Quiz final da Unidade 3

Um processo médio cabe. O problema é que a Tool não sabe de antemão qual processo vai receber, e o pior caso é 8 vezes a mediana.

Mediana 74, p95 289, máximo 613. Quem escreve a Tool escolhe quantos devolver justamente porque não controla qual processo chega.

Janela maior deixa o modelo mais lento e adia o problema em vez de resolvê-lo. E o histórico do agente cresce a cada passo.

Recusar o processo mais movimentado é recusar justamente o mais interessante. A saída é devolver menos dele, não devolvê-lo menos.

Provável em parte, mas não é o que a medição sustenta nem o que interessa para escrever a Tool.

Por isso não adianta filtrar por ano para evitar retornos grandes — o critério que prevê tamanho é a quantidade de movimentos, e ela só se conhece depois de buscar.

Em média, sim. Mas a Tool recebe um número, não uma média — e a exceção é que estoura o contexto.

É pequena para estatística fina, mas o ponto aqui é o contraste, e ele é grande demais para ser ruído: 613 contra 4,4.

É o ofício da unidade inteira. A informação que responde à pergunta cabe em 360 tokens; o resto era volume.

Não houve compressão. Houve escolha: cinco movimentos por processo, com dois campos cada.

O tempo mudou pouco — a consulta ao CNJ é a mesma. O que mudou foi o que atravessa para o contexto do modelo.

Não há limite técnico. Cinco foi uma escolha de quem escreveu a Tool.

O _source é filtro na origem: o campo nem trafega. É a redução mais barata que existe, e não depende de nenhum código de Tool.

Não contém — é vocabulário controlado da TPU. A razão é volume, não sigilo.

Nada nele quebra o parser.

_source não afeta agregação nenhuma — ele só decide o que volta em hits.

Contar foi a menor: 218 bytes. O tamanho do número não é o tamanho da resposta — 5.985.465 processos de Dívida Ativa couberam em 1.519 bytes.

A série temporal é a mais volumosa das cinco, e ainda assim nenhuma das formas passou de 2,5 KB. O problema de tamanho é do dado bruto, não da pergunta bem formulada.

Detalhar traz o processo reduzido. Inteiro seriam os 105.123 bytes do campeão.

Devolve vários, mas com poucos campos cada. Ficou em terceiro.

Cinco anos consecutivos no futuro, com 10.779 registros, não é digitação.

73,2% dos registros estão no formato compacto. Lido como milissegundos, 20260617161919 cai em 2610.

Fuso desloca horas, não seis séculos.

Não existe esse campo, e dataAjuizamento é a data de entrada.

Ficou mais rápida, se algo.

O filtro removeu exatamente os anos recentes, que são os que estão no formato compacto. O erro visível foi trocado por um erro convincente.

Funciona. O problema é o que ele filtrou, não o operador.

Esses foram excluídos de propósito, e a perda seria visível.

Isso conserta o que a sua tela desenha. Aqui a codificação está quebrada no dado que chegou.

Mesma coisa: conserta a saída, não a entrada.

O código é inteiro e não tem acento para estragar. Duas grafias tortas do mesmo órgão viram dois baldes por nome e um só por código — e é a contagem que responde à pergunta.

A agregação acontece no servidor do CNJ, antes de o Python ver qualquer coisa.

No stdio, o stdout do servidor não vai para a sua tela — vai para o cliente, como protocolo.

O stdout é o fio do protocolo. Depuração vai para o stderr.

Seria bom, mas não é o que acontece.

Observation é o retorno da Tool. O print nem chega lá.

Seria o esperado, e é justamente o que não acontece. Uma lista vira 5 blocos de conteúdo, e o adaptador fica com o primeiro.

structured_output conserta a metade do cliente; o embrulho em dict conserta a do servidor. Uma sem a outra não resolve.

Isso é o que acontece com structured_output=False e retorno dict.

Não há erro — há um aviso, e a execução segue com 1 item de 5.

O modelo leu def listar_assuntos(termo: string) e escreveu o que qualquer pessoa escreveria. A assinatura anunciada prometia uma função Python normal.

Seis linhas casando posicionais com ferramenta.inputs resolvem para qualquer modelo, sem gastar contexto em toda pergunta.

O servidor recebe um objeto JSON com nomes; posicional não existe do lado dele.

Sem relação: esse erro acontece antes de haver qualquer retorno.

É contexto pago em toda volta do ciclo, antes de qualquer Observation. E a docstring é também o que o modelo lê para decidir se chama a Tool.

A execução da Tool não lê a docstring.

Não há esse limite.

Encurtar sem perder o que a Tool faz e o que ela não faz ajuda. Encurtar por encurtar piora a escolha da Tool.

Ela custa 2,23 s uma vez por sessão, e o servidor deste curso é local de propósito.

Corrigir o filtro de sigilo no servidor conserta todo cliente que aponta para ele. É o único ganho real, e é suficiente.

As diferenças medidas estão dentro do ruído da rede do CNJ. Não há ganho de velocidade.

É dominado pelo modelo: uma resposta completa levou 125,2 s, dos quais 2,23 s foram handshake.