Pular para o conteúdo
LabS Atlas
Agentic AI
Entrar
Sessões

Workshop Construindo Agentes de IA Faça seu Próprio Agente com LangGraph (2026-05-14)

14 mai 20261h 08min
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 apresentou três projetos práticos desenvolvidos com LangGraph. O primeiro foi um agente especialista em futebol e Copa do Mundo, com roteamento para temas como história, atualidades, regras, saudações e perguntas fora do escopo. O fluxo inclui agentes especializados, base de conhecimento com PDFs, validação das respostas, correção de erros e tentativas limitadas para reduzir alucinações. Foram demonstradas perguntas sobre artilheiros, Copas anteriores, regras, sedes e cartões, além de testes com receitas de bolo e informações falsas para verificar o comportamento fora do domínio. Também foram discutidos temperatura baixa, checkpoints, observabilidade, persistência, bancos vetoriais e ingestão de documentos via RAG.

O segundo projeto propôs um agente para auxiliar na elaboração de minutas jurídicas, extraindo dados de processos, identificando o tipo de documento e gerando sentenças, decisões ou despachos com base em exemplos e documentos de referência. A demonstração evidenciou problemas de inconsistência textual e a necessidade de validações, guard rails e encerramento antecipado do fluxo quando os dados estiverem incorretos, evitando gasto desnecessário de tokens. O terceiro projeto simulou uma loja de jogos clássicos, com um supervisor e especialistas em diferentes consoles, consulta a manuais via RAG, catálogo, carrinho, checkout e pagamento fictício por Pix. Ao final, reforçou-se que os códigos dos projetos serão disponibilizados no GitLab, que os desafios podem render recompensas no passaporte da plataforma e que os materiais gravados poderão ser usados para estudo. Permaneceram como pontos de evolução o refinamento dos prompts e validações, o tratamento de entradas fora do escopo, a economia de tokens e a ampliação da observabilidade dos agentes.

Gerado por IA a partir da transcrição.
Capítulos · 36
00:03
Abertura e organização das apresentações
Assistir
01:35
Apresentação do especialista em futebol
Assistir
03:06
Classificador, agentes e roteamento
Assistir
04:26
Base de conhecimento e demonstração do agente
Assistir
07:12
Testes com informações da Copa do Mundo
Assistir
09:49
Testes de regras e cartões
Assistir
11:20
Validação, escopo e alucinações
Assistir
17:13
Workflow, código e configuração dos agentes
Assistir
19:06
Temperatura, checkpoints e observabilidade
Assistir
21:43
RAG e ingestão da base de conhecimento
Assistir
22:54
Chunks, vetores e bancos vetoriais
Assistir
24:26
Expansão da base e ferramentas externas
Assistir
28:19
Apresentação do agente para minutas jurídicas
Assistir
30:03
Validação de inconsistências em processos
Assistir
31:36
Economia de tokens e processamento condicional
Assistir
33:27
RAG aplicado a documentos jurídicos
Assistir
34:47
Geração automática de uma minuta
Assistir
36:06
Escopo definido e exemplos de minutas
Assistir
37:37
Carga e validação dos dados no banco vetorial
Assistir
38:52
Guardrails e tratamento de solicitações fora do escopo
Assistir
40:12
Temperatura baixa e estrutura do fluxo jurídico
Assistir
41:26
Extração, validação e geração da minuta
Assistir
42:41
Controle de fluxo com LangGraph
Assistir
44:03
Apresentação do projeto e arquitetura multiagente
Assistir
47:37
Fluxo do grafo e especialistas por console
Assistir
49:54
Demonstração da loja e consulta de jogos
Assistir
52:01
Busca de jogos e informações do Nintendo 64
Assistir
54:01
Carrinho, disponibilidade e fechamento do pedido
Assistir
56:49
Pagamento via Pix e consulta sobre Pokémon
Assistir
58:05
Orquestração dos agentes e estrutura do projeto
Assistir
1:00:35
Manuais simulados, ChromaDB e dados vetorizados
Assistir
1:01:55
Ingestão de PDFs e implementação do RAG
Assistir
1:03:22
Tools de catálogo, carrinho e checkout
Assistir
1:04:51
Encerramento, recompensas e próximos passos
Assistir
1:06:23
Gravações, materiais e convite para estudar o código
Assistir
1:07:43
Despedida da sessão
Assistir
Cortes · 7
Agente especialista em futebol
Fernando apresenta um agente voltado à Copa do Mundo, com roteamento para história, atualidades, regras, saudações e perguntas fora de escopo. Ele demonstra o funcionamento com perguntas sobre artilheiros, Copas, sedes, regras, cartões e tentativas de provocar alucinações, incluindo o caso da receita de bolo.
01:35 – 14:31Assistir
Arquitetura, código e base de conhecimento
A apresentação mostra como o workflow foi configurado em nós, com classificador, agentes especializados, validadores, correção e fallback. Também são explicados os PDFs usados na base, a ingestão via RAG, os chunks armazenados em banco vetorial, temperatura baixa, checkpoints e observabilidade.
17:13 – 25:41Assistir
Agente para elaboração de minutas jurídicas
William apresenta um agente que recebe dados de processos, extrai informações e identifica se deve produzir uma sentença, decisão ou despacho. O fluxo inclui validação de inconsistências e uma demonstração com documentos jurídicos, mostrando como a base de conhecimento orienta a geração da minuta.
28:19 – 36:06Assistir
Guard rails, validação e controle do fluxo
A discussão aprofunda as boas práticas para agentes jurídicos: objetivo bem definido, exemplos na base de conhecimento, temperatura baixa e tratamento de entradas fora do escopo. Os participantes destacam a importância de guard rails, economia de tokens e do controle estrutural proporcionado por grafos para impedir que o agente avance com dados inválidos.
36:06 – 44:03Assistir
Visão geral da loja virtual de jogos
Ubiratan apresenta um sistema multiagente que funciona como uma loja virtual de jogos clássicos. Ele explica a arquitetura com um supervisor, especialistas por console e um atendente responsável por carrinho, checkout e pagamento, além do uso de LangGraph, OpenAI, ChromaDB e RAG.
44:03 – 49:53Assistir
Demonstração do atendimento e do checkout
A demonstração mostra o supervisor encaminhando perguntas para especialistas de Super Nintendo e Nintendo 64. O sistema consulta manuais, responde dúvidas sobre jogos, lista produtos, adiciona itens ao carrinho, informa indisponibilidade e conclui um pedido com pagamento Pix simulado.
49:54 – 59:26Assistir
Como funcionam os manuais, o RAG e as tools
Ubiratan explica que os manuais foram gerados para padronizar a demonstração e detalha como os PDFs são ingeridos, transformados em embeddings e consultados pelo sistema. Em seguida, mostra a organização das tools para catálogo, carrinho, checkout, formatação das respostas e pagamento.
1:00:35 – 1:04:50Assistir
Perguntas desta sessão
A função de decisão de rota do agente especialista em futebol é outro agente ou uma rota de decisão?
É uma rota de decisão baseada na classificação da pergunta. Ela direciona a entrada para os fluxos de saudação, história das Copas, atualidades, regras do jogo ou fora do escopo.
03:23 – 03:47Assistir
No agente especialista em futebol, o classificador funciona como um orquestrador e os componentes abaixo dele são agentes especializados?
Sim, essa é uma forma de entender a arquitetura. O classificador direciona a pergunta para agentes especializados em história das Copas, atualidades ou regras; dependendo da abordagem, o próprio classificador também pode ser implementado como um agente.
04:54 – 05:19Assistir
Para responder às perguntas sobre futebol, o agente consulta os PDFs da base de conhecimento ou usa apenas o conhecimento prévio da IA?
O agente usa o conhecimento da própria IA para responder em geral, mas foi configurado para consultar os PDFs especificamente quando a pergunta trata das regras do jogo.
07:12 – 07:35Assistir
Como o workflow do agente especialista em futebol é configurado no código com LangGraph?
O código organiza o fluxo em nós conectados por arestas. Um classificador define a rota para agentes de história das Copas, atualidades, regras, saudação ou fora de escopo; os agentes passam por validadores e, quando necessário, por um nó de correção antes da resposta final. Os PDFs e os agentes ficam separados em pastas, com prompts próprios e temperatura baixa, configurada em 0,1.
16:58 – 19:06Assistir
Os logs do workflow do agente ficam armazenados diretamente em uma tabela?
Não exatamente. As tabelas podem ser usadas para consultar qual foi a resposta em cada ponto da conversa, mas isso não significa que os logs sejam simplesmente armazenados como uma tabela; o checkpoint e o tracing ajudam a acompanhar o estado e o comportamento do fluxo.
20:25 – 20:38Assistir
As pastas exibidas na base de conhecimento foram geradas automaticamente por uma implementação de RAG?
A rotina de ingestão lê os PDFs de um diretório, identifica os arquivos e importa seu conteúdo para a base de conhecimento. Ao adicionar novos documentos à pasta, o RAG faz a gestão deles para que possam ser consultados pelo agente.
21:55 – 23:09Assistir
Como a base de conhecimento do agente é armazenada?
Os documentos são processados e armazenados em um banco vetorial, como o Qdrant. O conteúdo é dividido em chunks e convertido em vetores; cada vetor pode ter um payload com metadados, como o nome do PDF e o texto correspondente. Também podem ser usadas alternativas como ChromaDB e outras bases vetoriais.
23:08 – 24:21Assistir
Os elementos exibidos na base vetorial são checkpoints ou chunks?
Eles são chunks, isto é, trechos dos documentos representados na base vetorial. Cada vetor também pode conter um payload com metadados associados ao trecho, como o nome do PDF e seu texto.
23:31 – 23:55Assistir
É possível ampliar a base de conhecimento do agente para além dos dois PDFs iniciais e permitir consultas à internet?
Sim. Basta adicionar novos documentos à pasta de ingestão para que sejam incorporados quando o projeto for executado. Além da ferramenta de consulta à base de conhecimento, o agente pode receber outras tools, como pesquisa online, execução de consultas SQL e outras funções.
24:30 – 25:36Assistir
Quais jogos estão disponíveis para Nintendo 64 na loja virtual de jogos clássicos?
O agente consulta a base do Nintendo 64 e apresenta uma lista de jogos disponíveis, incluindo Super Mario 64 e The Legend of Zelda: Ocarina of Time, ordenados por classificação.
52:01 – 54:00Assistir
Como está o carrinho de compras do agente da loja virtual de jogos clássicos?
O carrinho contém Super Mario World e Mario Kart 64, totalizando aproximadamente R$ 408; em seguida, o usuário pode fechar o pedido e iniciar o pagamento via Pix.
56:05 – 56:23Assistir
Quais são os principais personagens de Pokémon Ruby?
O agente responde que os principais personagens incluem o protagonista, o rival, o professor, os líderes de ginásio e a equipe vilã, embora a resposta demonstrada tenha sido apenas parcialmente precisa.
57:27 – 58:30Assistir
De onde vieram os dados usados nos PDFs do agente de loja de jogos clássicos?
Os PDFs e seus conteúdos foram criados por um colaborador, em vez de serem obtidos diretamente da internet; eles servem como manuais simulados para alimentar o RAG dos especialistas por console.
1:00:44 – 1:00:58Assistir
Como as tools são usadas no fluxo de checkout do agente de loja de jogos?
As tools são organizadas por função, como catálogo, carrinho e checkout. Elas permitem adicionar e remover jogos, consultar e formatar informações, iniciar o checkout e simular o pagamento via Pix, sendo chamadas pelo modelo durante a conversa.
1:02:59 – 1:04:50Assistir