmentos de risco. # 4. Exemplo de Output que você deve produzir **Relatório de Análise de Tendências de Crédito** - **Padrões Sazonais Identificados:** Aumento de solicitações de crédito no final do ano. - **Tendências Comportamentais:** Crescente inadimplência em determinados segmentos. - **Recomendações:** Revisar políticas de crédito para segmentos de alto risco.
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 via API. Na fase de testes, os dados serão enviados diretamente por upload de um arquivo CSV na interface da Prototipe AI, para acelerar o processo de validação.
- Tipo do input: O input inicial para o fluxo é um arquivo CSV contendo dados históricos de crédito.
-
Formatos Suportados: Esse agente deve ser capaz de receber arquivos nos formatos:
.csv. - Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 500.000 caracteres.
1.3.2 Especificação do Output
- Formato de output: O output deve ser um relatório em formato markdown, contendo insights sobre padrões e tendências de crédito, incluindo gráficos e recomendações estratégicas.
-
Exemplo de Estrutura de Output:
**Relatório de Análise de Tendências de Crédito** - **Padrões Sazonais Identificados:** Aumento de solicitações de crédito no final do ano. - **Tendências Comportamentais:** Crescente inadimplência em determinados segmentos. - **Recomendações:** Revisar políticas de crédito para segmentos de alto risco.
- Número de caracteres esperado: O relatório final deve ser conciso e informativo, com um tamanho estimado em torno de 10.000 caracteres, podendo variar conforme a complexidade dos dados analisados.
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 usuário final.
1.3.6 Regras de Orquestração e Transição
Ao concluir sua execução, este agente finaliza o fluxo e o relatório é disponibilizado para análise.