Como Criar um Agente Inteligente para Análise do Mercado de Trabalho com LangGraph

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.

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:

grafo do Agente

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?”

Supervisor divide a tarefa:

  • Agente SQL consulta os dados oficiais do IBGE;
  • 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

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como usar SmolAgents para Análise de Dados Econômicos

A construção de agentes inteligentes está se tornando uma das aplicações mais relevantes da Inteligência Artificial. Esses agentes são capazes de automatizar tarefas complexas como coleta, análise e interpretação de dados.

Neste artigo, mostramos como criar um agente simples utilizando a biblioteca smolagents — uma ferramenta leve e simples para o desenvolvimento de agentes de IA.

O que é e como funcionam Sistemas Multi-Agentes

Sistemas multi-agentes (MAS) representam uma nova forma de estruturar aplicações de inteligência artificial, especialmente úteis para lidar com problemas complexos e distribuídos. Em vez de depender de um único agente generalista, esses sistemas são compostos por múltiplos agentes especializados que colaboram, competem ou se coordenam para executar tarefas específicas. Neste post, explicamos o que são os MAS, seus principais componentes (como LLMs, ferramentas e processos) e as arquiteturas mais comuns.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

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.