Learning Prototype Agentes de IA com LangFlow CrewAI e RAG (2025-03-06)
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.
Notas citadas nas anotações desta sessão.
A sessão definiu que os encontros de quinta-feira serão usados para explorar ferramentas de agentes de IA, com demonstrações práticas e aplicação de um cenário comum baseado em histórias de usuário, documentação, planos e cenários de teste. Cada responsável deverá apresentar sua ferramenta, registrar documentação, links e vídeos no quadro de tecnologias e avaliá-la segundo critérios como abordagem no-code ou low-code, escalabilidade, facilidade de uso, disponibilidade de modelos e possibilidade de integração. Também foi combinado que as pesquisas individuais sobre as tecnologias serão compartilhadas nesses encontros, evitando criar agendas adicionais.
Foi apresentada uma implementação com CrewAI e LangFlow, usando uma equipe hierárquica de agentes para pesquisar e estruturar informações. O exemplo mostrou que o modelo de linguagem possui uma data de corte de conhecimento e precisa de ferramentas externas, como Tavily, para consultar informações atuais. Em seguida, foi demonstrado um fluxo de RAG no LangFlow: um documento é dividido em trechos, convertido em embeddings, armazenado em um banco vetorial como ChromaDB e recuperado para responder a perguntas por meio de um modelo ou agente. A discussão destacou que diferentes agentes podem usar modelos distintos, inclusive modelos locais e mais leves para tarefas de gerenciamento, reduzindo custos.
Como próximos passos, ficou em aberto adaptar o fluxo para receber histórias de usuário reais, especialmente em formatos variados como BDD, e gerar interpretações, planos ou cenários de teste padronizados. Também será necessário investigar como acionar os fluxos do LangFlow por API ou requisições de back-end, em vez de apenas pela interface visual, além de testar arquiteturas com múltiplos agentes e prompts mais específicos. A sessão seguinte deverá continuar a exploração das ferramentas e aprofundar a comparação usando o cenário e os critérios definidos.