Como Criar um Agente para Análise da Atividade Econômica com LangGraph

Introdução

A análise da atividade econômica no Brasil envolve o acompanhamento de diversos indicadores produzidos por diferentes pesquisas mensais. Tradicionalmente, essa tarefa exige o download, tratamento e interpretação manual de dados — um processo que pode ser automatizado com o uso de inteligência artificial.

Neste exercício, mostramos como construir um agente baseado em linguagem natural capaz de realizar consultas inteligentes e gerar análises conjunturais a partir dos principais indicadores da economia real. Para isso, utilizamos o framework LangGraph, que permite a orquestração de agentes especializados em diferentes tarefas dentro de um fluxo automatizado e interpretável.

Para obter o código e o tutorial deste exercício faça parte do Clube AM e receba toda semana os códigos em R/Python, vídeos, tutoriais e suporte completo para dúvidas.

Indicadores utilizados

O sistema é alimentado por quatro bases de dados de alta frequência, todas disponibilizadas pelo IBGE e Banco Central:

• PMC (Pesquisa Mensal do Comércio)
  Indicador da evolução do volume de vendas no setor varejista.

• PMS (Pesquisa Mensal de Serviços)
  Mede a receita bruta dos serviços não financeiros.

• PIM-PF (Produção Industrial Mensal)
  Avalia o desempenho da produção da indústria de transformação e extrativa.

• IBC-Br (Índice de Atividade Econômica do Banco Central)
  Proxy mensal do PIB brasileiro, que agrega dados do comércio, serviços e indústria.

Todas as séries foram obtidas automaticamente via API (sidrapy e bcb) e armazenadas em um banco de dados SQLite, organizado com colunas padronizadas como: número índice com ajuste sazonal, variação na margem, variação interanual e variação acumulada em 12 meses.

Arquitetura do sistema de agentes

Para permitir uma análise completa e automática, foi construído um sistema de múltiplos agentes com LangGraph, composto por:

• Agente SQL: responsável por interpretar perguntas em linguagem natural e convertê-las em consultas SQL sobre a base de dados.

• Agente de Análise: recebe os dados extraídos e gera um comentário econômico sintético, seguindo as práticas da análise conjuntural.

A lógica de operação é simples: o usuário envia uma pergunta como "Qual foi o desempenho da PMC em 2025?", e o sistema consulta o banco de dados, extrai os dados relevantes e retorna uma análise textual em poucos segundos.

Exemplo de aplicação

Ao perguntar sobre a evolução da PMC em 2025, o agente retornou a seguinte análise:

================================ Human Message =================================

Qual foi a variação da pmc no ano de 2025? Faça uma análise para cada mês e compare com o ano anterior.
================================== Ai Message ==================================
Name: sql_agent

Aqui está a variação da Pesquisa Mensal de Comércio (PMC) para os anos de 2024 e 2025, mês a mês:

| Mês     | Variação % Margem (2024) | Variação % Margem (2025) |
| ------- | ------------------------ | ------------------------ |
| 2024-01 | 1.8                      |                          |
| 2024-02 | 1.0                      |                          |
| 2024-03 | -1.2                     |                          |
| 2024-04 | 0.3                      |                          |
| 2024-05 | 1.3                      |                          |
| 2024-06 | -0.2                     |                          |
| 2024-07 | 0.2                      |                          |
| 2024-08 | -0.7                     |                          |
| 2024-09 | 1.1                      |                          |
| 2024-10 | 1.0                      |                          |
| 2024-11 | -2.0                     |                          |
| 2024-12 | -1.7                     |                          |
| 2025-01 |                          | 3.0                      |
| 2025-02 |                          | -0.3                     |
| 2025-03 |                          | 1.7                      |
| 2025-04 |                          | -1.9                     |
| 2025-05 |                          | 0.3                      |

Esta tabela apresenta a variação percentual na margem para cada mês de 2024 e 2025, permitindo uma comparação direta do desempenho do comércio entre os dois anos.
================================== Ai Message ==================================



**Análise da Variação da PMC em 2025:**

*   **Janeiro:** Forte crescimento com uma variação de 3.0%, indicando um início de ano positivo para o comércio.
*   **Fevereiro:** Contração de -0.3%, sugerindo uma desaceleração após o bom desempenho de janeiro.
*   **Março:** Recuperação com crescimento de 1.7%, mostrando resiliência do setor.
*   **Abril:** Nova contração, com uma variação de -1.9%, possivelmente influenciada por fatores sazonais ou eventos específicos do mês.
*   **Maio:** Estabilidade com uma variação de 0.3%, indicando um período de acomodação após as flutuações anteriores.

**Comparação com 2024:**

*   **Janeiro:** 2025 apresentou um crescimento maior (3.0%) em comparação com Janeiro de 2024 (1.8%).
*   **Fevereiro:** Enquanto 2024 teve um crescimento de 1.0%, 2025 apresentou uma contração de -0.3%.
*   **Março:** 2025 (1.7%) superou o desempenho negativo de 2024 (-1.2%).
*   **Abril:** 2025 apresentou uma contração maior (-1.9%) em relação a 2024 (0.3%).
*   **Maio:** Ambos os anos apresentaram crescimento, com 2024 (1.3%) superando 2025 (0.3%).

Em resumo, o início de 2025 mostra um desempenho misto em comparação com 2024, com meses de forte crescimento seguidos por contrações, indicando um cenário de volatilidade no setor de comércio.

A resposta é gerada com base nos dados tratados, sem intervenção humana, e em linguagem acessível para o público econômico.

Conclusão

Este exercício demonstra o potencial dos agentes inteligentes para automatizar tarefas repetitivas e gerar valor analítico em aplicações de macroeconomia aplicada. O uso do LangGraph permite integrar diferentes etapas — consulta, interpretação e resposta — em um único fluxo conversacional.

Soluções como essa podem ser adaptadas para diversas frentes, como análise setorial, monitoramento de indicadores de alta frequência ou suporte à elaboração de relatórios.

Quer aprender mais?

Conheça nossa Formação do Zero à Análise de Dados Econômicos e Financeiros usando Python e Inteligência Artificial. Aprenda do ZERO a coletar, tratar, construir modelos e apresentar dados econômicos e financeiros com o uso de Python e IA.

Referências

• LangGraph – Framework de agentes baseados em grafos
  https://langchain-ai.github.io/langgraph/