Skip to content

nlagent/fw

BranchesTags

Repository files navigation

🧠 Framework NL-Agent

Interoperabilidade Semântica para Sistemas Multi-Agentes na Gestão Educacional via Lógica Natural

Framework unificado que integra os protocolos MCP (Model Context Protocol), A2A (Agent-to-Agent), ANP (Agent Network Protocol) e ACP (Agent Communication Protocol) sob princípios de Lógica Natural (NL), mediados por oráculos epistêmicos baseados em LLMs/LRMs — validado empiricamente na gestão de transporte e alimentação escolar para 475.000 estudantes.

📋 Índice

Visão Geral

O NL-Agent Framework propõe uma camada de abstração semântica que unifica protocolos de comunicação entre agentes sob princípios fundamentais da Lógica Natural (NL). Ele resolve o problema central da comunicação agêntica: como assegurar que intenções comunicadas permaneçam intactas perante diferenças ontológicas, incertezas contextuais e lacunas no conhecimento disponível.

Nascido das necessidades reais da gestão educacional pública, o framework transforma a relação entre profissionais da educação e a complexidade informacional que enfrentam diariamente — de coordenadores monitorando rotas para milhares de estudantes a nutricionistas planejando centenas de milhares de refeições.

O Problema: Infodemia na Gestão Educacional

A infodemia contemporânea impõe uma carga cognitiva intensa sobre gestores educacionais, exigindo a evolução do profissional de mero executor de tarefas para um "gerente de agentes", capaz de governar parceiros cognitivos e validar processos de raciocínio contextual. Na educação pública, isso se manifesta em desafios concretos:

  • Silos informacionais: Sistemas isolados de matrícula, frequência, transporte e alimentação que não se comunicam
  • Escala operacional esmagadora: Monitoramento de rotas para 9.000 estudantes em 300+ linhas de transporte; controle de gêneros alimentícios em 680 escolas com 350 mil refeições diárias
  • Pressão regulatória: Inconsistências em prestações de contas PDDE e FUNDEB geram glosas que comprometem o financiamento escolar
  • Heterogeneidade ontológica: Conceitos como "aluno" são representados de formas divergentes entre sistemas de transporte (matrícula), alimentação (código nutricional) e frequência (registro diário)
  • Incompletude epistêmica: Lacunas no conhecimento compartilhado sobre normas orçamentárias dinâmicas entre Entidades Executoras e Unidades Escolares

A Solução: Dualidade Cognitiva para a Gestão Educacional

O framework implementa uma arquitetura cognitiva híbrida que distingue a velocidade da triagem informacional da precisão exigida pela gestão fiscal:

  1. Dualidade Cognitiva — LLMs (System 1: rápido, intuitivo) para interface e triagem + LRMs (System 2: lento, deliberativo) para compliance FUNDEB e cálculos orçamentários
  2. Mediação Oracular — Oráculos epistêmicos baseados em LLMs para tradução semântica entre domínios educacionais heterogêneos
  3. Tradução Semântica — Algoritmo que preserva intenção original na comunicação entre agentes de transporte, alimentação e frequência escolar
  4. Isolamento Contextual — Padrão IIFE como unidade básica de agência MCP, garantindo que dados sensíveis de 475.000 estudantes permaneçam em silos seguros

Resultados Comprovados na Gestão Educacional

Métrica Antes Depois Melhoria
Tempo de consolidação de dados 4–8 horas 15–30 minutos 94%
Taxa de erro em prestação contas 12% 0,3% 97%
Interoperabilidade semântica 42% 93,6% 123%
Preservação semântica média 0,72 0,923 28%
Carga cognitiva (NASA-TLX) Alta Reduzida em 76% 76%
Resposta a auditorias 5–10 dias 2–4 horas 98%

Contexto Educacional

O framework nasce de uma necessidade real e urgente: profissionais da educação pública enfrentam diariamente o desafio de processar dados fragmentados em silos de inteligência enquanto operam sob rígidas normas de compliance orçamentário. No epicentro dessa crise informacional estão coordenadores, nutricionistas e monitores que — mesmo sem formação técnica em protocolos agênticos — já demonstram, em suas práticas cotidianas, a convergência instintiva para padrões de isolamento e colaboração que o framework formaliza.

A Realidade Operacional: O Gestor como Orquestrador

A infodemia contemporânea exige uma evolução fundamental no perfil do profissional de educação: de mero executor de tarefas para um orquestrador de ecossistemas cognitivos, capaz de governar parceiros computacionais e avaliar criticamente processos de raciocínio automatizado. Na prática, isso significa que coordenadores lidam simultaneamente com:

Sistema Escala Desafio Diário
SGTE — Transporte Escolar 9.000 alunos, 300+ linhas, ~1.200 viagens/dia Otimizar rotas respeitando janelas de tempo e condições de tráfego em tempo real
SGAE — Alimentação Escolar 680 escolas, 350 mil refeições/dia Garantir que cardápios atendam 30% das necessidades nutricionais (PNAE) e verificar elegibilidade de notas fiscais
FUNDEB/PDDE 475.000 estudantes Assegurar conformidade regulatória rigorosa na execução de recursos públicos, evitando glosas

Esses profissionais enfrentam o que se pode chamar de silos de inteligência: sistemas isolados de matrícula, frequência, transporte e alimentação que não compartilham contexto semântico. Um "aluno" é representado de formas divergentes — por matrícula no transporte, por código nutricional na alimentação, por registro diário na frequência — gerando inconsistências que, quando não detectadas a tempo, resultam em glosas financeiras que comprometem o financiamento de escolas inteiras.

A Dualidade Cognitiva: Velocidade para a Interface, Rigor para o Orçamento

A arquitetura do framework reflete diretamente as necessidades do campo educacional, distinguindo entre dois tipos fundamentais de demanda cognitiva:

  • LLMs (System 1 — Pensamento Rápido) explicam empaticamente aos pais o atraso de um ônibus, geram descrições apetitosas para cardápios escolares, convertem dados entre formatos de protocolos e produzem resumos de reuniões pedagógicas — tarefas que exigem velocidade, fluência e empatia comunicacional
  • LRMs (System 2 — Pensamento Deliberativo) calculam rotas ótimas que minimizam quilometragem para 50 alunos respeitando janelas de tempo, verificam se despesas violam a regra de 70% do FUNDEB, avaliam se combinações de alimentos atingem os requisitos nutricionais do PNAE e auditam a elegibilidade de notas fiscais contra legislação vigente — tarefas que exigem precisão absoluta, rastreabilidade e zero tolerância a erro

Esta separação evita o anti-padrão do "Monolito de Modelo", onde a "adivinhação" probabilística de um LLM contaminaria a "resolução" lógica exigida pela gestão fiscal escolar. Na prática educacional, isso significa que o mesmo sistema pode comunicar-se com sensibilidade humana na camada de interface e operar com rigor aritmético na camada de compliance.

Impacto na Equidade Educacional

As decisões algorítmicas no contexto escolar — quais alunos são atendidos por qual rota de transporte, como recursos alimentares são distribuídos entre escolas, quais unidades recebem prioridade orçamentária — possuem consequências diretas sobre a equidade no acesso à educação pública. O framework aborda essa responsabilidade em três dimensões:

Dimensão Problema Solução no Framework
Geográfica Alunos de zonas rurais dependem de rotas otimizadas que considerem vias não pavimentadas Agente de Roteirização (LRM) com restrições de equidade geográfica
Nutricional Populações vulneráveis necessitam que 30% das necessidades nutricionais sejam garantidas diariamente Agente Nutricional (LRM) com cálculo rigoroso de macro e micronutrientes
Orçamentária Glosas no FUNDEB/PDDE reduzem recursos de escolas que mais precisam Agente Auditor (LRM) com verificação contínua de conformidade regulatória

A auditabilidade é um princípio de design, não um recurso opcional: cada decisão algorítmica é rastreável, registrada em EventStore imutável, e pode ser reconstituída para auditorias do Tribunal de Contas ou análises internas de impacto social.

Da Fragmentação à Inteligência Institucional

O impacto transcende a automação operacional, configurando inteligência institucional — a capacidade de uma organização de aprender, adaptar-se e decidir de forma integrada:

  1. Gestores são liberados de tarefas repetitivas para atividades estratégicas (auditorias, planejamento pedagógico, formação de professores)
  2. Unidades Escolares ganham autonomia na geração de relatórios, reduzindo dependência da Coordenação Regional e fortalecendo a gestão democrática local
  3. Prestação de contas torna-se contínua e em tempo real, não mais um exercício semestral estressante e propenso a erros — o que protege diretamente o financiamento escolar
  4. Equidade educacional é fortalecida: decisões algorítmicas sobre rotas de transporte e alocação alimentar são auditáveis, rastreáveis e projetadas para mitigar viés
  5. Formação continuada emerge naturalmente: ao interagir com dashboards alimentados por agentes, educadores desenvolvem literacia de dados e competência para questionar decisões algorítmicas

Democratização Tecnológica via Infraestrutura Acessível

Uma contribuição significativa do framework reside na demonstração de que sistemas multi-agentes robustos podem ser construídos sobre infraestrutura acessível. A escolha do Google Sheets como camada de persistência (Sheets-as-Database) e do Google Apps Script como runtime serverless não é uma limitação técnica, mas uma decisão arquitetural estratégica de democratização:

  • Custo zero de infraestrutura — elimina barreiras de adoção para secretarias de educação com orçamentos limitados
  • Familiaridade do ecossistema — gestores já operam no Google Workspace, reduzindo curva de aprendizado
  • Governança inerente — autenticação OAuth2 transparente e herança de permissões da planilha-pai
  • Prova de conceito replicável — qualquer rede de ensino municipal ou estadual pode adaptar a solução sem dependência de vendors corporativos

Essa abordagem comprova que a sofisticação arquitetural não requer sofisticação financeira, pavimentando o caminho para que escolas e coordenações regionais de todo o Brasil implementem soluções semelhantes com recursos disponíveis.

Arquitetura

O framework organiza-se em três camadas interoperáveis:

┌──────────────────────────────────────────────────────────┐
│                   NL-AGENT FRAMEWORK                     │
├──────────────────────────────────────────────────────────┤
│  1. CAMADA DE INFERÊNCIA NL                              │
│     [ Reasoner ]  <->  [ Unifier ]  <->  [ Validator ]   │
│     (Inferência)      (Alinhamento)    (Consistência)    │
├──────────────────────────────────────────────────────────┤
│  2. CAMADA DE ABSTRAÇÃO                                  │
│     [ Cap. Mapper ]  [ Msg Translator ]  [ Context Mgr ] │
├──────────────────────────────────────────────────────────┤
│  3. CAMADA DE ADAPTADORES                                │
│     [ Adapt MCP ]    [ Adapt A2A ]      [ Adapt ACP ]    │
└──────────────────────────────────────────────────────────┘

Fluxo de Processamento

Mensagem de entrada
  → Adaptador do protocolo origem
    → Camada de Abstração (tradução)
      → Camada de Inferência NL (validação)
        → Adaptador do protocolo destino
          → Mensagem de saída

Protocolos Suportados

MCP — Model Context Protocol

  • Topologia: Cliente-Servidor
  • Viés: Contexto & Tools
  • Primitivos: Resources, Tools, Prompts
  • Transporte: JSON-RPC 2.0
  • Implementação SEDF: Padrão IIFE_MODULE_PATTERN (100% de adesão)

A2A — Agent-to-Agent Protocol

  • Topologia: Peer-to-Peer
  • Viés: Tarefas & Skills
  • Artefatos: Agent Cards (JSON Schema)
  • Estados de Tarefa: submitted → working → completed | failed | canceled
  • Design: Agentic, Capability-first, Modality-agnostic, Opaque execution, Enterprise-ready

ANP — Agent Network Protocol

  • Topologia: Descentralizada
  • Viés: Identidade & Rede
  • Infraestrutura: DIDs (W3C) + Verifiable Credentials
  • Descoberta: Agent Description Documents (busca híbrida semântica)

ACP — Agent Communication Protocol

  • Topologia: Híbrida
  • Viés: Mensageria & Assincronia
  • Subprotocolo: ACNBP (Agent Capability Negotiation and Binding)
  • Infraestrutura: ANS (Agent Name Service)

Comparação Rápida

Aspecto MCP A2A ANP ACP
Topologia Cliente-Servidor Peer-to-Peer Descentralizada Híbrida
Descoberta Estática Dinâmica (Cards) Semântica (DIDs) Federada
Viés Contexto & Tools Tarefas & Skills Identidade & Rede Mensageria

Oráculos Epistêmicos

O framework distingue dois tipos de oráculos, alinhados à dualidade cognitiva LLM/LRM:

Oráculo Semântico (LLM — System 1)

  • Modelos: GPT-4o, Gemini Flash
  • Função: Mediação de tradução e interoperabilidade sintática
  • Latência: < 1s
  • Métrica de Sucesso: Fluidez e preservação de intenção

Oráculo Raciocinador (LRM — System 2)

  • Modelos: o1 (OpenAI), R1 (DeepSeek), Gemini 1.5 Pro (thinking)
  • Função: Garantia de validade epistêmica e lógica
  • Latência: 10s–60s
  • Métrica de Sucesso: Correção lógica com tolerância a erro ≈ 0

Taxonomia Hierárquica

Ordem Escopo Exemplo
1ª Ordem Consultas factuais diretas "Qual o status do protocolo A2A?"
2ª Ordem Conhecimento de outros agentes "O Agente B conhece a especificação MCP?"
Superior Meta-epistêmico "É possível determinar se existe agente para X?"

Camada de Mediação Oracular

┌─────────────────────────────────────────────────────┐
│           CAMADA DE MEDIAÇÃO ORACULAR                │
│  ┌──────────────┐ ┌────────────────┐ ┌────────────┐ │
│  │Orác. Semântico│ │Orác. Ontológico│ │Orác. Pragma│ │
│  │ (Significado) │◄│  (Conceitos)   │►│ (Contexto) │ │
│  └───────┬───────┘ └───────┬────────┘ └──────┬─────┘ │
└──────────┼─────────────────┼─────────────────┼───────┘
     ┌─────┴─────┐     ┌────┴─────┐     ┌─────┴─────┐
     │  Agt MCP  │     │ Agt A2A  │     │  Agt ACP  │
     └───────────┘     └──────────┘     └───────────┘

Estrutura do Projeto

framework_agentnl/
├── README.md                        # Este arquivo
├── LICENSE                          # Licença MIT
├── EXEGESE.md                       # Exegese geral do framework
├── GLOSSARIO.md                     # Glossário de termos e acrônimos
├── ARQUITETURA.md                   # Detalhamento arquitetural completo
├── config/
│   └── bridge-config.yaml           # Configuração do bridge MCP↔A2A
├── src/
│   ├── core/
│   │   ├── semantic_translator.py   # Algoritmo de tradução semântica
│   │   ├── oracle_query.py          # Padrões de consulta oracular
│   │   ├── nl_reasoner.py           # Motor de inferência NL
│   │   └── unified_capability.ts    # Modelo de capacidades unificado (TypeScript)
│   └── apps_script/
│       ├── session_manager.js       # Context Keeper (MCP)
│       ├── job_queue.js             # Orquestrador de tarefas A2A
│       ├── event_bus.js             # Comunicação Pub/Sub
│       └── sheet_repository.js      # Abstração CRUD sobre Google Sheets
└── docs/
    └── tabelas_resumo.md            # Consolidação das 27 tabelas do framework

Validação de Robustez

Seguindo a Heurística 3, o framework dispõe de um Agente de Asserção (AssertionAgent) que audita a integridade do repositório de forma autônoma.

Assertion Agent (src/core/assertion_agent.py)

O agente verifica:

  • Conformidade de Fundação: Presença de arquivos de configuração e metadados.
  • Integridade de Core: Existência e consistência dos módulos de tradução e raciocínio.
  • Coerência Documental: Auditoria de referências a protocolos e termos técnicos.

Para executar a auditoria:

python src/core/assertion_agent.py

O resultado é gerado em robustness_report.json, contendo o Maturity Score do projeto.

Automação e DevOps

O repositório utiliza padrões modernos de automação para garantir a entrega contínua e a qualidade do código.

Ferramenta Descrição Configuração
Makefile Ponto de entrada unificado para comandos Makefile
Ruff Linting e formatação Python ultra-rápida pyproject.toml
ESLint/Prettier Qualidade e estilo para JavaScript/TS package.json
TypeScript Verificação de tipos estática tsconfig.json

Comandos Principais

  • make install: Instala todas as dependências do ecossistema.
  • make audit: Executa o Agente de Asserção.
  • make lint: Verifica a qualidade do código em todas as linguagens.
  • make test: Executa a suíte de testes (Python & Vitest).

Primeiros Passos

1. Compreender a Base Teórica

Leia o arquivo EXEGESE.md para uma visão exegética dos fundamentos:

  • Lógica Natural (NL) e operadores epistêmicos
  • Ontologias computacionais e alinhamento
  • Teoria dos Atos de Fala em sistemas multi-agente
  • Paradigma da Autonomia Supervisionada

2. Explorar a Arquitetura

Consulte ARQUITETURA.md para entender:

  • Camadas de inferência, abstração e adaptação
  • Modelo de capacidades unificado (UnifiedCapability)
  • Algoritmo de tradução semântica (5 etapas)
  • Padrões de integração (Bridge Bidirecional)

3. Consultar o Glossário

O GLOSSARIO.md reúne todos os termos técnicos, acrônimos e definições formais utilizados no framework.

4. Configurar o Bridge Semântico

# config/bridge-config.yaml
bridge:
  name: "MCP-A2A Semantic Bridge"
  endpoints:
    mcp:
      host: "localhost"
      port: 3000
      transport: "stdio"
    a2a:
      host: "agent.example.com"
      port: 443
      transport: "https"
  translation:
    strategy: "semantic_preserve"
    oracle:
      type: "llm"
      model: "claude-4-opus"
      temperature: 0.1
  validation:
    enabled: true
    consistency_threshold: 0.95

5. Implementar um Agente (Padrão IIFE/MCP)

const MeuAgente = (function() {
  // Contexto privado — isolado do escopo global
  const _estadoInterno = {};
  const _configuracoes = {};

  // Interface pública — contrato de comunicação
  return {
    inicializar: function(contexto) { /* ... */ },
    obterEstado: function() { return {..._estadoInterno}; },
    processarRequisicao: function(req) { /* ... */ }
  };
})();

Métricas de Validação

Desempenho do Framework (12.500 mensagens)

Métrica Valor IC 95%
Latência P50 (ms) 145 [138, 152]
Latência P99 (ms) 890 [845, 935]
Throughput (msg/s) 1.240 [1.180, 1.300]
Taxa de Sucesso 96,8% [95,9%, 97,7%]
Preservação Semântica 0,923 [0,908, 0,938]

Preservação Semântica por Tradução

Tradução Preservação Classificação
MCP → A2A 92,4% Alta
A2A → MCP 91,7% Alta
MCP → ACP 94,1% Muito Alta
ACP → MCP 93,2% Alta
A2A → ACP 95,3% Muito Alta
ACP → A2A 94,8% Muito Alta
Média 93,6% Alta

NASA-TLX Adaptado (Workflows)

Dimensão Enxame Autônomo Híbrido (NL) Manual
Carga Mental 6.0 (±0.8) 5.4 (±0.6) 2.8
Frustração 5.1 (±1.2) 4.6 (±0.9) 1.8
Transparência 2.4 (±0.7) 5.4 (±0.5) N/A
Confiança 4.2 (±0.9) 4.0 (±0.7) 3.8

Casos de Uso

1. Assistente de Pesquisa Multi-Modal

Integra agentes MCP (busca em bases acadêmicas), A2A (análise com modelos de raciocínio) e ACP (síntese com templates de escrita) para pesquisa acadêmica automatizada. Melhoria: 76,5% de redução em retrabalho, 19,2% na latência e 20,9% na taxa de sucesso.

2. Orquestração de Pipeline de Dados

Coordenação multi-protocolo em 4 estágios: ingest (MCP) → transform (A2A) → analyze (ACP) → report (MCP), com estados unificados gerenciados pelo Coordenador Semântico.

3. Negociação Multi-Agente

Protocolos formais de negociação semântica (propose → counter → accept/reject) com três propriedades desejáveis: (N1) Terminação em tempo finito, (N2) Racionalidade — aceitação somente se melhora a utilidade, (N3) Eficiência de Pareto — resultado ótimo sem prejudicar outros agentes.

4. Gestão Educacional SEDF (Validação Empírica)

  • SGTE — Transporte Escolar: 9.000 alunos, 300+ linhas, ~1.200 viagens/dia
  • SGAE — Alimentação Escolar: 680 escolas, 350 mil refeições/dia
  • Codebase: ~215.000 linhas combinadas, 70 módulos MCP, 100% adesão IIFE
  • Processamento diário: 18.000 registros de presença, 600+ cálculos de rota
  • Impacto: 475.000 estudantes atendidos no Distrito Federal

Infraestrutura de Runtime

Google Apps Script como Orquestrador Serverless

O ecossistema SEDF opera sobre duas plataformas complementares:

  • script.google.com — Contêiner de execução gerenciado com autenticação OAuth2 transparente, gerenciamento de cotas e deploy atômico
  • Google Colab — Laboratório Python para análise preditiva, prototipagem de oráculos e validação em larga escala via pandas/numpy

google.script.run como Barramento RPC Assíncrono

A comunicação frontend-backend utiliza o protocolo proprietário google.script.run, que atua como barramento RPC assíncrono alinhado ao ciclo A2A:

google.script.run
  .withSuccessHandler(onSuccess) // A2A Result
  .withFailureHandler(onFailure) // A2A Exception
  .funcaoDoBackend(parametros);  // Invocação do Agente Remoto

Detecção de Ambiente: if (typeof google === 'undefined' || !google.script) permite alternância entre modo Produção (RPC real) e Desenvolvimento Local (mocks).

Pipeline DevOps

Etapa Ferramenta Ambiente
Desenvolvimento script.google.com / VS Code Local / Web
Versionamento Git + GitHub GitHub
Validação GitHub Actions / testes internos CI
Deploy CLASP push / Editor Web script.google.com
Análise Google Colab (Python) colab.google.com
Monitoramento AppLogger + aba Telemetry Google Sheets

Heurísticas de Implementação

Heurística 1 — Um Agente por Responsabilidade FUNDEB

Cada categoria de despesa (transporte, alimentação, material didático) deve ser gerenciada por um agente distinto e especializado, facilitando a prestação de contas precisa e auditoria eficiente.

Heurística 2 — Contexto Escolar, Impacto Regional

Agentes no nível escolar publicam eventos padronizados consumidos assincronamente por agentes regionais (CRE), evitando acoplamento direto e promovendo escalabilidade.

Heurística 3 — Validação como Cidadão de Primeira Classe

Em sistemas onde dados impactam financiamento público (FUNDEB, PDDE), a validação deve ser implementada como agente autônomo — nunca como código embutido. Isso permite que o Agente de Validação intercepte preventivamente transações que violem regras orçamentárias dinâmicas, atuando como auditor em tempo real.

Anti-Padrões

Anti-Padrão Consequência Solução
Monolito Administrativo Indisponibilidade total; atualização impossível Decomposição em agentes por domínio
Validação Tardia Glosas de recursos; erros tardios Agentes de validação em tempo real
Silos de Dados Divergências cadastrais Agente centralizador de identidade
Integração por Arquivo Latência; perda de dados Comunicação A2A via eventos
Monolito de Modelo Tratar toda IA como igual Matriz LLM vs. LRM por tarefa

Paradigma da Autonomia Supervisionada

O caminho mais promissor para sistemas multi-agente na educação não reside nos extremos de ferramentas passivas ou agentes totalmente autônomos, mas no paradigma de Autonomia Supervisionada:

"Não é um mero compromisso ou uma fase de transição para a autonomia total, mas um modelo de design sociotécnico deliberado que busca uma simbiose produtiva e sustentável entre a agência humana e o poder computacional da máquina."

No contexto educacional, esse paradigma possui implicações profundas. O gestor escolar não é substituído — é elevado. Torna-se um "gerente de agentes": define objetivos pedagógicos e logísticos, delega execução operacional, monitora indicadores em dashboards e intervém em pontos críticos de decisão — como a validação de exceções orçamentárias ou a arbitragem de conflitos entre rotas de transporte.

O Paradoxo do Poder vs. Controle na Escola

Estudos empíricos identificaram que, embora usuários reconheçam a capacidade superior dos workflows autônomos, relatam simultaneamente uma sensação de perda de agência pessoal. No ambiente escolar, esse paradoxo é amplificado: o gestor precisa confiar na otimização algorítmica de rotas para 9.000 alunos, mas também precisa sentir que as decisões finais — especialmente aquelas com consequências sociais diretas — permanecem sob seu discernimento ético e institucional.

A solução não é menos tecnologia, mas tecnologia melhor governada: dashboards transparentes que mostrem por que uma rota foi escolhida, não apenas qual rota foi escolhida; alertas que sinalizem quando uma decisão algorítmica pode impactar populações vulneráveis; e mecanismos de override que permitam ao gestor exercer sua prerrogativa sem fricção.

Framework TRiSM para Oráculos

O TRiSM (Trust, Risk and Security Management), adaptado para oráculos epistêmicos, mitiga riscos críticos para a educação pública:

  • Propagação de alucinações em cadeias de agentes que processam dados de 475.000 estudantes — um dado errado de frequência pode impactar o cálculo de repasse do FUNDEB para uma escola inteira
  • Viés algorítmico em decisões sobre rotas de transporte e alocação alimentar que impactam populações vulneráveis — a otimização de custos não pode comprometer a equidade no acesso à educação
  • Perda de responsabilidade em delegações multi-nível — a cadeia de decisão algorítmica deve ser rastreável até sua origem normativa, assegurando que nenhum agente tome decisões que um humano não possa auditar
  • Proteção de dados sensíveis — 475.000 estudantes cujas informações transitam entre agentes exigem minimização de dados e anonimização conforme a LGPD

Formação e Letramento Algorítmico

A emergência de modelos de raciocínio de grande escala impõe a necessidade estratégica de um novo letramento para navegar incertezas epistêmicas na educação pública. A competência fundamental para profissionais da educação no século XXI transcende a operação de ferramentas digitais, passando a ser a capacidade de orquestrar sistemas multi-agentes que demandam integração fluida de sistemas cognitivos complexos e heterogêneos em ecossistemas colaborativos.

Esse letramento não é opcional: enquanto profissionais de outras áreas podem optar por ignorar a IA, gestores educacionais que administram recursos públicos para centenas de milhares de estudantes não podem se dar ao luxo de não compreender como algoritmos afetam rotas de transporte, distribuição alimentar e prestações de contas.

Competências Essenciais para o Gestor Educacional do Séc. XXI

Competência Descrição Aplicação Prática
Discernir alucinações de fatos Acuidade epistêmica para validar saídas de modelos cujas capacidades de persuasão podem superar sua precisão factual Verificar se relatórios gerados por LLMs refletem dados reais de frequência e transporte, não padrões fabricados
Navegar a fronteira tecnológica irregular Compreender que a competência da IA não é uniforme — exige julgamento para identificar quando delegar e quando assumir Identificar que cálculos FUNDEB exigem LRM (tolerância zero), enquanto resumos de reuniões permitem LLM (tolerância maior)
Governança algorítmica Aplicar princípios éticos e legais na supervisão de agentes que tomam decisões com impacto social Auditar decisões de otimização de rotas para garantir que populações de zonas rurais não sejam sistematicamente desfavorecidas
Orquestração multi-agente Coordenar agentes com capacidades e protocolos distintos em workflows híbridos Integrar dados de transporte (SGTE) com frequência e alimentação (SGAE) para visão holística do atendimento ao estudante
Pensamento sistêmico Compreender interdependências entre domínios educacionais e seus impactos cascata Reconhecer que uma mudança em rotas de transporte afeta frequência, que afeta merenda, que afeta prestação de contas

O Vínculo com a Aprendizagem Baseada em Problemas (ABP)

Essas competências alinham-se naturalmente à Aprendizagem Baseada em Problemas, onde o processo educativo é iniciado por desafios complexos extraídos de contextos reais. A formação de gestores-orquestradores não ocorre em sala de aula teórica, mas na imersão prática com sistemas que processam dados de milhares de alunos — transformando cada desafio operacional em oportunidade de desenvolvimento de pensamento crítico, resolução de problemas e literacia algorítmica.

O Papel do Mediador Crítico

A promessa da automação educacional não reside na automação indiscriminada, mas na ampliação estratégica da capacidade humana através de colaboração estruturada. A verdadeira inovação no setor público depende da capacidade de alinhar a vanguarda tecnológica com a segurança jurídica, a transparência administrativa e a ética necessária para a gestão de dados sensíveis. O profissional formado neste paradigma atua como:

  • Validador semântico: Garante que traduções entre protocolos preservem a intenção normativa — que "aluno transportado" no SGTE signifique o mesmo "aluno beneficiário" na prestação de contas
  • Auditor de oráculos: Verifica que decisões algorítmicas respeitem as restrições do FUNDEB, do PDDE e da LGPD — especialmente quando envolvem dados de menores de idade
  • Mediador entre tecnologia e política pública: Assegura que a automação respeite a equidade social e que os ganhos de eficiência não venham ao custo da exclusão de populações vulneráveis
  • Curador de dados institucionais: Garante a qualidade, integridade e governança dos dados que alimentam os oráculos de decisão, compreendendo que dados ruins produzem decisões ruins — independentemente da sofisticação do algoritmo

Programa de Estágio UnDF-SEDF

O framework é validado empiricamente pela parceria estratégica entre a Universidade do Distrito Federal (UnDF) e a SEDF, que materializa a Terceira Missão universitária: contribuição ativa para o desenvolvimento social por meio de transferência tecnológica e engajamento público.

Modelo Institucional: Tríplice Hélice

Hélice Parceiros Contribuição
Universidade UnDF, UnB Geração de conhecimento, formação de RH, P&D em sistemas multi-agentes
Governo GDF, FAPDF, RNP, SERPRO Financiamento (R$ 56M FAPDF), infraestrutura, regulação
Indústria BioTIC, Sebrae, Aceleradoras Demanda por inovação, transferência tecnológica, startups

O Estagiário como Human-in-the-Loop de Segunda Ordem

Na arquitetura proposta, o discente da UnDF ocupa um papel funcional estratégico: enquanto os agentes de software (MCP/A2A) processam a sintaxe e a pragmática das operações, cabe ao estagiário realizar a auditoria ontológica e a evolução dos oráculos epistêmicos, fechando o ciclo de retroalimentação necessário para evitar a degradação semântica do sistema.

Trilhas de Estágio por Curso

Curso Referência Curricular Foco no Framework Projetos Típicos
Ciência da Computação SBC / DCN Sistemas distribuídos, inteligência computacional, padrões IIFE-MCP Refatoração para MCP, observabilidade A2A, CI/CD
Engenharia de Software SWEBOK Construção com qualidade, DevOps, rastreabilidade Pipeline CI/CD, dashboard de monitoramento, testes
Ciência da Informação ABECI Ontologias, curadoria informacional, governança de dados Ontologia do ecossistema educacional, auditoria informacional, busca semântica

Trilha de Desenvolvimento Progressivo

Fase 1 — IMERSÃO (Semanas 1–4)
  → Ambientação com SGTE/SGAE, mapeamento de competências, treinamento em MCP/A2A

Fase 2 — EXECUÇÃO (Semanas 5–12)
  → Contribuições em produção CRE-PP: JobQueue, EventBus, NL-Agent sob supervisão

Fase 3 — PROTAGONISMO (Semanas 13–20)
  → Autonomia supervisionada: auditorias FUNDEB/PDDE, orquestração de workflows

Fase 4 — CONSOLIDAÇÃO (Semanas 21–24)
  → Portfólio técnico, defesa de artefatos, plano de carreira

Métricas de Sucesso do Programa

Categoria Indicador Meta
Acadêmicos Taxa de aprovação nas disciplinas de estágio > 95%
Acadêmicos Contribuição para TCC/Projeto Final > 70% utilizam experiência
Institucionais Contribuições aceitas em produção > 5 por estagiário/semestre
Institucionais Satisfação do supervisor técnico > 4.0 (escala 1–5)
Impacto Bugs resolvidos por estagiário/ano > 20
Impacto Documentação produzida > 50 páginas/ano

Referências Teóricas

Formalizações do Framework

  • Definição 1: Operador de Conhecimento — K_a(φ) com axiomas de Veracidade, Distribuição e Introspecção
  • Definição 2: Ontologia Computacional — O = ⟨C, R, I, A⟩
  • Definição 3: Alinhamento Ontológico — M = {⟨e₁, e₂, r, c⟩}
  • Definição 4: Oráculo Epistêmico — O = ⟨D, Q, R, φ⟩
  • Definição 5: Negociação Semântica — N = ⟨m₁, m₂, ..., mₙ⟩
  • Teorema 1: Aproximação Oracular (LLM → Oráculo ideal)
  • Teorema 2: Preservação Semântica (|S(m) − S(T(m))| ≤ ε)
  • Teorema 3: Completude do Mapeamento entre protocolos
  • Proposição: Complexidade de Tradução — O(n × log(|O|) + n × T_oracle)

Equação de Confiança

T = λ₁·E_x + λ₂·S_e + λ₃·P_v + λ₄·I_v

Onde: T = Confiança total | E_x = Explicabilidade | S_e = Segurança | P_v = Previsibilidade | I_v = Identidade verificável

Autores e Frameworks Citados

  • Castioni, Cerqueira e Cardoso (2021) — Capacidades Institucionais e Entidades Executoras
  • Santos et al. (2025) — Fragmentação de Sistemas em Gestão Educacional
  • Shen e Yang (2025) — "Da Mente à Mão" (Mind-to-Hand)
  • Gulli et al. (2025) — Modelo Tripartite (Modelo, Ferramentas, Orquestração)
  • Raza et al. (2025) — TRiSM (Trust, Risk, Security Management)
  • Huang et al. (2025) — ACNBP e DIDs/VCs
  • Raskar et al. (2025) — ANS (Agent Name Service)
  • Randevik e Petersson (2025) — Paradoxo do Poder vs. Controle
  • Gabison e Xi (2025) — Teoria do Principal-Agente aplicada a IA
  • Aksu et al. (2025) — NASA-TLX e Inter-relações de Carga Mental
  • Rangel (2025) — Manual de Oslo e Inovação no SNI
  • Etzkowitz (1997) — Universidade Empreendedora e Terceira Missão

Trabalhos Futuros

  1. Aprendizado de mapeamentos ontológicos — Alinhamentos via ML a partir de corpora de comunicação educacional
  2. Oráculos distribuídos — Escalabilidade horizontal com consenso semântico para redes estaduais
  3. Verificação formal — Prova automática de invariantes semânticas em traduções FUNDEB/PDDE
  4. Extensão ANP — Descoberta descentralizada com DIDs e credenciais verificáveis para agentes educacionais
  5. Formação de mediadores críticos — Currículos de letramento algorítmico integrados à gestão escolar

Licença

Distribuído sob a Licença MIT. Consulte o arquivo LICENSE para detalhes.

Este framework é parte do produto técnico-tecnológico da dissertação de Mestrado Profissional em Políticas Públicas e Gestão da Educação (UnB/UnDF), validado empiricamente na Coordenação Regional de Ensino do Plano Piloto (CRE-PP/SEDF).

"A convergência dos protocolos MCP, A2A e ACP não é meramente técnica — representa uma transformação paradigmática na forma como concebemos a comunicação entre entidades artificiais. Assim como a linguagem natural evoluiu para permitir a cooperação humana complexa, estes protocolos estabelecem as fundações para uma nova era de colaboração entre agentes artificiais, onde a compreensão mútua transcende diferenças sintáticas e ontológicas."

"Padrões de código legados, analisados sob a lente epistemológica de protocolos como MCP, A2A e ACP, revelam-se como microcosmos fractais de agência que otimizam intuições desenvolvimentais práticas em contextos reais e desafiadores como a gestão da educação pública."

— Framework NL-Agent, 2026

About

O NL-Agent Framework é um ecossistema de código aberto voltado para a interoperabilidade semântica em sistemas multi-agentes de larga escala. Fundamentado nos princípios da Lógica Natural (NL), o framework unifica os principais protocolos de comunicação agêntica contemporâneos

Resources

Readme

License

MIT license

Contributing

Contributing

Security policy

Security policy
Activity
Custom properties

Stars

7 stars

Watchers

0 watching

Forks

1 fork
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages