Pular para o conteúdo
LabS Atlas
Agentic AI
Entrar
Sessões

Workshop Construindo Agentes de IA LangGraph Parte 2 Estado e Aresta Condicional (2026-04-16)

16 abr 20261h 24min
Assistir gravação

Entre para ler os trechos da transcrição de cada capítulo e perguntar ao Labinho sobre esta sessão.

O Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

atualizado há 25 dias
Resumo da sessão

A sessão foi dedicada à implementação prática de agentes com LangGraph, dando continuidade aos conceitos de grafos, nós, arestas e estados apresentados anteriormente. Foi criado um projeto Python com UV, instaladas as dependências do LangGraph, LangChain, integração com OpenAI e carregamento de variáveis de ambiente. Em seguida, foi definido um estado tipado para armazenar a consulta do usuário, o histórico de mensagens e as respostas dos agentes. Também foram implementados agentes de identificação de intenção e de saudação, utilizando prompts específicos, mensagens de sistema e de usuário, além de um modelo de linguagem mais leve para reduzir custo e latência.

Na sequência, o grafo foi montado com nós, arestas, estado inicial e estado final, e executado por meio de um fluxo que mostrou as respostas produzidas em cada etapa. Inicialmente, o fluxo era linear, encaminhando todas as mensagens do identificador para o agente de saudação. Após uma dúvida dos participantes, foi demonstrada a aresta condicional: uma função lê a intenção retornada pelo identificador e direciona o fluxo para o agente de saudação ou para um agente de consulta, conforme o caso. A sessão terminou com o grafo funcionando para saudações e dúvidas, enquanto a criação dos demais agentes, a persistência dos estados por checkpoints e a integração com RAG ficaram para o próximo encontro, previsto para a semana seguinte. O código passo a passo e os vídeos seriam disponibilizados no repositório e nos materiais do workshop.

Gerado por IA a partir da transcrição.
Capítulos · 28
00:21
Abertura e chegada dos participantes
Assistir
04:12
Visão geral do workshop e trilha no Miro
Assistir
09:18
Criação e configuração inicial do projeto Python
Assistir
12:13
Instalação das dependências do LangGraph
Assistir
14:59
Conceitos e implementação do estado
Assistir
21:49
Estrutura e criação dos agentes
Assistir
26:16
Implementação do agente identificador
Assistir
30:13
Escolha de modelos menores para classificação
Assistir
32:52
Resposta do agente e criação do agente de saudação
Assistir
41:36
Construção do grafo com estado
Assistir
43:22
Criação e conexão dos nós do grafo
Assistir
45:53
Criando nós e conectando o grafo
Assistir
48:19
Compilando o grafo e definindo o fluxo
Assistir
49:34
Executando o grafo com entradas do usuário
Assistir
52:06
Configurando a chave da OpenAI e variáveis de ambiente
Assistir
54:55
Depurando erros de execução e retorno do grafo
Assistir
56:11
Primeira resposta dos agentes
Assistir
57:51
Entendendo o fluxo sequencial dos agentes
Assistir
59:17
Introdução às conditional edges
Assistir
1:01:39
Direcionando o fluxo com conditional edges
Assistir
1:03:52
Criando o agente de consulta
Assistir
1:07:13
Implementando a função de intenção do usuário
Assistir
1:11:49
Como o estado armazena as respostas da LLM
Assistir
1:13:04
Usando match para selecionar o próximo agente
Assistir
1:17:25
Testando o roteamento para saudação e dúvidas
Assistir
1:18:41
Entendendo Lambda e passagem de estado
Assistir
1:21:22
Próximos passos: novos agentes e checkpoints
Assistir
1:23:55
Encerramento da sessão
Assistir
Cortes · 6
Instalação das dependências e criação do estado
O instrutor configura o projeto Python para usar LangGraph, LangChain, OpenAI e variáveis de ambiente. Em seguida, cria a estrutura inicial do estado, incluindo a consulta do usuário e o histórico de mensagens.
12:13 – 21:49Assistir
Criação do agente identificador
A sessão mostra como organizar os agentes em pastas, criar o prompt e implementar o agente que identifica a intenção do usuário. O instrutor explica o uso de mensagens de sistema e humanas, a chamada ao modelo e o armazenamento da resposta no estado.
21:49 – 32:52Assistir
Agentes de saudação e construção do grafo
O instrutor conclui o agente identificador, explica por que modelos menores são adequados para tarefas específicas e cria um agente de saudação seguindo o mesmo padrão. Depois, inicia a construção do StateGraph, mostrando como adicionar os nós e conectar as funções dos agentes ao estado.
32:55 – 45:52Assistir
Montando e executando o primeiro grafo
A sessão mostra como criar os nós, conectar as arestas, definir o início e o fim do grafo e compilá-lo. Em seguida, o código é executado com uma mensagem de saudação, incluindo a configuração das variáveis de ambiente e a explicação das respostas produzidas por cada agente.
45:53 – 57:54Assistir
Criando um fluxo com aresta condicional
É explicado como direcionar a entrada para diferentes agentes usando uma aresta condicional, em vez de um fluxo linear. O instrutor cria um agente de consulta, implementa a função de identificação de intenção com casos para saudação e dúvida e demonstra os dois caminhos funcionando na prática.
1:01:39 – 1:17:22Assistir
IDs dos nós e uso de funções lambda
A conversa esclarece como os nomes dos nós funcionam como identificadores para o roteamento do grafo. Também é explicado como a função lambda recebe o estado e pode encaminhar outros parâmetros para os agentes e prompts.
1:17:25 – 1:21:25Assistir
Perguntas desta sessão
É necessário baixar ou clonar algum repositório para iniciar o projeto do workshop, ou basta abrir o projeto e executar o boot inicial?
Não é necessário clonar um repositório para acompanhar o workshop. Basta abrir o projeto e executar o boot inicial; há um vídeo com o passo a passo para instalar o UV, criar os arquivos iniciais e configurar o ambiente.
10:39 – 12:19Assistir
O que existe dentro de BaseMessage e quais abstrações o LangGraph ou o LangChain fornecem para lidar com mensagens no estado?
A explicação pode ser verificada acessando BaseMessage, mas o uso de TypedDict e da função add_messages evita a necessidade de explicitar manualmente toda a estrutura das mensagens. A função add_messages, importada do LangGraph, adiciona mensagens ao estado e simplifica esse gerenciamento.
21:04 – 22:10Assistir
No LangGraph, o nó inicial recebe o input e os nós seguintes também recebem a mesma mensagem?
Sim. O estado com a mensagem do usuário é passado sequencialmente entre os nós; o agente identificador processa o input e encaminha o estado, incluindo a consulta do usuário, para o próximo agente, como o agente de saudação.
57:51 – 58:16Assistir
Como direcionar o fluxo de um agente para outro no LangGraph?
Usa-se uma aresta condicional, que funciona como um switch ou if. Uma função lê no estado a intenção identificada pelo agente classificador e retorna o identificador do próximo nó, direcionando o fluxo para agentes como saudação, consulta de dúvidas ou código.
1:01:58 – 1:03:53Assistir
O estado do LangGraph armazena toda a resposta retornada pela LLM ou apenas o conteúdo da mensagem?
O estado armazena exatamente o que for definido na implementação. No exemplo, para simplificar, foi salva apenas a resposta textual da LLM, isto é, o campo content. Também seria possível armazenar toda a estrutura retornada pelo modelo para analisar mais detalhes da execução.
1:11:49 – 1:13:03Assistir
Como o retorno de uma função de roteamento identifica o próximo nó no LangGraph?
A função de roteamento retorna o nome do nó que deve ser executado. Esse nome funciona como um identificador da aresta ou do próximo agente; por isso, cada caso do match pode encaminhar o fluxo para um nó diferente.
1:17:41 – 1:17:58Assistir
O que uma função lambda pode receber e repassar dentro de um nó do LangGraph?
A lambda pode receber o estado do grafo e repassá-lo para o agente ou para outra função executada dentro do nó. Embora o exemplo use apenas o estado, também é possível fornecer outros parâmetros ou dados adicionais, como valores calculados ou resultados de consultas, para usá-los na execução do agente ou na composição do prompt.
1:19:16 – 1:21:10Assistir