Pular para o conteúdo
LabS Atlas
Agentic AI
Entrar

Estrutura de um Agente no LangGraph

Ir para notas que citam esta
atualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

A estrutura de um agente no LangGraph é uma função que recebe o estado, monta mensagens de sistema e de usuário, chama um LLM e grava a resposta num campo do estado.

Essa anatomia se repete em todo agente de um projeto LangGraph e é o que transforma um prompt num nó do grafo. Na forma mínima, o agente ainda não tem os superpoderes de um agente completo: não age sobre o ambiente nem chama ferramentas, faz uma única chamada ao modelo. Essa capacidade vem com Function Calling, que enriquece a mesma casca sem trocá-la.

Dois arquivos por agente

Cada agente ganha uma subpasta própria dentro de uma pasta de agentes, com dois arquivos. O arquivo de prompt guarda só uma constante com o system prompt, entre aspas triplas para aceitar quebras de linha. O arquivo de agente guarda a função chamada pelo grafo, de preferência com o mesmo nome do arquivo. Separar os dois deixa o texto do prompt editável sem mexer na lógica, e o arquivo de agente é o lugar de qualquer lógica adicional: cálculos, chamadas de ferramentas, consultas.

Da entrada ao retorno

A função recebe o estado como parâmetro e lê o campo de que precisa como se lê uma chave de dicionário Python, por exemplo a pergunta do usuário. Com ela monta uma lista de duas mensagens: um SystemMessage com o prompt, que diz como o modelo deve se comportar, e um HumanMessage com o conteúdo vindo do estado. Essas classes vêm do LangChain, o que evita reimplementar a estrutura de mensagens na mão.

O modelo é instanciado com ChatOpenAI, do pacote langchain-openai, indicando ao menos o modelo e a temperatura. A chamada é llm.invoke(mensagens), e do retorno, que traz muitos dados, só interessa o atributo .content, o texto da resposta.

Por fim, a função devolve um dicionário parcial com uma chave só, o campo de resposta daquele agente, e o LangGraph mescla essa atualização no estado global. Cada agente tem o próprio campo de resposta, tipado como string, para que os demais não precisem vasculhar o histórico de mensagens atrás da última resposta de um agente específico. O estado guarda só o que se pede: gravar apenas o texto simplifica; gravar a resposta completa do modelo permitiria analisar cada passo, ao custo de um código mais complexo.

Modelo proporcional à tarefa

Um agente com tarefa estreita, como classificar se uma mensagem é saudação, dúvida ou pedido de código, não precisa de modelo grande nem de muito contexto. Um modelo pequeno, rápido e barato como o GPT-4o mini resolve; antes dos LLMs, esse tipo de identificação seria feito com expressão regular. É a lógica da Seleção de Modelo por Agente: cada agente pode usar o modelo proporcional à sua função, e nem sempre o mais caro é o mais adequado. A Temperatura segue o mesmo raciocínio: agentes de escopo fechado ficam com valor baixo, como 0,1, para serem certeiros em vez de criativos.

Um padrão repetido, com variações

Criar o segundo agente é copiar os dois arquivos do primeiro e trocar três coisas: o nome, o prompt e o campo de estado em que a resposta é gravada, lembrando de declarar esse novo campo no estado. Essa repetição é o sinal de que a anatomia cabe numa função genérica que recebe o prompt e o campo de destino.

As variações ficam na mensagem humana. Um agente validador não recebe a pergunta do usuário, e sim a resposta de outro agente, lida do estado pela chave em que foi salva. Um avaliador de código combina num mesmo texto, montado com f-string, o plano de código e o código gerado, lendo dois campos do estado de uma vez. Esses casos pedem tratamento próprio fora da função genérica.