Agente de IA para Professores (AgenteIaProfessor Crew)
Agente de IA para Professores (AgenteIaProfessor Crew)
Sistema multiagente de IA construído com o framework crewAI, voltado ao apoio de professores. Os agentes colaboram em tarefas definidas por configuração e rodam 100% localmente com um LLM servido pelo Ollama (modelo llama3.2), sem necessidade de chaves de API externas.
[ajuste] Descreva aqui, em 2–3 frases, o que seus agentes fazem na prática (ex.: planejar aulas, criar exercícios, corrigir atividades).
Sumário
- Visão geral
- Arquitetura
- Estrutura do projeto
- Pré-requisitos
- Instalação
- Configuração do LLM local (Ollama)
- Personalização
- Execução
- Solução de problemas
- Suporte
Visão geral
O projeto usa o conceito de Crew do crewAI: um conjunto de agentes, cada um com papel (role), objetivo (goal) e histórico (backstory), que executam tarefas em sequência e colaboram para entregar um resultado final.
Vantagens da abordagem com LLM local:
- Privacidade: nenhum dado sai da sua máquina.
- Custo zero por requisição.
- Funciona offline após o download do modelo.
- Modelo intercambiável: basta alterar uma variável no
.env.
Arquitetura
.env ──► main.py ──► crew.py ──► Agentes (agents.yaml)
(config) (entrada) (orquestra) │
▼
Tarefas (tasks.yaml)
│
▼
Ollama (localhost:11434)
modelo llama3.2
│
▼
Resultado (ex.: report.md)
main.pyrecebe os inputs e dispara a crew.crew.pymonta agentes e tarefas a partir dos arquivos YAML.- Cada agente consulta o LLM local via Ollama.
- O resultado final é gravado em arquivo conforme definido em
tasks.yaml.
Estrutura do projeto
.
├── .env # Variáveis de ambiente (NÃO versionar)
├── .env.example # Modelo de configuração (versionar)
├── pyproject.toml # Dependências (gerenciadas com uv)
├── README.md
└── src/agente_ia_professor/
├── config/
│ ├── agents.yaml # Definição dos agentes
│ └── tasks.yaml # Definição das tarefas
├── tools/ # Ferramentas customizadas (opcional)
├── crew.py # Lógica da crew
└── main.py # Ponto de entrada
Pré-requisitos
- Python
>=3.10e<3.14 - uv para gerenciamento de dependências
- Ollama instalado
- Memória RAM suficiente para o modelo (o
llama3.2de 3B roda bem em máquinas modestas)
Instalação
# 1. Clone o repositório
git clone https://github.com/HanzBrito/Agente-de-IA-Professores.git
cd Agente-de-IA-Professores
# 2. Instale o uv (se ainda não tiver)
pip install uv
# 3. Instale as dependências
crewai install
Configuração do LLM local (Ollama)
1. Baixe o modelo
ollama pull llama3.2
ollama list # confirme que llama3.2 aparece na lista
O servidor do Ollama deve estar ativo (ollama serve, ou em segundo plano após a instalação) e responde por padrão em http://localhost:11434.
2. Configure o arquivo .env
Copie o modelo e edite:
cp .env.example .env
Exemplo de conteúdo [ajuste: use os nomes de variáveis que o seu crew.py lê]:
# Modelo local servido pelo Ollama (prefixo "ollama/" exigido pelo crewAI/LiteLLM)
MODEL=ollama/llama3.2
# Endereço do servidor Ollama
API_BASE=http://localhost:11434
Variável Descrição Valor padrãoMODELModelo local utilizado pelos agentesollama/llama3.2API_BASEURL do servidor Ollamahttp://localhost:11434Importante: como o LLM é local, não é necessário definirOPENAI_API_KEY. O trecho do template original que pede essa chave não se aplica a este projeto. Nunca faça commit do.env. Garanta que ele esteja no.gitignore.
Personalização
Arquivo O que alterar src/agente_ia_professor/config/agents.yaml Papéis, objetivos e histórico dos agentes src/agente_ia_professor/config/tasks.yaml Descrição das tarefas e saídas esperadas src/agente_ia_professor/crew.py Lógica da crew, ferramentas e configuração do LLM src/agente_ia_professor/main.py Inputs customizados (ex.: disciplina, série, tema) Execução
Com o Ollama ativo e o .env configurado, execute na raiz do projeto:
crewai run
O comando inicializa a crew, monta os agentes e executa as tarefas definidas na configuração. O resultado é salvo no arquivo indicado em tasks.yaml (no template original, report.md). [ajuste: informe o arquivo de saída do seu projeto]
Solução de problemas
Problema Solução Connection refused na porta 11434 Inicie o servidor: ollama serve model "llama3.2" not found Execute ollama pull llama3.2 Erro pedindo OPENAI_API_KEY Verifique se MODEL e API_BASE estão corretos e se o LLM é passado aos agentes em crew.py Respostas lentas Normal em CPU; feche outros programas ou use GPU Suporte
Para dúvidas sobre o crewAI:
Para dúvidas sobre este projeto, abra uma issue neste repositório.
meu link do Github
https://github.com/HanzBrito/Agente-de-IA-Professores



