Uma Metodologia Multiagente para Extração de Conhecimento em Normas Técnicas PROFIBUS
Geração Aumentada por Recuperação, Grandes Modelos de Linguagem, Model Context Protocol, Multiagentes, Recuperação de Informação, PROFIBUS.
A Indústria 4.0 transformou o setor manufatureiro por meio da digitalização, automação e compartilhamento de dados. Para suportar essa integração, diversos protocolos de comunicação foram adotados, com destaque para os fieldbuses. No entanto, essa variedade, embora vantajosa, dificulta a interoperabilidade, motivando estudos sobre conversão e integração de protocolos. O PROFIBUS é um dos protocolos mais difundidos na automação industrial, operando em múltiplas camadas do modelo OSI e atendendo a diversos cenários produtivos. Apesar disso, sua manutenção apresenta desafios, especialmente em sistemas legados, onde falhas são difíceis de diagnosticar. Nesse contexto, soluções inteligentes baseadas em IA têm se destacado por oferecer acesso rápido e contextualizado a documentações técnicas. A combinação entre Geração Aumentada por Recuperação (RAG) e Grandes Modelos de Linguagem (LLMs) tem impulsionado significativamente os sistemas de perguntas e respostas, especialmente em domínios técnicos que exigem alta precisão e adaptação contínua, aumentando a relevância das respostas sem necessidade de retreinamento. Contudo, suas limitações levaram à exploração de sistemas agênticos, que introduzem agentes autônomos capazes de aprimorar ainda mais a flexibilidade e desempenho de arquiteturas RAG em cenários complexos e em constante evolução. Diante desse contexto, este trabalho propõe o desenvolvimento e a avaliação de arquiteturas que integram sistemas multiagentes, visando otimizar a recuperação e interpretação de informações em documentações técnicas do protocolo PROFIBUS.