🚀 Trilha de Trabalhos Práticos: O Ecossistema WOKDEX

Objetivo Central: Transformar a disciplina em um Laboratório de P&D (Pesquisa e Desenvolvimento). Durante o semestre, a turma desenvolverá microsserviços e agentes autônomos que implementam e complementam a arquitetura descrita no artigo científico “WOKDEX: Um Modelo de Metadados Pedagógicos para Geração de Feedback Formativo”.

A vantagem dessa abordagem é que os alunos deixarão de fazer projetos didáticos isolados para construir um produto real de Inteligência Artificial, baseado no estado-da-arte, vivenciando o ciclo completo de MLOps.

🏗️ A Arquitetura Integrada (O Grande Plano)

O pipeline do WOKDEX possui 5 fases complexas (Ingestão, Raciocínio, Cenários de Erro, Implementação/Self-Healing e Auditoria). Para que um Agente de IA consiga rodar essas 5 fases sem “alucinar”, ele precisa de apoio externo. É aí que entram os três Trabalhos Práticos (TPs):

🎯 TP1: Classificador de Enunciados (Módulos 1 e 2)

A Dor no WOKDEX: Na Fase 1 do pipeline, precisamos anotar quais são as skills e o nível de dificuldade do exercício. Pedir isso “no escuro” para o LLM pode gerar inconsistências.
O Trabalho: Os alunos vão construir e treinar uma Rede Neural (Keras/TensorFlow) de NLP (Natural Language Processing) que recebe o texto bruto de um problema de programação e o classifica automaticamente (ex: “Grafos”, “Programação Dinâmica”, “Dificuldade: Alta”).
A Entrega: Uma API FastAPI conteinerizada (Docker). O aluno envia o texto do problema via POST e a API devolve um JSON com as classificações matemáticas.

📚 TP2: Oráculo RAG Corporativo (Módulo 3)

A Dor no WOKDEX: Para a Fase 2 (gerar Misconceptions) e Fase 5 (criar a Lore Lúdica), o LLM precisa de bons exemplos prévios (Few-Shot Learning) para ancorar sua geração e não fugir do formato WOKDEX.
O Trabalho: Os alunos criarão um RAG Especialista usando Spring Boot, Spring AI e um Vector Database. Eles vão vetorizar uma base de dados de exercícios WOKDEX já curados e validados por humanos.
A Entrega: Uma API Corporativa Java. Quando o pipeline do WOKDEX for gerar um novo exercício sobre “Laços de Repetição”, ele chama o endpoint /rag/search?tema=lacos e a API do TP2 devolve os 3 exercícios curados mais parecidos para servirem de contexto perfeito no prompt do LLM.

🤖 TP3 / Capstone: O Agente Autônomo Curador (Módulo 4)

A Dor no WOKDEX: Precisamos de um orquestrador que junte tudo e execute as 5 fases do artigo sem intervenção humana a cada passo.
O Trabalho: Desenvolver um Agente IA Autônomo (ou um sistema Multi-Agente) capaz de executar o fluxo completo.
O Fluxo de Execução do Agente:
1. O usuário entrega o link ou texto de um problema cru do URI/Beecrowd.
2. Tool Calling 1: O Agente consome a API do TP1 (FastAPI) para descobrir do que se trata o problema.
3. Tool Calling 2: Sabendo o tema, o Agente consome a API do TP2 (Spring RAG) para buscar exercícios inspiracionais.
4. Raciocínio: O Agente executa a “Ancoragem de Dados” (Data Anchoring) proposta no artigo, gerando o Blueprint, os Cenários de Erro e o Feedback Formativo.
5. Output Final: O Agente entrega o JSON Schema perfeito do WOKDEX, pronto para ser validado por um “Humano no Circuito” (HITL).

🎓 Impacto Pedagógico e Científico

Sentido de Propósito: Os alunos se sentem parte de um projeto de pesquisa de Doutorado real. O código que eles escrevem tem utilidade científica.
Avaliação Prática de MLOps: O TP3 falhará miseravelmente se as APIs do TP1 e TP2 construídas meses antes estiverem fora do ar ou mal documentadas, forçando a sala a pensar em integração contínua (CI/CD) e estabilidade de produto.

📄 A Fábrica de Pesquisa (Estratégia para Turmas de 40 Alunos)

Com uma turma de 40 alunos (formando cerca de 8 a 10 grupos), a disciplina ganha um potencial massivo de crowdsourcing acadêmico. Em vez de esperar o fim do semestre para escrever um artigo do zero, a estratégia será produzir rascunhos incrementais a cada TP, onde o trabalho é dividido entre código individual e síntese científica em grupo. Ao final do semestre, os melhores fragmentos são agregados num mega-artigo (Estratégia 2).

👥 Dinâmica de Divisão: Individual vs. Grupo

Para garantir que não haja “caroneiros” (alunos que não programam) e, ao mesmo tempo, promover a escrita científica colaborativa, cada TP deve seguir a seguinte estrutura de entrega:

Entrega Individual (Engenharia): Cada aluno do grupo deve codificar e entregar um componente específico via commit no GitLab. Ex: No TP1, o Aluno A foca na limpeza dos dados, o Aluno B cria o modelo Bag of Words, o Aluno C treina a rede neural, e o Aluno D coda o endpoint FastAPI.
Entrega do Grupo (Rascunho Científico): O grupo unifica o código no branch principal e entrega um Rascunho Parcial (Draft) de 2 a 3 páginas (formato SBC ou IEEE). Este documento foca apenas na metodologia e resultados daquele TP.

📅 O Funil de Escrita e Desenvolvimento

🎯 TP1: Classificação de Dificuldade/Skills (Módulos 1 e 2)

Ação: O grupo consolida as Redes Neurais individuais em um classificador unificado.
O Rascunho do Artigo (Draft 1): O grupo escreve a seção de Trabalhos Relacionados e a Metodologia Preditiva (qual arquitetura neural foi usada, acurácia no dataset de treino).
Leitura Obrigatória (Papers Base para os Alunos):
- CodeBERT: A Pre-Trained Model for Programming and Natural Languages (PDF) - Base clássica de como extrair features textuais de código/enunciados.
- Deep Learning for Source Code Modeling and Generation (PDF) - Para entender a base de modelagem de código com redes neurais.

📚 TP2: Oráculo RAG Corporativo (Módulo 3)

Ação: O grupo desenvolve os microsserviços Spring AI individuais e os consolida em um único Vector Database buscando exercícios similares.
O Rascunho do Artigo (Draft 2): O grupo escreve a seção de Arquitetura de Recuperação da Informação. Devem reportar métricas empiricas: Qual a velocidade da busca no BD Vetorial? O embedding (ex: ada-002) encontrou o exercício correto?
Leitura Obrigatória (Papers Base para os Alunos):
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (PDF) - O paper seminal que fundou o RAG (Lewis et al.). Leitura estritamente obrigatória.
- Dense Passage Retrieval for Open-Domain Question Answering (PDF) - Explica a lógica de vetores densos e busca semântica em Vector Databases.

🤖 TP3 / Capstone: O Agente Autônomo WOKDEX (Módulo 4)

Ação: Orquestração do sistema completo consumindo as APIs do TP1 e TP2.
O Rascunho do Artigo (Draft 3 - Final): O grupo escreve a seção de Orquestração Multi-Agente e Resultados. Avaliam empiricamente se o Agente conseguiu gerar um pacote JSON WOKDEX válido.
Leitura Obrigatória (Papers Base para os Alunos):
- ReAct: Synergizing Reasoning and Acting in Language Models (PDF) - O manual de como fazer um Agente pensar (Thought) e agir (Action/Tool Calling).
- WOKDEX: Um Modelo de Metadados Pedagógicos… (Local) - O seu artigo de qualificação, que servirá de Baseline arquitetural de restrições (JSON Schema).

🏆 O Mega-Artigo Final (O Produto do Semestre)

Após o Demoday, o professor detém cerca de 10 artigos completos (formados pelos drafts dos TP1+TP2+TP3). O professor atua como “Editor Chefe”: 1. Identifica a API Classificadora (TP1) mais precisa da sala. 2. Identifica o RAG (TP2) mais veloz. 3. Identifica a arquitetura Agente (TP3) que menos alucinou.

A equipe (ou a junção de equipes) que construiu os melhores pedaços é convidada a fundir os textos em um Mega-Artigo Integrado (Estratégia 2). O título sugerido: * “Ecossistema WOKDEX: Uma Arquitetura Híbrida de MLOps, RAG e Agentes Autônomos para Geração de Feedback Formativo em Larga Escala”.

Essa metodologia garante o engajamento técnico de todos (commits individuais), desenvolve a fluência científica contínua (rascunhos parciais) e coroa o esforço da turma com uma publicação científica robusta.

🗓️ Calendário de Checkpoints (Timeline do Semestre)

Para manter os 40 alunos no ritmo constante e evitar que o desenvolvimento de um ecossistema tão grande acumule para o fim do semestre, o trabalho exige entregas contínuas (Continuous Delivery). Abaixo, a sugestão de calendário distribuído em um semestre letivo de 16 semanas:

05/08 (Qua) - Formação e Kick-off

O que acontece: Apresentação do desafio WOKDEX para a turma. Formação dos grupos (4 a 5 alunos).
Marco: O professor explica a divisão estrita de “Engenharia (Individual)” vs “Artigo (Grupo)”.

31/08 (Seg) - Checkpoint 1 (TP1 - O Classificador)

Engenharia (Git): Código fonte da Rede Neural treinada e o endpoint FastAPI “de pé” rodando em contêiner.
Artigo: Entrega do Draft 1 (Foco em Trabalhos Relacionados e Metodologia Preditiva).
Auditoria: O professor/monitoria roda testes automatizados de requisição no FastAPI de cada grupo.

26/10 (Seg) - Checkpoint 2 (TP2 - O Oráculo RAG)

Engenharia (Git): Subida do Banco Vetorial e do microsserviço de busca semântica em Spring Boot (Spring AI).
Artigo: Entrega do Draft 2 (Foco em Arquitetura de Recuperação de Informação e tempos de resposta).
Auditoria: A API do RAG é testada buscando exemplos similares de enunciados.

25/11 (Qua) - Checkpoint 3 (TP3 - Agentes Autônomos)

Engenharia (Git): A lógica de Orquestração (Multi-Agente) capaz de realizar o Tool Calling para o TP1 e TP2.
Artigo: Entrega do Draft 3 Final (Foco na avaliação empírica: O Agente alucinou? Respeitou o JSON Schema do WOKDEX?).
Auditoria: Teste cego do agente resolvendo um problema não-visto (Unseen Problem).

30/11 (Seg) - Demoday e Defesa (O Ápice)

O que acontece: O Pitch final ao vivo da integração completa (TP3).
Marco Final: Os alunos fazem a demonstração do sistema rodando do zero: entregam um enunciado cru para o Agente e observam ele classificar, buscar no vetor e cuspir o pacote WOKDEX completo.

07/12 (Seg) - Fechamento: Operação “Editor-Chefe”

O que acontece: Na semana de fechamento do diário (pós-provas), o professor cruza as notas e identifica as melhores sub-entregas da sala (ex: O grupo 3 fez a melhor Rede Neural, mas o grupo 5 escreveu o melhor RAG).
Ação: O professor une esses talentos para consolidar os Drafts 1, 2 e 3 num texto coeso, formando o Mega-Artigo pronto para submissão a revistas e congressos.