Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar
Sessões

Learning Prototype Padrões de Agentes e Comparação entre CrewAI LangGraph e LangFlow (2025-02-27)

27 fev 20251h 07min
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 começou com a discussão sobre a documentação do protótipo, especialmente a necessidade de registrar claramente entradas, saídas, formatos de arquivos e o propósito de cada componente representado no Miro. Foi reforçada a importância de manter esse material atualizado como um acervo do projeto, facilitando a entrada de novos integrantes e preservando o histórico das decisões, testes e aprendizados. Também foram compartilhados recursos de estudo sobre automação, agentes e ferramentas como CrewAI, LangGraph e LangFlow, além de referências de cursos, apresentações e conteúdos práticos, destacando-se a dificuldade de encontrar materiais avançados em português.

A maior parte do encontro foi dedicada aos padrões de arquitetura de agentes, incluindo roteamento, orquestração, execução paralela, agregação de respostas, validação e loops de refinamento. Discutiu-se a possibilidade de um agente utilizar vários modelos de linguagem, ou de um time de agentes especializados interpretar diferentes aspectos de um documento antes de consolidar uma resposta. Também foram comparadas abordagens com Python puro e frameworks, considerando que o LangGraph parece mais robusto, embora tenha uma curva de aprendizado maior, enquanto CrewAI e LangFlow podem acelerar a prototipação, mas adicionam camadas e abstrações que talvez precisem ser removidas posteriormente.

Como encaminhamento, o grupo decidiu buscar um cenário comum para comparar as tecnologias, provavelmente usando uma história de usuário em formato TXT como entrada. O fluxo inicial deverá interpretar a história e, em seguida, gerar um plano ou cenário de testes, permitindo avaliar separadamente essas duas etapas. Ficou em aberto definir os critérios de comparação, os formatos exatos de entrada e saída, a estrutura dos prompts e quais ferramentas serão exploradas por cada pessoa. Também foi combinado que os participantes continuarão estudando suas respectivas tecnologias e trarão implementações, referências e dificuldades nas próximas sessões.

Gerado por IA a partir da transcrição.
Capítulos · 31
00:05
Documentação de entradas e saídas
Assistir
02:41
Compilação do acervo e conhecimento do time
Assistir
03:56
Custos e uso do Gamma em apresentações
Assistir
06:32
Ferramentas para apresentações e diagramas
Assistir
07:46
Cursos e comunidade sobre Robot Framework
Assistir
15:27
Referências práticas para LangChain e agentes
Assistir
16:45
Uso prático de IA em eventos e cases
Assistir
18:03
Artigo da Anthropic sobre construção de agentes
Assistir
19:19
Padrões de agentes: memória, roteamento e gates
Assistir
21:53
Agentes paralelos e agregação de respostas
Assistir
23:06
Múltiplos modelos dentro de um agente
Assistir
25:43
Orquestração e estruturas aninhadas de agentes
Assistir
28:16
Validação, loops e autonomia dos agentes
Assistir
32:09
Escolha de frameworks e uso de Python puro
Assistir
35:57
Workflows predefinidos versus agentes autônomos
Assistir
37:14
Execução sequencial e hierárquica no CrewAI
Assistir
39:53
Comparação entre LangGraph, CrewAI e LangFlow
Assistir
42:27
Prototipagem com camadas de frameworks
Assistir
43:43
Engenharia reversa e implementação prática
Assistir
45:00
Arquitetura dos agentes e dependências tecnológicas
Assistir
47:33
Exploração de modelos e ferramentas locais
Assistir
48:52
Definição de um cenário comum de comparação
Assistir
50:08
Fluxo de interpretação e geração de planos de teste
Assistir
52:50
Escolha da história de usuário como artefato de entrada
Assistir
54:08
Uso de arquivos TXT em vez de PDF
Assistir
56:49
Estrutura em duas etapas: interpretação e geração
Assistir
58:09
Comparação de prompts e abordagens de agentes
Assistir
59:28
Exploração de ferramentas gráficas e alternativas
Assistir
1:00:43
Alinhamento do dever de casa e formato dos resultados
Assistir
1:03:14
Documentação colaborativa do projeto no Miro
Assistir
1:05:53
Encerramento e próximos passos
Assistir
Cortes · 9
Documentação de entradas e saídas
O grupo discute como enriquecer a documentação do projeto, registrando entradas, saídas, formatos de arquivos e informações úteis para quem entrar no desenvolvimento depois. A proposta é manter esse material atualizado como um acervo de aprendizado e referência.
00:05 – 02:38Assistir
Padrões para construção de agentes
A conversa apresenta diferentes formas de estruturar agentes, incluindo memória, validação, roteamento e orquestração. O grupo explora a possibilidade de direcionar tarefas para modelos especializados em idiomas, imagens, código ou outros tipos de informação.
18:03 – 21:53Assistir
Agentes, modelos paralelos e validação
O grupo aprofunda a ideia de usar vários agentes ou vários modelos dentro de um agente, executando interpretações em paralelo e consolidando os resultados. Também são discutidos validadores, loops de revisão, critérios para encerrar a execução e o equilíbrio entre complexidade, custo e uso em produção.
21:53 – 30:52Assistir
Escolha de frameworks para agentes
A discussão relaciona os padrões apresentados à construção prática de agentes e avalia o uso de frameworks como LangChain, LangGraph e CrewAI. O grupo considera a evolução das recomendações da documentação, a curva de aprendizado e a possibilidade de começar com camadas mais simples.
30:53 – 35:57Assistir
Workflows hierárquicos e times de agentes
O grupo diferencia workflows predefinidos de agentes autônomos e compara execuções sequenciais e hierárquicas. Também analisa como frameworks e interfaces gráficas podem acelerar a validação de um time de agentes antes de remover camadas e simplificar a solução.
35:57 – 43:43Assistir
Avaliação das ferramentas para criar agentes
O grupo discute como fazer engenharia reversa de ferramentas visuais, como o Flowise, para implementar agentes em código nativo. Também são analisadas as limitações de estruturas prontas, como memória, dependências e uso de múltiplos modelos.
45:00 – 48:52Assistir
Definição do cenário de comparação entre agentes
A equipe propõe um cenário comum para comparar diferentes tecnologias: interpretar uma história de usuário em texto e, em seguida, gerar um plano ou cenário de testes. O fluxo é dividido em duas etapas de agentes, e o grupo debate o uso de arquivos TXT para simplificar os testes e medir melhor os resultados.
48:52 – 59:28Assistir
Exploração de ferramentas e preparação do trabalho
Os participantes combinam explorar outras possibilidades além das ferramentas já avaliadas, destacando a facilidade de uso de interfaces gráficas e a robustez de determinadas soluções. Ao final, começam a alinhar o que cada pessoa deverá preparar para o próximo encontro.
59:28 – 1:00:48Assistir
Formato comum e documentação colaborativa do projeto
O grupo define que as explorações devem seguir um formato comum, com entradas, exemplos e resultados esperados, para facilitar a comparação entre tecnologias. Também reforça o uso do quadro no Miro como documentação colaborativa e registro da evolução do projeto.
1:00:48 – 1:04:33Assistir
Perguntas desta sessão
Qual é a função de um roteador em um agente que utiliza um modelo de linguagem?
O roteador atua como um orquestrador: analisa a solicitação e direciona o processamento para outros agentes ou modelos especializados, escolhendo aqueles mais adequados ao problema.
20:37 – 20:49Assistir
Um agente orquestrador pode utilizar diversos modelos de linguagem internamente, atribuindo modelos diferentes a tarefas específicas?
Sim. Um único agente pode combinar vários modelos, usando cada um para uma finalidade — por exemplo, interpretar uma história de usuário em diferentes idiomas ou aplicar prompts especializados — e depois consolidar as respostas em uma saída única.
25:25 – 25:59Assistir
Como funciona o padrão de loop na construção de agentes?
O agente executa uma ação, recebe feedback e passa por uma validação repetida. É necessário definir quantas vezes o loop será executado; quando o resultado atende aos critérios, o agente interrompe o ciclo e devolve a resposta.
29:05 – 29:19Assistir
Como um agente autônomo decide quando deve parar?
O agente realiza chamadas ou ações sobre um ambiente, recebe feedback e avalia o resultado. Quando identifica que a condição de conclusão foi atingida, interrompe a execução e retorna a resposta ao usuário.
29:35 – 29:48Assistir
O que acontece em um time de agentes com execução sequencial ou hierárquica no CrewAI?
No modo sequencial, os agentes executam tarefas em uma ordem predefinida, passando informações de uma etapa para a seguinte. No modo hierárquico, um agente ou orquestrador coordena o time, delegando tarefas aos agentes mais adequados.
37:28 – 38:18Assistir
Como funciona um orquestrador hierárquico em uma arquitetura de agentes?
O orquestrador recebe a entrada, decide como os agentes devem colaborar e encaminha a solicitação ao agente especializado. Por exemplo, ao receber uma imagem, ele pode direcioná-la ao agente responsável por resolver tarefas relacionadas a imagens.
38:44 – 39:21Assistir
Como o LangFlow define a estrutura de um agente?
O LangFlow oferece uma estrutura própria para o agente, com opções configuráveis como nome de exibição, descrição, ícone e entradas, além de componentes visuais; parte significativa da estrutura é criada automaticamente pelo framework.
46:02 – 46:24Assistir
Como o artefato se relaciona à interpretação da história de usuário e à geração do plano de testes?
O fluxo pode ser simplificado em duas etapas: primeiro, interpretar a história de usuário e, depois, gerar um plano ou cenário de testes com base nessa interpretação e no artefato fornecido.
57:37 – 58:03Assistir