Demonstração Interativa
Veja o Capellaris em ação com exemplos interativos e visualizações de código.
Demonstrações Disponíveis
Chat com Agentes
Simulação de interação com agentes via chat
Formação de Squad
Demonstração de colaboração entre agentes
Confirmação Humana
Processo de aprovação de tarefas
Sistema de Aprendizado
Visualização do processo de aprendizado
Integração com Slack
Exemplo de interação via Slack
Exemplos de Código
Snippets de código para implementação
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
Como funciona:
Nesta demonstração, você pode ver como o agente de marketing:
- Solicita aprovação antes de executar a tarefa (confirmação humana)
- Analisa os dados relevantes para a solicitação
- Fornece uma análise estruturada com métricas e insights
- Apresenta recomendações específicas e acionáveis
- 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
Como funciona:
Nesta demonstração, você pode ver como o squad:
- Solicita aprovação antes de executar a tarefa (confirmação humana)
- Divide a tarefa complexa entre agentes especializados
- Trabalha de forma coordenada sob a liderança de um agente
- Mantém o usuário informado sobre o progresso
- 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
↑ 12% nos últimos 30 dias
Taxa de Rejeição
↓ 5% nos últimos 30 dias
Eficácia de Otimização
↑ 8% nos últimos 30 dias
Cobertura de Domínio
↑ 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:
- Coleta e armazenamento de todas as interações entre usuários e agentes
- Análise de padrões para identificar oportunidades de melhoria
- Otimização automática de prompts com base nos padrões identificados
- Aplicação das otimizações em novas interações
- 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}")