Pular para o conteúdo
LabS Atlas
Agentic AI
Entrar
Sessões

Workshop Construindo Agentes de IA LangGraph Parte 5 Tool de RAG e FastAPI (2026-04-30)

30 abr 20261h 14min
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 concluiu a construção do agente com RAG no LangGraph. Foi criada uma tool para transformar a consulta do usuário em embedding, buscar os trechos mais semelhantes no banco vetorial Qdrant e retornar o conteúdo como contexto para a LLM. Também foi apresentada uma estrutura reutilizável para agrupar tools, vinculá-las aos agentes e permitir que o próprio modelo decida quando acioná-las. O fluxo foi testado com agentes de consulta e validação, mostrando que diferentes agentes podem formular consultas distintas à base de conhecimento. Foi destacado que o limite de resultados e o tamanho dos chunks precisam ser ajustados para evitar excesso de contexto e alucinações.

Gerado por IA a partir da transcrição.
Capítulos · 20
00:06
Abertura e debate sobre linguagens
Assistir
04:19
Conversa informal e espera pelos participantes
Assistir
05:45
Cultura de equipe e colaboração na empresa
Assistir
07:11
Inclusão, suporte e clima organizacional
Assistir
08:32
Contexto do workshop e objetivos do projeto
Assistir
16:17
Implementação da busca na base vetorial
Assistir
41:14
Escalabilidade e reutilização entre agentes
Assistir
42:42
Execução do projeto e registro das tools
Assistir
44:11
Demonstração do agente com RAG
Assistir
46:31
Resultados da busca e limite de contexto
Assistir
48:02
Busca vetorial e enriquecimento de prompts
Assistir
48:02
Configuração de requests, respostas e sessão
Assistir
48:02
Criação da API com FastAPI
Assistir
57:53
Implementação do endpoint e retorno da resposta
Assistir
1:01:47
Execução e integração do frontend
Assistir
1:01:47
Teste do fluxo multiagente com RAG
Assistir
1:05:52
Apresentação do desafio e sistema de recompensas
Assistir
1:05:52
Requisitos do projeto multiagente
Assistir
1:10:56
Formato da apresentação e tema livre
Assistir
1:12:17
Encerramento e próximos passos
Assistir
Cortes · 6
Criando uma tool de busca no banco vetorial
A apresentação retoma o workshop e implementa uma tool para consultar a base vetorial, transformar a consulta em embedding e recuperar os textos mais relevantes. Em seguida, mostra como registrar a função como tool, associá-la ao agente e criar uma estrutura genérica para executar diferentes tools e devolver seus resultados à LLM.
08:32 – 41:06Assistir
Escalando e testando agentes com tools
A sessão discute como reutilizar a estrutura de tools em vários agentes, quais casos exigem implementação específica e como evitar alterações repetitivas em muitos arquivos. Depois, a execução é demonstrada com uma consulta sobre conversão de datas, mostrando a tool escolhida pelo agente, a busca no banco vetorial e a resposta enriquecida com os trechos recuperados.
41:14 – 48:01Assistir
Construção da API com FastAPI
É explicado como os agentes consultam a base vetorial, enriquecem os prompts e validam as respostas. Em seguida, o projeto é adaptado para um backend com FastAPI, incluindo modelos de request e response, carregamento do grafo, configuração de lifespan, CORS e criação do endpoint.
48:02 – 1:01:47Assistir
Integração do backend com o frontend
O backend é finalizado com a extração do resultado dos eventos, retorno da resposta e execução do servidor com Uvicorn na porta 8080. Depois, o frontend é iniciado e usado para testar saudações e perguntas que acionam os diferentes agentes, a ferramenta de busca vetorial e o agente de validação.
1:01:47 – 1:05:52Assistir
Desafio de projeto e critérios de avaliação
São apresentados os perfis de recompensa do workshop e o desafio final de construção de um sistema multiagente. O projeto deve incluir um agente classificador, pelo menos dois especialistas, um agente de validação, guardrails, tratamento de violações, base de conhecimento RAG e uma apresentação técnica.
1:05:52 – 1:10:57Assistir
Formato e tema do projeto
São detalhados o formato das apresentações, com duração estimada de 15 a 20 minutos, e a possibilidade de disponibilizar os projetos para os demais participantes. Também é esclarecido que o tema é livre, desde que sejam respeitados os requisitos de agentes, validação e uso de conhecimento.
1:10:57 – 1:12:17Assistir
Perguntas desta sessão
Como a integração de tools de RAG pode ser escalada para muitos agentes sem editar manualmente cada arquivo?
Quando os agentes têm estruturas semelhantes, é possível criar uma função utilitária genérica que centraliza o registro e a execução das tools. Agentes com fluxos ou entradas muito específicos ainda precisam de configurações próprias.
41:14 – 43:18Assistir
É possível criar uma função utilitária genérica para gerar novos agentes a partir de um prompt?
Sim. Uma função pode receber o prompt, incluindo o SystemMessage que define a persona e o comportamento do agente e a query como HumanMessage. Isso reduz a necessidade de criar várias pastas e repetir código, embora agentes mais específicos ainda precisem ser estruturados individualmente.
43:24 – 44:45Assistir
Quais são os requisitos do desafio final do workshop de LangGraph?
O projeto deve ter pelo menos quatro agentes: um classificador, dois especialistas e um validador. Também é obrigatório usar uma base de conhecimento com RAG, implementar guardrails e tratar violações, além de apresentar tecnicamente o projeto. O tema é livre, e projetos anteriores podem ser reutilizados ou adaptados.
1:05:52 – 1:10:57Assistir
O tema do projeto final de agentes de IA é livre?
Sim. O tema é totalmente livre, desde que o projeto tenha um agente classificador, pelo menos dois agentes especialistas, um agente avaliador, uma base de conhecimento com RAG e os demais requisitos do desafio. É possível usar documentos próprios, como PDFs ou arquivos Word, para construir a base de conhecimento.
1:12:00 – 1:12:37Assistir