Este projeto implementa um Agente de Análise de Feedback utilizando os recursos do Azure AI Foundry, combinado com uma interface amigável construída em Streamlit.
O objetivo principal é permitir que usuários analisem rapidamente todos os comentários de formulários, especialmente de Microsoft Forms exportados em CSV. Porém, o sistema funciona com qualquer arquivo CSV que contenha uma coluna de respostas textuais abertas.
Basta selecionar a coluna desejada na interface, e o agente realizará a análise automática, incluindo:
- Resumo geral das impressões dos participantes
- Identificação dos pontos mais citados
- Sinais de sentimento (positivo, negativo, misto)
- Principais elogios e críticas
- Observações relevantes destacadas pelo modelo
O agente foi configurado no Azure Foundry com prompts e instruções específicas, garantindo que toda a análise seja estruturada, clara e acionável. Exemplo de uso com pesquisa_de_comentarios_pos_evento.csv:
O FeedbackAgent, criado no Azure Foundry, tem o propósito de:
- Receber uma lista de feedbacks textuais (em massa).
- Analisar o conteúdo, extraindo temas comuns.
- Identificar sentimentos predominante.
- Sumarizar os principais pontos positivos e negativos.
- Gerar um texto final consolidado com a visão geral do evento/atividade.
Instrução usada no agente:
“Resuma as impressões gerais dos comentários em um parágrafo conciso, destacando os pontos positivos, os elogios comuns e as críticas recorrentes. Se houver pontos negativos significativos, mencione-os objetivamente.”
1. Clone o repositório
git clone https://github.com/<seu-usuario>/<seu-repo>.git
cd <seu-repo>
2. Instale as dependências
pip install -r requirements.txt
3. Configure credenciais do Azure Foundry
⚠️ Para usar o projeto, é necessário possuir um ID de agente (AGENT_ID) e um endpoint de projeto (PROJECT_ENDPOINT) válidos, vinculados à sua própria conta Azure com créditos ou permissão para uso do Azure AI Foundry.
Primeiro autentique sua conta Azure no terminal com:
az login
✔ Método A — Variáveis de ambiente (recomendado) Crie um arquivo .env na raiz:
AGENT_ID=asst_xxx...
PROJECT_ENDPOINT=https://<seu-projeto>.services.ai.azure.com
A autenticação garante que o SDK do Azure consiga acessar os recursos do seu agente no Foundry. Para mais detalhes, clique aqui.
✔ Método B — Preenchendo no próprio Streamlit (sidebar) Basta preenhcer os campos:
- AGENT_ID
- PROJECT_ENDPOINT
diretamente no menu lateral da interface. Se o Método A estiver configurado, não é necessário preencher novamente na interface.
4. Execute a aplicação Streamlit
streamlit run app.py
- API key, senhas e outras URLs não devem estar visíveis no repositório. Podem ser definidas em ".env".
- .env deve estar listado no .gitignore.
- Uso de DefaultAzureCredential sempre que possível para evitar chaves expostas.
SDKs do Azure para Python: Documentação dos SDKs utilizados para autenticação e integração com serviços Azure, inclusive o pacote azure-ai-agents.
Instalação da CLI do Azure no Linux: Guia oficial para instalação do Azure CLI, ferramenta usada para autenticação local.
Autenticação Local com Azure CLI para Python: Explica como usar o comando az login e como a autenticação é utilizada pelos SDKs Python.
Threads, Runs e Messages em Agents: Explica o funcionamento do ciclo de execução de agentes no Foundry e a lógica de mensagens usadas pelo backend.
Verificação de Regiões dos Modelos: Neste link está explicado quais modelos do Azure Foundry estão disponíveis para uso em quais regiões e limitações de deploy.
Azure Foundry (AI Studio): Documentação oficial sobre o ambiente de criação, orquestração e deploy de projetos de IA usando Azure Foundry.
Streamlit: Documentação da ferramenta utilizada para a interface web local.
Um passo a passo detalhado e ilustrado, cobrindo desde a criação do agente até o uso da interface local, incluindo detalhes de implementação, possíveis expansões e limitações do Azure, está disponível no PDF:
Consulte esse material para reproduzir todo o processo, tirar dúvidas ou expandir o projeto para outros casos de uso.