Como Criar um Agente Analista Financeiro com LangGraph e Dados da CVM

Introdução

O uso de inteligência artificial para análise financeira já é uma realidade em diversas instituições. Com a combinação de modelos de linguagem e fluxos automatizados, é possível construir agentes que simulam o trabalho de um analista: recebem uma pergunta, buscam os dados corretos, calculam indicadores e entregam uma resposta interpretada.

Neste post, mostramos como criar um agente analista financeiro automatizado com o framework LangGraph, utilizando dados reais da Comissão de Valores Mobiliários (CVM). O objetivo é simples: permitir que um modelo de linguagem, coordenado por um sistema de múltiplos agentes, responda perguntas como:

• “Quais empresas tiveram lucro líquido positivo em 2022?”

• “Qual o ROE da Petrobras em 2021?”

• “Liste as empresas com patrimônio líquido negativo nos últimos dois anos.”

A base de dados: DFPs da CVM

A CVM disponibiliza periodicamente os arquivos das Demonstrações Financeiras Padronizadas (DFP) de todas as empresas de capital aberto no Brasil. Essas demonstrações são apresentadas em formato padronizado e incluem:

• Balanço Patrimonial Ativo (BPA)
  Contas como caixa, contas a receber, estoques e ativo imobilizado.

• Balanço Patrimonial Passivo (BPP)
  Dívidas, obrigações de curto e longo prazo, patrimônio líquido.

• Demonstração do Resultado do Exercício (DRE)
  Receita líquida, custo de bens vendidos, lucro operacional, lucro líquido.

Esses arquivos são baixados no formato .zip, contendo planilhas com informações financeiras de dezenas de milhares de empresas. Após extração e filtragem, os dados são inseridos em um banco de dados SQLite, estruturado para facilitar as consultas automatizadas.

O papel do LangGraph

O LangGraph é um framework projetado para construir agentes que operam com fluxos mais sofisticados do que os tradicionais encadeamentos lineares. Ele permite definir grafos de estados, onde cada nó representa uma etapa lógica do raciocínio e cada transição depende do resultado anterior.

Diferente do LangChain, que executa uma sequência linear de passos, o LangGraph oferece flexibilidade para tratar:

• múltiplos caminhos possíveis dentro de uma tarefa;

• execução paralela de agentes;

• estados persistentes e reutilizáveis;

• lógica condicional mais complexa (ex: “se encontrar múltiplas empresas, perguntar ao usuário qual delas”).

Essa estrutura é ideal para cenários em que o modelo precisa interpretar, consultar e calcular com base em dados estruturados — exatamente o caso da análise contábil.

Arquitetura do Agente Analista

O sistema é composto por múltiplos nós conectados no LangGraph, cada um com uma função clara. Veja a seguir o funcionamento detalhado de cada etapa:

1. Extração de Entidades

A primeira etapa consiste em interpretar a pergunta do usuário. O modelo de linguagem identifica os elementos mais importantes da consulta, como:

• Empresa (ex: Petrobras, Vale, Ambev);

• Ano ou intervalo de tempo (ex: 2021, de 2020 a 2022);

• Indicador solicitado (ex: lucro líquido, receita, ROE, margem bruta);

• Tipo de operação (listar, comparar, calcular, analisar etc.).

2. Geração da Consulta SQL

Com base nas entidades extraídas, o sistema gera dinamicamente a query SQL apropriada. Essa consulta irá buscar as informações nas tabelas que compõem o banco de dados:

• bpa: ativo total, caixa, contas a receber, entre outros;

• bpp: passivos e patrimônio líquido;

• dre: lucro líquido, receita líquida, EBITDA etc.

3. Execução da Consulta

O sistema executa a query SQL em tempo real e extrai os dados solicitados. Caso o usuário tenha feito uma pergunta ampla (ex: "todas as empresas com lucro positivo"), o sistema retorna uma lista de empresas com os respectivos valores.

4. Cálculo de Indicadores Financeiros

Quando a pergunta envolve indicadores compostos como ROE, margem líquida, endividamento ou retorno sobre ativos, o sistema realiza os cálculos diretamente a partir dos dados extraídos. Por exemplo:

ROE = Lucro Líquido / Patrimônio Líquido

O modelo executa a fórmula corretamente, mesmo que as contas estejam em tabelas diferentes (por exemplo, lucro na dre e patrimônio na bpp).

5. Síntese e Análise

Por fim, o sistema compõe uma resposta textual clara, explicando os resultados encontrados. Pode incluir:

• Tabelas com os dados extraídos;

• Comentários analíticos ("a empresa X teve um ROE de 18%, indicando rentabilidade acima da média do setor.");

• Sugestões de interpretação (“a queda no patrimônio líquido indica possível descapitalização”).

Tudo isso é feito automaticamente, sem intervenção manual.

O grafo na figura seguinte exemplifica o sistema montando com LangGraph

Exemplo de uso prático

Veja um exemplo de pergunta:

Usuário: “Quais empresas tiveram ROE positivo em 2020?”

Resposta do agente:

--- EXECUTANDO: retorne empresas com roe positivo em 2019 ---

--- RESPOSTA FINAL ---

Aqui está uma tabela com as empresas que apresentaram ROE positivo em 2019, com base nos dados fornecidos:

Conclusão

A criação de um sistema analista financeiro com LangGraph demonstra como ferramentas modernas de IA podem transformar o trabalho com dados contábeis. A partir de uma simples pergunta, o sistema compreende a intenção, acessa os dados corretos e produz respostas analíticas com linguagem natural.

Esse tipo de agente pode ser facilmente integrado a sistemas de análise fundamentalista, dashboards de finanças corporativas ou plataformas educacionais voltadas ao ensino de contabilidade e finanças.

Ao unir dados públicos, automação e modelos de linguagem, conseguimos construir uma solução escalável, transparente e extremamente útil para o ecossistema financeiro.