Introdução
Você já pensou em automatizar a análise do mercado de trabalho brasileiro? Neste post, vamos mostrar como construir um sistema de agentes inteligentes com o framework LangGraph, integrando dados estruturados do IBGE/SIDRA e informações não estruturadas vindas de notícias em tempo real.
Objetivo
Nosso objetivo é construir um agente de análise do mercado de trabalho, capaz de responder perguntas com base em:
- Dados da tabela 6318 do SIDRA/IBGE;
- Notícias recentes relacionadas ao mercado de trabalho;
- Coordenação inteligente entre diferentes agentes especializados.
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.
Framework: LangGraph
Construímos o pequeno sistema por meio do Framework LangGraph.
O LangGraph foi desenvolvido para lidar com fluxos de trabalho mais sofisticados e complexos.
Enquanto o LangChain se destaca na criação de cadeias simples de tarefas, o LangGraph vai além ao oferecer uma abordagem baseada em grafos de estado, ideal para orquestrar fluxos conversacionais mais ricos e pipelines de dados com múltiplas interações.
Isso torna o LangGraph especialmente útil em projetos que envolvem:
-
Múltiplos agentes especializados
-
Lógica condicional para tomada de decisões
-
Interações com estado persistente
Com o LangGraph, conseguimos construir sistemas conversacionais muito mais flexíveis, responsivos e alinhados ao comportamento esperado de um analista humano.
Arquitetura de Agentes
Para isso, criamos um sistema com três agentes:
1. Agente SQL
Responsável por acessar um banco de dados construído a partir da tabela 6318 do IBGE. Esse agente pode responder perguntas como:
“Qual é a taxa de desocupação atual no Brasil?”
Utilizamos a biblioteca sidrapy para extrair e tratar os dados, que são armazenados em um banco SQLite e acessados pelo agente via SQL.
2. Agente de Notícias
Esse agente usa ferramentas como o DuckDuckGo para buscar informações recentes na internet sobre o mercado de trabalho, como:
“O que dizem as notícias mais recentes sobre o desemprego no país?”
Ele é restrito a tarefas de pesquisa e retorna apenas o conteúdo relevante.
3. Agente Supervisor
É o cérebro da operação. Ele recebe a pergunta do usuário e decide qual agente deve ser acionado com base no contexto. Sua função é garantir que a resposta final seja completa, combinando dados estruturados e insights atualizados.
Abaixo, a imagem do Grafo resultante:
Como Funciona na Prática
Ao receber uma pergunta como:
“Qual é a taxa de desocupação atual e o que dizem as notícias sobre o mercado de trabalho?”
O Supervisor divide a tarefa:
- O Agente SQL consulta os dados oficiais do IBGE;
- O Agente de Notícias busca atualizações em tempo real;
- O Supervisor unifica os resultados em uma resposta única e coerente.
Conclusão
Este sistema é uma aplicação poderosa de IA aplicada à economia brasileira, unindo dados oficiais e conteúdo dinâmico. Com o uso de agentes coordenados pelo LangGraph, conseguimos criar um fluxo de trabalho que automatiza análises e fornece insights confiáveis e atualizados.
Se você é economista, cientista de dados ou apenas curioso sobre IA aplicada à economia, vale a pena explorar essa abordagem.
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/ - Tabela 6318 do SIDRA/IBGE – Condição na força de trabalho
https://sidra.ibge.gov.br/tabela/6318 - DuckDuckGO– Busca de informações em tempo real
https://duckduckgo.com/
