Produção · empresa de educação
Agente de vendas e matrículas
Desenvolvimento de agente conversacional em LangGraph com roteador, três subagentes e ferramentas integradas a sistemas internos: atende, tira dúvidas sobre cursos e conduz a matrícula, 24/7.
Problema
Vender um curso exige responder com precisão sobre valores, disciplinas, polos e regras de elegibilidade — informações que variam por curso e por cliente. Um agente que erra o preço ou a grade perde a venda; um que responde de forma genérica não converte.
Dados disponíveis
O ponto de partida eram documentos e planilhas fragmentados: regulamentos, FAQs, matrizes curriculares e catálogos com a mesma informação espalhada em formatos diferentes. Antes de qualquer prompt, o trabalho foi de curadoria — entender cada fonte, relacionar as informações e decidir qual era a verdade.
Decisões de arquitetura
Curadoria em duas etapas
Primeiro, organização dos documentos em chunks estruturados, com scripts de ingestão para documentos e planilhas. Depois, migração para uma plataforma de gestão de dados em que valores, disciplinas e informações acadêmicas se vinculam à entidade pai “curso”.
Roteamento explícito
Um roteador com saída estruturada decide o caminho de cada mensagem: atendimento, matrícula ou handoff para um consultor humano. Matrículas já iniciadas seguem por um desvio determinístico, sem depender do modelo.
Busca híbrida com cache
Vetores densos e esparsos no Qdrant, fusão de resultados e reranking, com filtros por categoria e curso. Um cache semântico com TTL evita repetir buscas e reranking para perguntas equivalentes.
Memória que sobrevive à sessão
Redis guarda a sessão ativa (STM); MongoDB guarda o histórico durável. Quando a sessão expira, o contexto é reconstruído a partir do histórico e um modelo mais barato gera o resumo de longo prazo (LTM) usado na conversa seguinte.
Implementação
- Grafo em LangGraph: roteador → subagentes de atendimento, matrícula e notificação → resposta final.
- Ferramentas para base de conhecimento, polos, catálogo e elegibilidade de cursos, gravação e checagem dos dados de matrícula e handoff para consultor.
- Guardrails que validam regras de negócio e comparam valores citados na resposta com o que as ferramentas retornaram.
- Buffer de mensagens, deduplicação e bloqueio de spam por janela de tempo; tarefas de remarketing em Celery, fora do fluxo da conversa.
- Golden set com LLM como juiz, rastreamento no Langfuse e registro de tokens e custo por conversa.
Resultado
- 70–120vendas por dia
O agente opera 24/7 e fecha de 70 a 120 vendas por dia.
Limitações e aprendizados
- A evolução de chunks para a entidade “curso” aparece aqui como decisão de arquitetura, não publico uma métrica isolada de ganho entre as duas versões.
- Integrações, dados de clientes e prompts ficam de fora por confidencialidade.