Demonstração Interativa

Veja o Capellaris em ação com exemplos interativos e visualizações de código.

Chat com Agentes

Esta demonstração simula uma interação com diferentes agentes especializados através de uma interface de chat. Você pode ver como os agentes respondem a diferentes tipos de solicitações em suas áreas de especialidade.

Simulação de Chat com Agente de Marketing

Usuário:

@agente_marketing analise os resultados da nossa campanha de email marketing do último trimestre e sugira melhorias para aumentar a taxa de conversão.

Agente de Marketing:

Vou analisar os resultados da campanha de email marketing do último trimestre e sugerir melhorias para aumentar a taxa de conversão. Para isso, precisarei acessar os dados de desempenho da campanha. Você confirma que posso prosseguir com esta análise?

Usuário:

Aprovado.

Agente de Marketing:

Aqui está a análise dos resultados da campanha de email marketing do último trimestre:

Métricas Principais:

  • Taxa de abertura: 24.3% (↓ 2.1% em relação ao trimestre anterior)
  • Taxa de clique: 3.7% (↓ 0.5% em relação ao trimestre anterior)
  • Taxa de conversão: 1.2% (↓ 0.3% em relação ao trimestre anterior)
  • Taxa de descadastramento: 0.8% (↑ 0.2% em relação ao trimestre anterior)

Análise:

Observamos uma tendência de queda em todos os indicadores principais de desempenho. A análise dos dados sugere que os principais fatores contribuintes são:

  • Assuntos de email menos eficazes (taxa de abertura em declínio)
  • Conteúdo menos envolvente (taxa de clique em declínio)
  • Páginas de destino não otimizadas (taxa de conversão em declínio)
  • Frequência excessiva de emails (aumento na taxa de descadastramento)

Recomendações para melhorar a taxa de conversão:

  1. Melhorar a segmentação: Refinar os segmentos de público com base no comportamento de compra e engajamento anterior para enviar conteúdo mais relevante.
  2. Otimizar assuntos de email: Realizar testes A/B com diferentes formatos de assunto para identificar o que gera maiores taxas de abertura.
  3. Redesenhar CTAs: Tornar os botões de call-to-action mais visíveis e convincentes, com mensagens claras e urgentes.
  4. Melhorar páginas de destino: Otimizar as páginas de destino para que sejam mais alinhadas com a promessa do email e facilitar o processo de conversão.
  5. Ajustar frequência: Reduzir a frequência geral de emails e implementar uma estratégia de envio baseada nas preferências individuais dos usuários.

Gostaria que eu elaborasse alguma dessas recomendações em mais detalhes ou que preparasse um plano de ação específico para implementá-las?

Como funciona:

Nesta demonstração, você pode ver como o agente de marketing:

  1. Solicita aprovação antes de executar a tarefa (confirmação humana)
  2. Analisa os dados relevantes para a solicitação
  3. Fornece uma análise estruturada com métricas e insights
  4. Apresenta recomendações específicas e acionáveis
  5. Oferece acompanhamento para aprofundar a análise

Formação de Squad

Esta demonstração mostra como os agentes podem trabalhar juntos em um squad para resolver tarefas complexas que exigem múltiplas especialidades. Neste exemplo, um squad de lançamento de produto colabora para criar um plano completo de lançamento.

Simulação de Squad de Lançamento de Produto

Usuário:

@squad_lancamento crie um plano completo para o lançamento do nosso novo software de gestão empresarial, incluindo estratégia de marketing, previsão financeira e plano de vendas.

Squad de Lançamento (Agente Líder):

Vou coordenar a criação de um plano completo para o lançamento do novo software de gestão empresarial. Esta tarefa envolverá análise de mercado, planejamento financeiro, estratégia de vendas e planejamento operacional. Você confirma que podemos prosseguir com esta tarefa?

Usuário:

Aprovado. O software é voltado para pequenas e médias empresas, com foco em simplificar processos administrativos.

Squad de Lançamento (Agente Líder):

Obrigado pela aprovação e pelas informações adicionais. Nosso squad está trabalhando na criação do plano de lançamento. Cada agente especializado está desenvolvendo sua parte do plano:

Agente de Marketing:

Desenvolvendo estratégia de posicionamento e plano de comunicação...

Agente Financeiro:

Criando projeções financeiras e análise de ROI...

Agente de Vendas:

Elaborando estratégia comercial e plano de vendas...

Agente de Operações:

Preparando plano logístico e operacional...

O plano completo estará pronto em breve. Gostaria de receber atualizações intermediárias de cada agente ou prefere aguardar o plano consolidado?

Usuário:

Prefiro aguardar o plano consolidado.

Squad de Lançamento (Agente Líder):

Entendido. Vamos finalizar o plano completo e apresentá-lo de forma consolidada. Aguarde um momento enquanto concluímos o trabalho.

Squad de Lançamento (Agente Líder):

Aqui está o plano completo para o lançamento do novo software de gestão empresarial:

Plano de Lançamento: Software de Gestão Empresarial para PMEs

1. Estratégia de Marketing e Posicionamento
  • Posicionamento: "Simplificando a gestão para que você possa focar no crescimento do seu negócio"
  • Público-alvo: Pequenas e médias empresas (10-250 funcionários) nos setores de serviços, varejo e manufatura leve
  • Diferenciação: Interface intuitiva, implementação rápida (menos de 1 semana), suporte personalizado
  • Canais de marketing: Marketing de conteúdo, webinars, parcerias com associações empresariais, marketing digital direcionado
  • Cronograma: Campanha de pré-lançamento (6 semanas), evento de lançamento, campanha pós-lançamento (12 semanas)
2. Análise Financeira e Projeções
  • Investimento inicial: R$ 850.000 (desenvolvimento final, marketing, vendas, operações)
  • Modelo de receita: Assinatura mensal (R$ 99-499/mês) + serviços de implementação
  • Projeção de receita: R$ 1,2M (Ano 1), R$ 3,5M (Ano 2), R$ 7,8M (Ano 3)
  • Ponto de equilíbrio: Mês 14 (considerando todos os custos)
  • ROI projetado: 125% em 3 anos
3. Estratégia de Vendas e Go-to-Market
  • Canais de vendas: Equipe interna, parceiros de canal, plataforma de auto-serviço
  • Processo de vendas: Demonstração gratuita, prova de conceito (14 dias), onboarding assistido
  • Incentivos: Desconto para contratos anuais, programa de indicação, ofertas especiais de lançamento
  • Metas: 120 clientes (Trimestre 1), 350 clientes (Trimestre 2), 750 clientes (Ano 1)
  • Estratégia de expansão: Upsell de módulos adicionais, expansão para novos segmentos no Ano 2
4. Plano Operacional e Logístico
  • Infraestrutura: Ambiente cloud escalável, monitoramento 24/7, SLA de 99,9% de uptime
  • Suporte ao cliente: Equipe dedicada, chat ao vivo, base de conhecimento, webinars de treinamento
  • Implementação: Processo padronizado de onboarding, templates pré-configurados por setor
  • Controle de qualidade: Programa beta com 20 clientes selecionados antes do lançamento oficial
  • Escalabilidade: Plano de contratação e treinamento para suportar o crescimento projetado
5. Cronograma de Lançamento
  • Fase 1 (Semanas 1-6): Finalização do produto, programa beta, preparação de materiais de marketing
  • Fase 2 (Semanas 7-8): Campanha de pré-lançamento, treinamento da equipe de vendas e suporte
  • Fase 3 (Semana 9): Evento de lançamento oficial, início das vendas
  • Fase 4 (Semanas 10-22): Campanha pós-lançamento, otimização baseada em feedback
  • Fase 5 (Semanas 23+): Expansão de mercado, desenvolvimento de novos recursos

Este plano foi desenvolvido colaborativamente por nosso squad, combinando expertise em marketing, finanças, vendas e operações. Gostaria de algum detalhamento adicional em alguma área específica do plano?

Como funciona:

Nesta demonstração, você pode ver como o squad:

  1. Solicita aprovação antes de executar a tarefa (confirmação humana)
  2. Divide a tarefa complexa entre agentes especializados
  3. Trabalha de forma coordenada sob a liderança de um agente
  4. Mantém o usuário informado sobre o progresso
  5. Consolida as contribuições individuais em um plano coerente e abrangente

Confirmação Humana

Esta demonstração ilustra o processo de confirmação humana, que garante que os agentes não realizem ações não autorizadas. Você pode ver como as solicitações de aprovação são apresentadas e processadas.

Simulação de Processo de Aprovação

Solicitação de Aprovação - Nível Médio

Agente: Agente Financeiro

Tarefa: Análise de viabilidade financeira para expansão de operações

Descrição: O agente financeiro precisa acessar dados financeiros dos últimos 3 anos para realizar uma análise de viabilidade da expansão de operações para novos mercados.

Acesso necessário: Relatórios financeiros, projeções de mercado, dados de desempenho por região

Nível de aprovação: Médio (requer acesso a dados internos não sensíveis)

Aprovação Concedida

Aprovado por: Maria Silva (Gerente Financeira)

Data/Hora: 24/04/2025 10:45

Comentário: "Aprovado. Por favor, compartilhe os resultados da análise assim que estiver concluída."

Solicitação de Aprovação - Nível Alto

Agente: Agente de RH

Tarefa: Análise de equidade salarial por departamento

Descrição: O agente de RH precisa acessar dados salariais detalhados de todos os funcionários para realizar uma análise de equidade salarial por departamento, gênero e nível hierárquico.

Acesso necessário: Dados salariais, informações demográficas, histórico de promoções

Nível de aprovação: Alto (requer acesso a dados sensíveis de funcionários)

Solicitação de Informações Adicionais

Solicitado por: Carlos Mendes (Diretor de RH)

Data/Hora: 24/04/2025 11:15

Pergunta: "Qual será o formato do relatório final e quem terá acesso a ele? Precisamos garantir a confidencialidade dos dados individuais."

Resposta do Agente

O relatório final será apresentado em formato agregado, sem identificação individual. Apenas métricas e tendências por departamento e nível hierárquico serão incluídas. O relatório será compartilhado apenas com a diretoria de RH e o comitê de diversidade e inclusão, conforme a política de confidencialidade da empresa.

Aprovação Concedida

Aprovado por: Carlos Mendes (Diretor de RH)

Data/Hora: 24/04/2025 11:30

Comentário: "Aprovado com a condição de que os dados individuais sejam anonimizados e o relatório final seja revisado antes da distribuição."

Solicitação de Aprovação - Nível Baixo

Agente: Agente de Marketing

Tarefa: Análise de desempenho de posts em redes sociais

Descrição: O agente de marketing precisa analisar o desempenho dos posts nas redes sociais do último trimestre para identificar padrões e otimizar a estratégia de conteúdo.

Acesso necessário: Métricas públicas de redes sociais, calendário de conteúdo

Nível de aprovação: Baixo (requer acesso apenas a dados públicos)

Aprovação Automática

Aprovado por: Sistema (Aprovação automática para tarefas de nível baixo)

Data/Hora: 24/04/2025 09:05

Comentário: "Aprovação automática concedida para tarefa de nível baixo, conforme política de aprovações."

Como funciona:

O processo de confirmação humana inclui os seguintes elementos:

  • Classificação de tarefas em níveis de aprovação (baixo, médio, alto) com base no impacto e sensibilidade
  • Identificação automática dos aprovadores apropriados para cada nível
  • Apresentação clara da solicitação com todas as informações relevantes
  • Opções para aprovar, rejeitar ou solicitar mais informações
  • Registro completo de todas as aprovações para auditoria e rastreabilidade
  • Aprovação automática para tarefas de baixo impacto (opcional, configurável)

Sistema de Aprendizado

Esta demonstração ilustra como o Sistema de Aprendizado melhora continuamente o desempenho dos agentes com base no histórico de interações e feedback recebido.

Visualização do Processo de Aprendizado

Exemplo: Evolução de Prompts para Análise de Campanha

Interação Inicial:

Prompt do Usuário: "Analise nossa última campanha de email."

Resposta do Agente: [Análise básica com métricas gerais]

Feedback do Usuário: "Faltaram informações sobre segmentação e comparação com campanhas anteriores."

Análise e Otimização:

Padrão Identificado: Solicitações de análise de campanha geralmente requerem informações sobre segmentação e comparações históricas.

Prompt Otimizado: "Analise nossa última campanha de email, incluindo métricas gerais, segmentação de público, comparação com campanhas anteriores, taxas de conversão e recomendações para melhorias."

Interação Posterior:

Prompt do Usuário: "Analise nossa campanha de email de março."

Prompt Interno Expandido: "Analise a campanha de email de março, incluindo métricas gerais, segmentação de público, comparação com campanhas anteriores, taxas de conversão e recomendações para melhorias."

Resposta do Agente: [Análise completa com todos os elementos solicitados]

Feedback do Usuário: "Excelente análise, muito completa e útil."

Métricas de Aprendizado

Taxa de Satisfação

87%

↑ 12% nos últimos 30 dias

Taxa de Rejeição

8%

↓ 5% nos últimos 30 dias

Eficácia de Otimização

92%

↑ 8% nos últimos 30 dias

Cobertura de Domínio

78%

↑ 15% nos últimos 30 dias

Padrões Identificados Recentemente:

  • Solicitações de análise financeira geralmente requerem projeções de fluxo de caixa
  • Usuários preferem visualizações gráficas para comparações de desempenho
  • Recomendações específicas e acionáveis são mais valorizadas que análises gerais
  • Contexto histórico melhora significativamente a qualidade das análises
  • Formatação estruturada com seções claras aumenta a satisfação do usuário

Como funciona:

O Sistema de Aprendizado opera através de um ciclo contínuo:

  1. Coleta e armazenamento de todas as interações entre usuários e agentes
  2. Análise de padrões para identificar oportunidades de melhoria
  3. Otimização automática de prompts com base nos padrões identificados
  4. Aplicação das otimizações em novas interações
  5. Monitoramento contínuo do desempenho e ajustes adicionais

Integração com Slack

Esta demonstração mostra como os usuários podem interagir com os agentes diretamente no Slack, aproveitando recursos como threads, blocos interativos e notificações.

Simulação de Interação via Slack

João Silva

@agente_financeiro preciso de uma análise de viabilidade para um novo projeto. O investimento inicial é de R$ 500.000 e a projeção de receita é de R$ 200.000 por ano.

Agente Financeiro

Solicitação de Aprovação

O agente financeiro gostaria de executar a seguinte tarefa:

"Análise de viabilidade financeira para um novo projeto com investimento inicial de R$ 500.000 e projeção de receita de R$ 200.000 por ano."

Esta tarefa envolverá cálculos financeiros e análise de ROI.

João Silva

Aprovado

Agente Financeiro

Aqui está a análise de viabilidade financeira para o projeto:

Análise de Viabilidade Financeira

Parâmetros do Projeto:

  • Investimento inicial: R$ 500.000
  • Receita anual projetada: R$ 200.000
  • Taxa de desconto considerada: 10% (padrão de mercado)
  • Horizonte de análise: 5 anos

Indicadores Financeiros:

  • Payback simples: 2,5 anos
  • Payback descontado: 3,1 anos
  • VPL (Valor Presente Líquido): R$ 258.432
  • TIR (Taxa Interna de Retorno): 24,5%
  • ROI em 5 anos: 151,7%

Análise de Sensibilidade:

Cenário VPL TIR Payback
Pessimista (-20% receita) R$ 106.745 14,8% 4,2 anos
Base R$ 258.432 24,5% 3,1 anos
Otimista (+20% receita) R$ 410.118 33,7% 2,4 anos

Conclusão: O projeto apresenta viabilidade financeira positiva, com VPL positivo e TIR superior à taxa de desconto considerada. O período de payback é razoável, e mesmo no cenário pessimista o projeto continua viável. Recomendo prosseguir com o projeto, mas monitorar de perto a realização das receitas projetadas.

João Silva

Excelente análise! Poderia também calcular o impacto se aumentarmos o investimento inicial para R$ 600.000 com uma receita anual de R$ 250.000?

Como funciona:

A integração com o Slack oferece:

  • Interação natural através de menções (@agente_nome) em canais ou mensagens diretas
  • Solicitações de aprovação com botões interativos para facilitar o processo
  • Respostas ricas com formatação, tabelas e gráficos
  • Botões de ação para operações comuns (exportar, visualizar detalhes, etc.)
  • Organização de conversas em threads para manter o contexto
  • Notificações para alertar sobre tarefas e atualizações

Exemplos de Código

Esta seção apresenta exemplos de código para ajudar desenvolvedores a integrar e estender o Capellaris.

Criação de um Agente Personalizado

from gerenciador_agentes_ia.core import AgentManager
from gerenciador_agentes_ia.agents import Agent

# Inicializar o gerenciador de agentes
agent_manager = AgentManager()

# Criar um agente personalizado para análise de dados
data_agent = Agent(
    id="agent_data_analysis",
    name="Agente de Análise de Dados",
    description="Especialista em análise e visualização de dados",
    specialty="data_analysis",
    base_prompt="""
    Você é um especialista em análise de dados com ampla experiência em estatística,
    visualização de dados e interpretação de resultados. Seu objetivo é ajudar a extrair
    insights valiosos de conjuntos de dados e apresentá-los de forma clara e acionável.
    
    Ao analisar dados, você deve:
    1. Identificar tendências, padrões e anomalias
    2. Aplicar métodos estatísticos apropriados
    3. Criar visualizações informativas
    4. Fornecer interpretações claras dos resultados
    5. Sugerir ações baseadas nos insights
    
    Suas respostas devem ser estruturadas, precisas e focadas em insights acionáveis.
    """,
    tools=[
        "data_import",
        "statistical_analysis",
        "data_visualization",
        "report_generation"
    ],
    config={
        "model": "gpt-4",
        "temperature": 0.2,
        "max_tokens": 2000,
        "supported_formats": ["csv", "excel", "json", "sql"]
    }
)

# Registrar o agente no sistema
agent_manager.register_agent(data_agent)

# Verificar se o agente foi registrado corretamente
registered_agent = agent_manager.get_agent("agent_data_analysis")
print(f"Agente registrado: {registered_agent.name}")
                            

Integração com API Externa

from gerenciador_agentes_ia.core import ToolRegistry
from gerenciador_agentes_ia.tools import Tool
import requests

# Criar uma ferramenta para integração com API de clima
class WeatherTool(Tool):
    def __init__(self, api_key):
        super().__init__(
            name="weather_tool",
            description="Obtém informações de clima para uma localização específica",
            parameters={
                "location": {
                    "type": "string",
                    "description": "Nome da cidade ou coordenadas (latitude,longitude)"
                },
                "units": {
                    "type": "string",
                    "description": "Unidades de medida (metric, imperial)",
                    "default": "metric"
                }
            }
        )
        self.api_key = api_key
        self.base_url = "https://api.openweathermap.org/data/2.5/weather"
    
    def execute(self, parameters):
        """
        Executa a ferramenta com os parâmetros fornecidos.
        
        Args:
            parameters (dict): Parâmetros para a execução
            
        Returns:
            dict: Resultado da execução
        """
        try:
            # Preparar parâmetros da requisição
            params = {
                "q": parameters.get("location"),
                "units": parameters.get("units", "metric"),
                "appid": self.api_key
            }
            
            # Fazer requisição à API
            response = requests.get(self.base_url, params=params)
            response.raise_for_status()
            
            # Processar resposta
            data = response.json()
            
            # Formatar resultado
            result = {
                "location": f"{data['name']}, {data['sys']['country']}",
                "temperature": {
                    "current": data["main"]["temp"],
                    "feels_like": data["main"]["feels_like"],
                    "min": data["main"]["temp_min"],
                    "max": data["main"]["temp_max"]
                },
                "humidity": data["main"]["humidity"],
                "pressure": data["main"]["pressure"],
                "wind": {
                    "speed": data["wind"]["speed"],
                    "direction": data["wind"]["deg"]
                },
                "weather": {
                    "main": data["weather"][0]["main"],
                    "description": data["weather"][0]["description"]
                }
            }
            
            return {
                "status": "success",
                "data": result
            }
            
        except Exception as e:
            return {
                "status": "error",
                "message": str(e)
            }

# Registrar a ferramenta no sistema
tool_registry = ToolRegistry()
weather_tool = WeatherTool(api_key="your_api_key_here")
tool_registry.register_tool(weather_tool)

# Atribuir a ferramenta a um agente
agent_manager = AgentManager()
agent = agent_manager.get_agent("agent_operations_1")
agent.add_tool("weather_tool")
                            

Criação de um Squad Personalizado

from gerenciador_agentes_ia.core import SquadManager, AgentManager
from gerenciador_agentes_ia.squads import Squad, WorkflowStep, WorkflowType

# Inicializar os gerenciadores
agent_manager = AgentManager()
squad_manager = SquadManager(agent_manager)

# Definir os passos do fluxo de trabalho para análise de mercado
workflow_steps = [
    WorkflowStep(
        agent_id="agent_data_analysis",
        task="data_collection",
        description="Coletar e preparar dados de mercado"
    ),
    WorkflowStep(
        agent_id="agent_marketing_1",
        task="trend_analysis",
        description="Analisar tendências e comportamento do consumidor"
    ),
    WorkflowStep(
        agent_id="agent_financial_1",
        task="financial_analysis",
        description="Realizar análise financeira do mercado"
    ),
    WorkflowStep(
        agent_id="agent_sales_1",
        task="competitor_analysis",
        description="Analisar concorrentes e oportunidades"
    ),
    WorkflowStep(
        agent_id="agent_marketing_1",
        task="consolidation",
        description="Consolidar os resultados e preparar relatório final"
    )
]

# Criar um squad personalizado para análise de mercado
market_analysis_squad = Squad(
    id="squad_market_analysis_custom",
    name="Squad de Análise de Mercado Personalizado",
    description="Equipe especializada em análise completa de mercados e segmentos",
    agents=[
        {"id": "agent_data_analysis", "role": "data_analyst"},
        {"id": "agent_marketing_1", "role": "marketing_specialist"},
        {"id": "agent_financial_1", "role": "financial_analyst"},
        {"id": "agent_sales_1", "role": "sales_strategist"}
    ],
    leader_id="agent_marketing_1",
    workflow={
        "type": WorkflowType.SEQUENTIAL,
        "steps": workflow_steps
    },
    config={
        "max_execution_time": 3600,
        "intermediate_results": True,
        "approval_required": True,
        "output_format": "report"
    }
)

# Registrar o squad no sistema
squad_manager.register_squad(market_analysis_squad)

# Executar uma tarefa com o squad
task_result = squad_manager.execute_task(
    squad_id="squad_market_analysis_custom",
    task="Realize uma análise completa do mercado de software de gestão empresarial para pequenas e médias empresas no Brasil, incluindo análise de concorrentes, tendências e oportunidades.",
    context={
        "target_market": "Pequenas e médias empresas",
        "geographic_focus": "Brasil",
        "industry_sectors": ["Varejo", "Serviços", "Manufatura"],
        "time_horizon": "12 meses"
    },
    requester="user@company.com"
)

# Obter o ID da tarefa para acompanhamento
task_id = task_result["task_id"]
print(f"Tarefa iniciada com ID: {task_id}")