Pular para o conteúdo
LabS Atlas
Agentic AI
Entrar
Sessões

Workshop Construindo Agentes de IA LangGraph Parte 3 Validador e Checkpoints (2026-04-23)

23 abr 20261h 18min
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 deu continuidade à construção de um sistema de agentes especializados em SRE usando LangGraph. Foi revisado o fluxo já existente, com um agente identificador de intenção, um agente de saudação e um agente para responder dúvidas técnicas. Em seguida, foi criado um agente validador, responsável por verificar se a resposta produzida para uma dúvida está adequada. Também foi estruturado o fluxo para solicitações de código, composto por agentes que elaboram um plano, geram o código e avaliam o resultado, com estados compartilhados entre os nós para transportar consultas, planos, respostas e códigos ao longo da execução.

Na parte final, foi apresentada a persistência do histórico por meio de checkpoints no PostgreSQL. Foram discutidas a instalação das dependências, a configuração das variáveis de ambiente, a criação da conexão com o banco e o uso de um thread ID para vincular as mensagens de cada conversa. Após alguns ajustes de configuração, o fluxo foi executado com sucesso e as mensagens passaram a ser salvas de forma persistente, permitindo recuperar históricos e pontos anteriores da execução. Ficou em aberto a integração com uma base vetorial, a inclusão de RAG e ferramentas, a criação do front-end e a conclusão dos testes e ajustes dos agentes; esses temas devem ser abordados nas próximas sessões.

Gerado por IA a partir da transcrição.
Capítulos · 19
07:12
Início da aula e objetivo dos agentes
Assistir
08:31
Revisão do projeto e dos agentes existentes
Assistir
13:14
Revisão do grafo e roteamento de intenções
Assistir
15:53
Criação do agente validador de consultas
Assistir
22:35
Estados do grafo e memória entre agentes
Assistir
25:11
Conexão do validador ao fluxo de dúvidas
Assistir
28:13
Teste do fluxo de dúvidas validado
Assistir
30:34
Planejamento do fluxo de geração de código
Assistir
37:31
Comparação entre LangGraph e n8n
Assistir
40:49
Implementação do gerador de código SRE
Assistir
42:13
Encadeamento do plano ao gerador de código
Assistir
47:12
Criação do avaliador de código e fluxo final
Assistir
54:57
Persistência de estado com checkpoints
Assistir
56:30
Instalação das dependências e configuração do banco
Assistir
59:00
Conexão do LangGraph com o Postgres
Assistir
1:06:35
Vantagens dos checkpoints e histórico persistente
Assistir
1:09:08
Thread ID e configuração das conversas
Assistir
1:13:00
Execução final e salvamento das mensagens
Assistir
1:16:51
Próximos passos: RAG e ferramentas
Assistir
Cortes · 5
Visão geral do projeto e introdução ao agente validador
Apresentação do projeto de agentes especializados em SRE, com demonstração dos agentes de identificação de intenção, saudação e consulta técnica. Em seguida, é explicado o próximo passo: criar um agente validador para verificar se as respostas técnicas estão adequadas.
08:31 – 15:52Assistir
Construção do agente validador e uso do estado
Implementação do agente de validação da resposta do consultor técnico, incluindo criação de prompt, arquivo do agente, novo campo no estado e conexão no grafo. A sessão também explica que o estado funciona como uma memória compartilhada, permitindo que qualquer nó acesse respostas produzidas anteriormente.
15:53 – 30:34Assistir
Fluxo de geração e avaliação de código SRE
Criação do fluxo para pedidos de código, composto por três agentes: gerador do plano, gerador do código e avaliador do código. O trecho mostra como os agentes são conectados, como os resultados são armazenados no estado e como o avaliador recebe o plano e o código para verificar a solução antes de finalizar o fluxo.
30:34 – 54:54Assistir
Persistência de estado com checkpoints
A aula mostra como substituir o estado em memória por um histórico persistente usando checkpoints em um banco PostgreSQL. São apresentadas a instalação das dependências, as variáveis de ambiente, a criação da conexão com o banco e a integração do PostgresSaver ao grafo LangGraph.
54:57 – 1:06:35Assistir
Threads, IDs e histórico persistente no LangGraph
A sessão explica como os checkpoints preservam o histórico das mensagens e permitem retomar ou analisar execuções anteriores, fazendo uma analogia com conversas do ChatGPT. Em seguida, o código é corrigido com o nome adequado do banco e com um thread_id passado na configuração, demonstrando a execução bem-sucedida e o salvamento das mensagens no banco.
1:06:35 – 1:16:49Assistir
Perguntas desta sessão
Por que a resposta de um agente deve ser adicionada ao estado compartilhado do grafo LangGraph?
O estado funciona como uma memória em execução, semelhante a um banco de dados em memória. Armazenar a resposta permite que outros nós do grafo a recuperem e usem posteriormente, por exemplo, para validar a resposta produzida por um agente consultor.
22:35 – 23:34Assistir
Como um agente pode reutilizar a resposta produzida por outro agente no LangGraph?
O agente seguinte acessa no estado compartilhado a chave em que o agente anterior salvou sua resposta. Assim, os agentes podem ser encadeados, passando resultados de um nó para outro sem precisar gerar novamente a informação.
23:48 – 24:07Assistir
Um nó do LangGraph pode acessar qualquer estado a qualquer momento ou apenas o estado do agente anterior?
Qualquer nó pode acessar qualquer estado durante a execução. Porém, um estado pode ainda não estar preenchido; nesse caso, o fluxo pode tratar essa ausência de forma diferente. O histórico de mensagens também fica no estado durante a execução, mas desaparece quando o programa é encerrado se não houver persistência configurada.
24:13 – 25:10Assistir
Para que servem os checkpoints no LangGraph?
Checkpoints permitem persistir o histórico de mensagens e respostas dos agentes em um banco de dados, em vez de mantê-lo apenas na memória durante a execução. Eles possibilitam retomar pontos anteriores, analisar uma execução e reutilizar o contexto sem refazer todo o processamento.
1:06:35 – 1:09:08Assistir
Cada conversa do ChatGPT pode ser entendida como um checkpoint no LangGraph?
Não literalmente, pois o ChatGPT não usa necessariamente o LangGraph, mas a analogia é válida: cada conversa pode ter um identificador e várias mensagens vinculadas a ele. No LangGraph, o thread ID identifica a conversa, e os checkpoints organizam as mensagens associadas a essa execução.
1:10:16 – 1:16:49Assistir