image

Accede a bootcamps ilimitados y a más de 750 cursos para siempre

75
%OFF
Article image

H

HanzBrito18/11/2026 11:56
Compartir

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

    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)
    
    1. main.py recebe os inputs e dispara a crew.
    2. crew.py monta agentes e tarefas a partir dos arquivos YAML.
    3. Cada agente consulta o LLM local via Ollama.
    4. 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 >=3.10 e <3.14
    • uv para gerenciamento de dependências
    • Ollama instalado
    • Memória RAM suficiente para o modelo (o llama3.2 de 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 padrão MODEL Modelo local utilizado pelos agentes ollama/llama3.2 API_BASE URL do servidor Ollama http://localhost:11434 Importante: como o LLM é local, não é necessário definir OPENAI_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

    Compartir
    Recomendado para ti
    Microsoft - Certificação AI-103
    Neo4j - Certification
    DXC - IA do Zero ao Primeiro Agente
    Comentarios (0)