Os assistentes virtuais no setor financeiro estão evoluindo de simples chatbots reativos para agentes inteligentes e proativos. Neste desafio, você vai idealizar e prototipar um agente financeiro que utiliza IA Generativa para:
- Antecipar necessidades ao invés de apenas responder perguntas
- Personalizar sugestões com base no contexto de cada cliente
- Cocriar soluções financeiras de forma consultiva
- Garantir segurança e confiabilidade nas respostas (anti-alucinação)
Tip
Na pasta examples/ você encontra referências de implementação para cada etapa deste desafio.
Defina o que seu agente faz e como ele funciona:
- Caso de Uso: Qual problema financeiro ele resolve? (ex: consultoria de investimentos, planejamento de metas, alertas de gastos)
- Persona e Tom de Voz: Como o agente se comporta e se comunica?
- Arquitetura: Fluxo de dados e integração com a base de conhecimento
- Segurança: Como evitar alucinações e garantir respostas confiáveis?
📄 Template: docs/01-documentacao-agente.md
Utilize os dados mockados disponíveis na pasta data/ para alimentar seu agente:
| Arquivo | Formato | Descrição |
|---|---|---|
transacoes.csv |
CSV | Histórico de transações do cliente |
historico_atendimento.csv |
CSV | Histórico de atendimentos anteriores |
perfil_investidor.json |
JSON | Perfil e preferências do cliente |
produtos_financeiros.json |
JSON | Produtos e serviços disponíveis |
Você pode adaptar ou expandir esses dados conforme seu caso de uso.
📄 Template: docs/02-base-conhecimento.md
Documente os prompts que definem o comportamento do seu agente:
- System Prompt: Instruções gerais de comportamento e restrições
- Exemplos de Interação: Cenários de uso com entrada e saída esperada
- Tratamento de Edge Cases: Como o agente lida com situações limite
📄 Template: docs/03-prompts.md
Desenvolva um protótipo funcional do seu agente:
- Chatbot interativo (sugestão: Streamlit, Gradio ou similar)
- Integração com LLM (via API ou modelo local)
- Conexão com a base de conhecimento
📁 Pasta: src/
Descreva como você avalia a qualidade do seu agente:
Métricas Sugeridas:
- Precisão/assertividade das respostas
- Taxa de respostas seguras (sem alucinações)
- Coerência com o perfil do cliente
📄 Template: docs/04-metricas.md
Grave um pitch de 3 minutos (estilo elevador) apresentando:
- Qual problema seu agente resolve?
- Como ele funciona na prática?
- Por que essa solução é inovadora?
📄 Template: docs/05-pitch.md
Todas as ferramentas abaixo possuem versões gratuitas:
| Categoria | Ferramentas |
|---|---|
| LLMs | ChatGPT, Copilot, Gemini, Claude, Ollama |
| Desenvolvimento | Streamlit, Gradio, Google Colab |
| Orquestração | LangChain, LangFlow, CrewAI |
| Diagramas | Mermaid, Draw.io, Excalidraw |
📁 lab-agente-financeiro/
│
├── 📄 README.md
│
├── 📁 data/ # Dados mockados para o agente
│ ├── historico_atendimento.csv # Histórico de atendimentos (CSV)
│ ├── perfil_investidor.json # Perfil do cliente (JSON)
│ ├── produtos_financeiros.json # Produtos disponíveis (JSON)
│ └── transacoes.csv # Histórico de transações (CSV)
│
├── 📁 docs/ # Documentação do projeto
│ ├── 01-documentacao-agente.md # Caso de uso e arquitetura
│ ├── 02-base-conhecimento.md # Estratégia de dados
│ ├── 03-prompts.md # Engenharia de prompts
│ ├── 04-metricas.md # Avaliação e métricas
│ └── 05-pitch.md # Roteiro do pitch
│
├── 📁 src/ # Código da aplicação
│ └── app.py # (exemplo de estrutura)
│
├── 📁 assets/ # Imagens e diagramas
│ └── ...
│
└── 📁 examples/ # Referências e exemplos
└── README.md
- Comece pelo prompt: Um bom system prompt é a base de um agente eficaz
- Use os dados mockados: Eles garantem consistência e evitam problemas com dados sensíveis
- Foque na segurança: No setor financeiro, evitar alucinações é crítico
- Teste cenários reais: Simule perguntas que um cliente faria de verdade
- Seja direto no pitch: 3 minutos passam rápido, vá ao ponto