Skills

As “Skills” são funções reutilizáveis que ampliam as capacidades dos agentes no Studio IA. Elas permitem executar operações específicas — como cálculos, integrações com bancos de dados ou regras de negócio — que o modelo sozinho não consegue realizar de forma eficiente, especialmente em tarefas como matemática ou ações estruturadas.

Uma Skill é composta por código Python e pode ser utilizada em fluxos automatizados para dar mais precisão e controle à experiência do usuário.

Tipos de Skills na Plataforma

Na plataforma, os Skills representam blocos de capacidade que definem como o agente de IA vai interagir com os usuários e processar informações. Eles podem ser divididos em dois tipos principais: Embarcadas (Nativas) e Customizadas.

1. Skills Embarcadas (Nativas)

Esses são modelos pré-configurados fornecidos pela própria plataforma. Eles vêm prontos para uso e não podem ser editados ou apagados pelos usuários. Atualmente, o Skyone Studio oferece dois modelos embarcados:

• Skill com RAG:Utiliza a técnica de Retrieval-Augmented Generation (RAG), permitindo que o agente busque informações externas em tempo real para enriquecer as respostas fornecidas ao usuário.

• Skill com SQL: Permite ao agente interagir diretamente com bancos de dados relacionais via SQL, respondendo perguntas e gerando resultados baseados em consultas estruturadas.

Esses modelos são ideais para cenários comuns, garantindo robustez e boas práticas já incorporadas. Entenda um pouco mais:

RAG (Retrieval-Augmented Generation)

O RAG é uma técnica avançada de inteligência artificial que combina busca de informações (retrieval) com geração de texto (generation). Em vez de depender apenas do conhecimento aprendido durante o treinamento do modelo, o RAG permite que a IA consulte fontes externas em tempo real — como bases vetoriais ou documentos — para enriquecer e contextualizar suas respostas.

Componentes e Competências Essenciais no RAG

• Compreensão do conceito RAG: Entender como os modelos de IA podem buscar informações externas em tempo real para complementar suas respostas geradas.

• Busca Semântica: Aplicar embeddings e representações vetoriais para identificar os documentos mais relevantes para uma determinada consulta.

• Indexação Vetorial: Trabalhar com ferramentas especializadas, como FAISS, Weaviate, Pinecone, Milvus, entre outras, para armazenar e buscar vetores de forma eficiente.

• Integração com LLMs: Saber conectar mecanismos de busca (retrievers) a modelos de linguagem (LLMs) como GPT, LLaMA, entre outros, garantindo que a resposta final combine os dados buscados com geração textual fluida.

• Construção de Pipelines RAG: Desenvolver o fluxo completo de trabalho: consulta, busca e responde. Garantindo que cada etapa funcione de forma integrada e eficiente.

• Embedding de Documentos: Transformar textos em vetores utilizando modelos como all-MiniLM, nomic-embed, entre outros, para alimentar a base vetorial.

• Frameworks para RAG: Utilizar frameworks como LangChain, LlamaIndex, Haystack, entre outros, para construir, organizar e orquestrar os pipelines RAG.

• Avaliação de RAG: Medir a eficácia do sistema em termos de precisão, relevância das respostas e latência (tempo de resposta), garantindo qualidade e performance.

• Governança e Segurança: Garantir que os fluxos RAG respeitem normas de confidencialidade, precisão e controle de acesso aos dados consultados.

SQL (Structured Query Language)

O SQL é a linguagem padrão para consulta, manipulação e modelagem de dados em bancos de dados relacionais. Ele é essencial para profissionais que trabalham com análise de dados, engenharia de dados e administração de bancos.

Níveis de Competência em SQL

• Básico: Comandos como SELECT, WHERE, ORDER BY para filtrar e consultar dados simples em tabelas.

• Intermediário: Uso de JOINs, GROUP BY, HAVING, CASE para relacionar múltiplas tabelas, realizar agregações e criar consultas mais robustas.

• Avançado: Emprego de subqueries, CTEs (Common Table Expressions) e window functions para desenvolver consultas complexas, oferecendo maior controle e eficiência.

• Modelagem de Dados: Aplicação de princípios como normalização e desenho de esquemas relacionais eficientes, garantindo integridade e performance.

• Performance e Otimização: Uso de índices, explain plans e técnicas de query tuning para otimizar consultas em bancos com grandes volumes de dados.

• Segurança: Controle de acesso com roles, permissões e implementação de práticas para proteger dados sensíveis.

• Ferramentas e SGBDs: Domínio prático de ao menos um sistema gerenciador de banco de dados (SGBD), como PostgreSQL, MySQL, SQL Server, BigQuery, entre outros.

Ao customizar uma Skill embarcada, o sistema cria uma cópia independente. Essa nova versão pode ser editada livremente.

2. Skills Customizadas

Esses são criados diretamente pelos usuários. Existem duas formas principais de criá-los:

• Do zero: O usuário constrói toda a lógica e configuração personalizada para atender às necessidades específicas do negócio.

• A partir da duplicação de uma Skill embarcada: O usuário copia um modelo nativo para ter uma base pronta e, a partir daí, faz ajustes e personalizações conforme necessário.

As Skills customizadas oferecem flexibilidade total, permitindo adaptar o comportamento do agente para casos de uso únicos e mais complexos.

---

Criar uma nova Skill

Para criar uma Skill personalizada:

1. Acesse o menu lateral e clique em “Skills”.

1. Clique em "Nova Skill" ou selecione uma Skill existente e clique em "Customizar".

1. Na tela de edição, preencha os seguintes campos:

• Nome do módulo: É o identificador principal da Skill.

• Funções: Aqui você pode escrever uma ou mais funções em Python. Cada função deve receber parâmetros e retornar valores de forma clara.

1. Após preencher todos os campos e validar o código, clique em "Salvar módulo".