Preparando material para os cursos da Análise Macro, esbarrei por acaso com o pacote GetTDData que baixa dados do Tesouro Direto diretamente para o R. Abaixo coloco um exemplo para a NTN-B com vencimento em 2035.
library(GetTDData)
library(ggplot2)
ntnb <- download.TD.data('NTN-B')
ntnb35 <- read.TD.files(dl.folder = 'TD Files',
maturity = '150535')
ggplot(ntnb35, aes(x=ref.date, y=yield.bid*100))+
geom_line()
Fica a dica para quem usa essas séries... 🙂
Neste post, vamos dar o primeiro passo rumo à construção de Agentes de IA mais sofisticados, capazes de tomar decisões, interagir com ferramentas externas e lidar com tarefas complexas. Para isso, precisamos entender o papel dos frameworks agenticos (ou agentic frameworks) e como eles podem facilitar esse processo. Aqui introduzimos dois frameworks populares de desenvolvimento de Agentes de IA.
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.
comercial@analisemacro.com.br – Rua Visconde de Pirajá, 414, Sala 718
Ipanema, Rio de Janeiro – RJ – CEP: 22410-002
Criação Kamus
como podemos ajudar?
Preencha os seus dados abaixo e fale conosco no WhatsApp
Boletim AM
Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.
