Aula 3, Especialização

Esta aula fecha o módulo dando a cada agente uma especialidade e montando o time completo. Tutor, Evaluator, Mentor e Analytics, cada um bom em uma coisa, cooperam para acompanhar o estudo de um aluno. É o projeto que encerra o módulo.

Já sabemos fazer agentes se comunicarem e coordenarem. Falta a peça que dá sentido a tudo, a especialização. A força de um sistema multi-agente vem de cada agente ser realmente bom em uma tarefa específica, e não um faz-tudo medíocre. Um especialista profundo em um papel supera um generalista raso, e a soma dos especialistas, bem coordenada, supera qualquer agente único.

Nesta aula montamos o time educacional completo. O Tutor ensina, o Evaluator avalia respostas, o Mentor orienta o percurso, e o Analytics acompanha o progresso. Cada um tem um papel claro, e juntos formam um assistente que faz o que um sozinho não faria bem. Esse princípio, de uma inteligência que emerge de muitos especialistas simples, é a velha intuição da sociedade da mente de Minsky, agora concretizada com agentes de LLM.

Objetivos

Ao final desta aula, você deve ser capaz de:

Explicar por que a especialização melhora um sistema multi-agente.
Definir os papéis do Tutor, Evaluator, Mentor e Analytics.
Implementar agentes especializados que cooperam.
Montar um fluxo de acompanhamento do aluno com o time completo.

Teoria

Cada agente especializado tem um papel bem delimitado, uma entrada e uma saída claras, e um comportamento focado. No nosso time educacional, os papéis são quatro. O Tutor recebe dúvidas e produz explicações, apoiando-se na busca no material, como no RAG do Módulo 9. O Evaluator recebe a resposta do aluno a um exercício e a julga, dando feedback. O Mentor olha o desempenho e sugere o próximo passo, revisar ou avançar. O Analytics acumula os eventos da sessão e produz um panorama do progresso.

flowchart LR
    AL[Aluno] --> CO[Coordenador]
    CO --> T[Tutor<br/>ensina]
    CO --> E[Evaluator<br/>avalia]
    CO --> AN[Analytics<br/>acompanha]
    E --> AN
    AN --> ME[Mentor<br/>orienta]
    ME --> AL

A cooperação acontece pelo fluxo de mensagens, coordenado. O Evaluator informa ao Analytics se o aluno acertou, o Analytics calcula a acurácia, e o Mentor usa essa acurácia para decidir a sugestão. Repare que nenhum agente precisa conhecer os detalhes internos do outro, eles se ligam pelo protocolo de mensagens e pela coordenação das aulas anteriores. Adicionar um novo especialista é só dar a ele um papel e ligá-lo ao coordenador.

Explicação Intuitiva

Pense na equipe ideal em torno de um aluno. Um bom professor explica a matéria. Um bom monitor corrige os exercícios e aponta os erros. Um bom orientador olha o histórico e diz o que estudar a seguir. Uma boa secretaria registra as notas e mostra a evolução. Cada um é insubstituível no seu papel, e o aluno floresce quando todos trabalham juntos. O nosso time de agentes reproduz essa equipe.

A vantagem da especialização é a profundidade. Um único assistente tentando ser professor, monitor, orientador e secretaria ao mesmo tempo faria tudo pela metade. Quatro especialistas focados fazem cada parte bem, e a coordenação garante que eles atuem na hora certa. É a diferença entre um canivete suíço e uma caixa de ferramentas profissional, cada ferramenta certa para o seu uso.

Explicação Matemática

Cada agente especializado é uma função com um contrato próprio. O Evaluator é uma função $\text{avaliar}(\text{resposta}, \text{esperado}) \to (\text{correto}, \text{feedback})$. O Analytics mantém um estado, a lista de eventos, e oferece $\text{acuracia} = \frac{\text{acertos}} {\text{total}}$. O Mentor é uma função da acurácia, $\text{sugerir}(\text{acuracia})$, que decide entre revisar e avançar segundo um limiar.

A inteligência do sistema é a composição coordenada dessas funções. Um evento do aluno dispara uma cadeia, avaliar leva a registrar, registrar atualiza a acurácia, a acurácia alimenta a sugestão. O resultado é um comportamento de acompanhamento que nenhuma das funções tem isoladamente, ele emerge da interação. É a especialização mais a coordenação produzindo algo maior que a soma das partes.

Exemplo Prático

Vamos implementar os quatro agentes especializados e simular uma sessão de estudo. O aluno tira uma dúvida com o Tutor, responde a um exercício que o Evaluator avalia e o Analytics registra, e ao final o Mentor olha o desempenho e sugere o próximo passo. É o time completo cooperando.

Todo o fluxo é determinístico e roda sem o modelo. O código está no notebook notebooks/modulo-11/03-especializacao.ipynb, então abra-o ao lado para acompanhar.

Código Comentado

class Tutor:
    def explicar(self, tema):
        base = {"derivada": "A derivada mede a taxa de variação de uma função."}
        return base.get(tema, "Deixa eu explicar esse tema com calma.")


class Evaluator:
    def avaliar(self, resposta, esperado):
        correto = str(resposta).strip() == str(esperado).strip()
        feedback = "Correto, muito bem!" if correto else f"Ainda não, era {esperado}."
        return correto, feedback


class Analytics:
    def __init__(self):
        self.eventos = []

    def registrar(self, tema, correto):
        self.eventos.append((tema, correto))

    def acuracia(self):
        return sum(c for _, c in self.eventos) / len(self.eventos) if self.eventos else 0.0


class Mentor:
    def sugerir(self, acuracia):
        if acuracia < 0.6:
            return "Sugiro revisar o tema antes de avançar."
        return "Bom desempenho, pode avançar para o próximo tema."


# Simulação de uma sessão de estudo com o time completo.
tutor, evaluator, analytics, mentor = Tutor(), Evaluator(), Analytics(), Mentor()

print("Tutor:", tutor.explicar("derivada"))

exercicios = [("derivada", "21", "21"), ("derivada", "10", "12")]
for tema, resposta, esperado in exercicios:
    correto, feedback = evaluator.avaliar(resposta, esperado)
    analytics.registrar(tema, correto)
    print("Evaluator:", feedback)

print(f"Analytics: acurácia = {analytics.acuracia():.0%}")
print("Mentor:", mentor.sugerir(analytics.acuracia()))

Ao rodar, o time atua em sequência. O Tutor explica a derivada. O Evaluator avalia os dois exercícios, um certo e um errado, e o Analytics registra cada resultado. A acurácia fica em 50 por cento, e o Mentor, vendo o desempenho abaixo do limiar, sugere revisar antes de avançar. Esse acompanhamento, em que a avaliação alimenta a análise e a análise orienta a recomendação, é o comportamento que emerge da cooperação entre especialistas. É exatamente o que o projeto do módulo consolida.

Exercícios

1) Conceitual: Por que um especialista profundo costuma superar um generalista raso em um sistema multi-agente? 2) Conceitual: Descreva o papel de cada um dos quatro agentes do time educacional. 3) Prático: Adicione mais exercícios à sessão e veja a sugestão do Mentor mudar conforme a acurácia. 4) Prático: Crie um quinto agente especializado, por exemplo um Motivador, e ligue-o ao fluxo. 5) Extensão: Pesquise como frameworks como o AutoGen orquestram agentes especializados em uma conversa.

Projeto da Aula e Projeto do Módulo

Este é o projeto que fecha o módulo, o time de agentes educacionais, na pasta projects/m11-multi-agent/. A entrega reúne o Tutor, o Evaluator, o Mentor e o Analytics, coordenados por um supervisor, cooperando para acompanhar o estudo de um aluno em uma sessão.

O roteiro sugerido é o seguinte. Implemente os quatro agentes especializados, cada um com o seu papel. Implemente o coordenador que roteia as mensagens. Simule uma sessão em que o aluno tira dúvidas, resolve exercícios que são avaliados e registrados, e recebe ao final uma sugestão do Mentor baseada no desempenho. Mostre o relatório do Analytics.

Considere o projeto pronto quando a sessão fluir entre os agentes de forma coerente, com a avaliação alimentando a análise e a análise orientando a recomendação, e quando você escrever um parágrafo sobre como a especialização e a coordenação produziram um acompanhamento que nenhum agente faria sozinho. Com isso, você terá construído um sistema multi-agente de verdade, pronto para o Módulo 12, sobre Learning Analytics, que aprofunda a análise do progresso.

Leituras Recomendadas

O livro The Society of Mind, de Minsky, sobre inteligência a partir de muitos agentes.
O artigo do AutoGen, de Wu e colegas, sobre times de agentes com LLM.
O artigo do MetaGPT, de Hong e colegas, sobre papéis especializados em um fluxo.

Referências Científicas

As referências abaixo são reais e estão registradas em references/referencias.bib. As chaves entre parênteses são as do BibTeX.

Minsky, M. (1986). The Society of Mind. Simon & Schuster. (minsky1986society)
Wu, Q., et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. (wu2023autogen)
Hong, S., et al. (2024). MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework. ICLR. (hong2023metagpt)