Quiz final da Unidade 2

O qwen2:7b continua no Ollama local. O api_base não mudou.

Trocaram-se três linhas de sete na tabela de comparação. O agente não é o dado.

O CodeAgent continua fazendo Thought–Action–Observation a cada passo.

A chave do DataJud é pública e igual para todos.

Não é amostra: os dois números são do acervo inteiro, obtidos por caminhos independentes.

Um balde só, sum_other_doc_count: 0, e o total idêntico ao do acervo. Não sobrou documento fora.

Está preenchido — com 0, em todos.

Truncamento em 10.000 é do hits.total sem track_total_hits; agregação conta tudo.

Traz 301.922 processos, incluindo 'Decorrente de Violência Doméstica', que é outro assunto.

Comparação exata sobre a etiqueta inteira: 14.723 processos, todos do assunto pedido.

term num campo analisado quase nunca casa — o índice guarda os tokens, não a frase.

Seriam 23 milhões de documentos baixados para filtrar localmente.

Para o número exato, track_total_hits: true.

relation: eq é que significaria exato.

Não há limite por chave; é o comportamento padrão da contagem.

Foi baixado o que o size pediu — no exemplo, um.

Prova, incidentalmente, mas não é o valor dela.

'Please use a keyword field instead'. E no agente essa mesma mensagem chega ao modelo como Observation.

O índice é do CNJ e está correto; a consulta é que pediu algo que campo text não oferece.

Existe — e agregado em grau.keyword devolve G1, JE, G2 e TR.

Ele sabe quais códigos e quais nomes o processo tem, não qual vai com qual. Por isso a Tool busca por nome exato.

Cada código da TPU é de um assunto só.

O índice consultado é só do TJRJ.

O corte reduz quantos baldes voltam, não embaralha código com nome.

Não houve erro nenhum — é justamente o que torna essa falha perigosa.

Iterar uma string em Python dá caracteres. Cerca de 78 requisições, nenhum erro, e um resultado vazio que parecia um resultado.

As consultas eram válidas — buscavam assuntos chamados 'D', 'e', 'c'. Válidas e inúteis.

Não chegou a devolver processo nenhum; todas as buscas voltaram vazias.

Isso vale para o agente do zero, onde tudo é texto. Num Code Agent é o contrário.

O modelo escreve Python de verdade sobre o retorno. Uma string que se parece com lista é um disfarce, e o print bonito engana quem lê o log.

É boa prática, mas não foi o que quebrou aqui.

Devem — com guarda contra chamadas inúteis, que é a outra lição do episódio.

A consulta seria válida; só devolveria vazio.

O catálogo já está em memória. Multiplicado pelo laço de um agente, o erro barato substitui dezenas de chamadas a um servidor de terceiro.

Não há assunto sigiloso na API — todos os processos são nível 0.

Aceita e devolve zero resultados.

Inofensiva hoje, único controle existente amanhã. E .get(..., 99) faz o padrão ser negar.

A Resolução trata do envio de dados pelos tribunais.

Um filtro que não elimina nada não acelera nada.

O teto nunca é argumento de Tool — o modelo não chega a escolher isso.

A API usa 20 dígitos sem máscara.

Cada transformação feita pela Tool é uma que o modelo não pode errar em silêncio.

Provavelmente sabe. O risco é errar, não desconhecer.

Aumenta — são cinco caracteres a mais.

Não é prova formal de nada, mas é a verificação mais barata que existe contra a falha mais convincente de um LLM. Uma linha de código.

Alucina igual. A diferença é que agora existe como conferir.

Ela confere o formato, não a existência do processo nem os demais campos.

Eles passam sempre — e é exatamente por isso que a reprovação é um sinal tão útil.

Os erros dos Steps 4 e 6 são consequência de ele não ter parado, não a causa.

Reconhecer que a tarefa acabou é um julgamento — o que um modelo de 7B faz pior. Pedir explicitamente no enunciado ajuda; max_steps é o que garante o fim.

É um teto, não uma cota. Com final_answer no Step 3, o run terminaria ali.

Explica a repetição literal dos Steps 5 e 6, mas não por que ele não encerrou.