FIAP · Agentes de IA · Tech Challenge Fase 1 · case Olist

Um marketplace que pensa com agentes.

Cada ponto ao fundo é uma avaliação real de cliente da Olist, posicionada pelo significado do texto (embeddings + t-SNE). Abaixo, oito agentes trabalham sobre esses mesmos dados: conversam por A2A, consultam ferramentas via MCP e pedem aprovação humana quando precisam.

Ver agentes em ação → Montar uma cesta

0pedidos reais

0avaliações com texto

0categorias

0agentes no ecossistema

amostra de avaliações · cor = nota (coral 1 ★ → aqua 5 ★)

01 · Agentes em ação

Faça uma pergunta. Veja quem trabalha.

Escolha um cenário. O orquestrador entende o pedido, delega por A2A a um especialista, que chama ferramentas na camada MCP, observa o retorno e responde. Ações sensíveis param em um guardrail e esperam você.

—

Roteiro pré-computado, sem LLM ao vivo nesta página. Os retornos das ferramentas são agregações reais do dataset Olist. As falas dos agentes foram escritas offline por um LLM (gpt-5.6-sol) a partir desses retornos e passaram por uma trava: qualquer número que não exista nos dados reprova o texto. Nomes de vendedor e IDs de pedido estão encurtados.

02 · Agente de Recomendação

Monte uma cesta. O agente responde na hora.

Toque nas categorias para colocá-las na cesta, ou carregue a cesta real de um cliente. O agente soma dois sinais reais: co-compra (quem comprou A também comprou B) e afinidade semântica entre categorias (embeddings), e explica cada sugestão.

Cestas reais de clientes

Catálogo

Cesta

Sugestões do agente

41.753 avaliações, organizadas pelo que dizem.

O agente transformou cada comentário em um vetor (text-embedding-3-large), agrupou em 12 temas e nomeou cada tema. Arraste para girar a galáxia, passe o mouse para ler a avaliação, toque em um tema para voar até ele.

Arraste para girar · passe o mouse nos pontos

cor = nota da avaliação

1 ★5 ★

Temas

tamanho = volume · cor = nota média

Do que cada categoria é elogiada ou criticada

participação dos temas nas avaliações com texto

04 · Como foi feito

Dados reais do começo ao fim.

Tudo nesta página sai do dataset público da Olist no Kaggle. As etapas pagas (embeddings, nomes de temas, falas dos agentes, ilustrações) rodaram uma vez, offline, e ficaram em cache.

Dataset Olist

pedidos de 2016 a 2018, com itens, pagamentos, entregas e avaliações.

Embeddings

Textos das avaliações e nomes das categorias vetorizados com text-embedding-3-large.

Temas e galáxia

KMeans em 12 temas, nomeados por LLM. Uma amostra de avaliações é projetada em 3D com PCA e t-SNE.

Grafo de categorias

Co-compra entre clientes (probabilidade condicional, suporte mínimo de 3) mais vizinhança semântica.

Agentes A2A + MCP

Orquestrador e sete especialistas; cada ferramenta MCP devolve uma agregação real do dataset.

Trava de números

Falas geradas offline; um validador rejeita qualquer número que não esteja no retorno das ferramentas.