Como antecipado no post anterior, a economia brasileira teve crescimento de -0,1% em 2014, segundo o Monitor do PIB do IBRE/FGV. Como a inflação acumulada em 12 meses encerrados em janeiro está em 7,14%, acho justo dizer que estamos em estagflação, não? E ela parece que está longe de terminar... 🙁
Este exercício demonstra, passo a passo, como aplicar o conceito de Retrieval-Augmented Generation (RAG) com agentes inteligentes na análise de documentos econômicos. Utilizando a biblioteca SmolAgents, desenvolvemos um agente capaz de interpretar e responder a perguntas sobre as atas do COPOM com base em buscas semânticas.
Unindo conhecimentos sobre Tools, LLMs e Vector Stores, agora é hora de integrar diferentes conceitos e aprender a construir um Agente de IA completo. Neste post, nosso objetivo será criar um Agente capaz de responder perguntas sobre o cenário macroeconômico brasileiro, utilizando dados de expectativas de mercado do Boletim Focus do Banco Central do Brasil (BCB) e o framework LangChain no Python.
Este tutorial mostra como construir um supervisor multiagente usando LangGraph, integrando dois agentes especialistas: um focado em pesquisa na internet com Tavily e outro especializado em operações matemáticas. Para orquestrar esses agentes, utilizamos o modelo Gemini 2.0 da Google.
comercial@analisemacro.com.br – Rua Visconde de Pirajá, 414, Sala 718
Ipanema, Rio de Janeiro – RJ – CEP: 22410-002
Criação Kamus
