Você descreve o tema da pesquisa. Agentes de IA buscam os artigos na web, scripts conferem se cada referência existe e juntam os dados de citação, e um agente lê por inteiro cada artigo de acesso aberto e escreve um resumo em que todo número vem com a página de onde saiu.
Um agente é um modelo de IA que pode usar ferramentas, como a busca na web e a gravação de arquivos, e trabalha sozinho até terminar o pedido. Aqui os agentes rodam no opencode, um programa de terminal, com o modelo DeepSeek V4.1 Flash, que é gratuito e não pede conta nem cartão.
Números do exemplo desta página, feito em 25/10/2026 para um projeto de mestrado do LAPIG:
Por que dividir o tema. Cada agente faz no máximo cerca de 25 buscas. Num tema amplo, essas buscas se espalham e tendem a voltar com os artigos mais conhecidos. Num recorte estreito, como "radar e LiDAR em plantios florestais", as mesmas buscas vão mais fundo. No exemplo, só 5 dos 49 artigos apareceram em mais de uma frente.
Por que conferir o DOI. Modelos de linguagem às vezes citam artigos que não existem, ou põem o DOI de um artigo ao lado do título de outro. A referência inventada tem autores, revista e ano plausíveis, e só a consulta ao registro oficial mostra o erro.
O tema era o de um projeto de mestrado: estimar a biomassa e o estoque de carbono dos plantios florestais de Goiás (eucalipto e pinus) com dados de vários tipos de sensor de satélite. Ele foi dividido em quatro frentes: sensores ópticos, como Sentinel-2 e Landsat; radar e LiDAR; combinação de sensores com aprendizado de máquina; e dados de Goiás e do Cerrado. As quatro buscas levaram cerca de 10 minutos, e os 19 resumos, cerca de 12.
Abaixo, os 10 artigos mais citados. Os três números vêm do OpenAlex. O FWCI compara as citações do artigo com a média dos artigos da mesma área e ano: 1 é a média, e 10 é dez vezes a média. Percentil 99 quer dizer que o artigo está entre os 1% mais citados da sua área e ano.
A lista dos 49 artigos, separada por frente e com o que cada frente concluiu, está em REFERENCIAS.md. A mesma lista ordenada por citações está em TABELA.md, que também traz, no fim, 4 bases e relatórios oficiais sem DOI (IBGE, Ibá, MapBiomas e Embrapa). O arquivo referencias.bib importa direto no Zotero e no Mendeley.
O que a busca mostrou sobre Goiás. Entre os 49 artigos, só um trata da silvicultura em Goiás, e ele mapeia a área plantada, sem estimar biomassa (Cabral et al., 2019). O estudo de carbono em eucalipto mais perto daqui foi feito no Distrito Federal (Ribeiro et al., 2023). Quatro buscas automáticas não provam que nenhum estudo existe, mas indicam que estimar a biomassa e o carbono dos plantios goianos é um tema pouco explorado. É exatamente o tema do projeto.
Cada artigo lido gera um resumo com oito partes fixas: referência, pergunta do estudo, área e dados, método, resultados, limitações que os autores reconhecem, o que serve e o que não serve ao projeto, e duas frases copiadas literalmente do artigo. Todo número vem com a página entre colchetes, para conferir. Este é um trecho de um deles, sobre volume de madeira em eucalipto no Mato Grosso do Sul:
Conferimos no PDF do artigo os números deste trecho. Resumo completo.
Precisa de Node.js, para instalar o opencode, e de Python 3. Os comandos, na ordem:
# instalar o opencode, a biblioteca de PDF e baixar as ferramentas npm install -g @opencode/cli pip install pypdf git clone https://github.com/VictorGit10/levantamento-ia cd levantamento-ia # 1. crie uma pasta por frente, cada uma com um PEDIDO.md # feito a partir de modelos/PEDIDO-busca.md # (ex.: meu-tema/frentes/1-optico/PEDIDO.md) # 2. busca: um agente por frente, dois de cada vez python ferramentas/orquestrar.py meu-tema/frentes --paralelo 2 # 3. junta as tabelas, gera o .bib e confere os DOIs python ferramentas/juntar.py meu-tema/frentes meu-tema "Título do tema" python ferramentas/conferir_doi.py meu-tema/frentes # 4. citações e acesso aberto (OpenAlex) python ferramentas/cienciometria.py meu-tema/referencias.bib meu-tema/cienciometria.csv # 5. baixa os PDFs abertos e um agente resume cada artigo python ferramentas/preparar_resumos.py meu-tema/cienciometria.csv pdfs meu-tema/resumos modelos/PEDIDO-resumo.md "Título do tema" python ferramentas/orquestrar.py meu-tema/resumos --paralelo 2 # 6. tabela final python ferramentas/painel.py meu-tema
Ou peça à sua IA. Um assistente com acesso ao terminal, como Claude Code, Codex ou o próprio opencode, faz tudo isso a partir do tema. Por exemplo: "clone este repositório, divida o meu tema em 4 frentes e rode o levantamento completo".
| Ponto | Na prática |
|---|---|
| Limite gratuito | O limite é por conexão de internet e vale para todos os modelos gratuitos juntos. Dois agentes ao mesmo tempo funcionam; cinco esgotam o limite em minutos. Em um dia, ele acabou depois de cerca de 200 chamadas ao modelo, o que deu para as 4 buscas e os 19 resumos do exemplo. Se acabar no meio, rode de novo no dia seguinte: o que já terminou é pulado. |
| PDFs | Dos 47 artigos abertos, 38 tinham link de PDF no OpenAlex, e o download automático funcionou em 19. Nos outros, o site não entregou o PDF ao script, nem as cópias em repositórios institucionais que ele também tenta. Em 12 desses casos o artigo era da MDPI, que devolve uma página de verificação no lugar do PDF. Quem baixar esses artigos à mão pode resumi-los com o mesmo pedido. |
| Números dos resumos | Cada número traz a página. Confira no artigo antes de citar, porque o agente pode ler errado uma tabela ou um gráfico. |
| Privacidade | Segundo a documentação do opencode (consultada em 25/10/2026), o DeepSeek e o GLM gratuitos não guardam nem usam para treino o que é enviado. Outros modelos gratuitos têm exceções. Confira antes de enviar dados sensíveis. |
| Busca na web | Numa das quatro frentes, o agente ficou sem a busca na web e consultou direto o Crossref e o OpenAlex. O resultado foi aproveitável, e o orquestrador avisa quando isso acontece. |
| Direitos autorais | Os PDFs e o texto integral ficam fora do repositório. Só os resumos são publicados. |