Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar
Sessões

Learning Prototype Agentes de IA com LangFlow CrewAI e RAG (2025-03-06)

6 mar 202556min
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 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.

Gerado por IA a partir da transcrição.
Capítulos · 32
00:03
Planejamento das demonstrações de agentes
Assistir
01:21
Histórias de usuário e cenários de teste
Assistir
02:38
Organização das pesquisas sobre tecnologias
Assistir
03:55
Agenda de exploração das ferramentas
Assistir
06:27
Comparação entre frameworks de agentes
Assistir
07:43
Critérios para avaliar tecnologias
Assistir
09:01
Demonstração de um fluxo hierárquico
Assistir
11:41
Limitações de conhecimento dos modelos
Assistir
14:14
Liberdade de escolha de modelos
Assistir
15:31
Pesquisa online com ferramentas externas
Assistir
18:04
Resultados e fontes da pesquisa
Assistir
19:20
Arquitetura da equipe de agentes
Assistir
23:12
Gerenciamento e delegação de tarefas
Assistir
25:44
Tarefa de pesquisa e configuração do fluxo
Assistir
27:03
Uso de ferramentas para informações recentes
Assistir
30:57
Introdução ao fluxo RAG
Assistir
32:14
Vetorização e armazenamento de documentos
Assistir
35:59
Banco vetorial versus arquivo PDF
Assistir
37:16
Consulta ao RAG e geração de respostas
Assistir
39:50
Interpretação de documentos com RAG
Assistir
41:06
Fluxos de ingestão e utilização de dados
Assistir
42:25
Aplicação do RAG a histórias de usuário
Assistir
43:43
Acionamento do Langflow em aplicações
Assistir
45:01
Fluxo de agentes, RAG e estrutura de respostas
Assistir
46:17
Testes no playground e uso de documentos com RAG
Assistir
47:38
Comparação de modelos e integração via API
Assistir
48:55
Fluxos diretos na LLM versus agentes locais
Assistir
50:15
Prompt engineering e validação de respostas
Assistir
51:32
Alucinações, custo e controle de requisições
Assistir
52:52
Agente especializado em dicas e testes de software
Assistir
54:08
Como tornar o agente mais específico para testes
Assistir
55:25
Melhoria dos insumos e próximos passos
Assistir
Cortes · 5
Demonstração de agentes com pesquisa online
É apresentada uma implementação de agentes em Langflow/CrewAI, com uma hierarquia formada por gerente, pesquisador e escritor. A demonstração mostra como diferentes modelos e ferramentas podem ser combinados para pesquisar informações recentes, compensando o limite de conhecimento do modelo principal.
09:01 – 30:57Assistir
RAG para interpretar documentação
A sessão demonstra um fluxo de RAG que recebe um documento, divide o conteúdo em trechos, gera embeddings e armazena os dados em um banco vetorial como o ChromaDB. Em seguida, uma consulta recupera informações relevantes para que um modelo ou agente interprete a documentação, com a possibilidade de aplicar o mesmo processo a histórias de usuário e cenários de teste.
30:57 – 43:43Assistir
Testes com RAG e agentes de IA
Demonstração de um playground em que documentos são enviados a modelos de linguagem para identificar seu conteúdo e responder perguntas. O trecho também compara o uso direto da LLM com um fluxo baseado em agente e discute como essa solução poderia ser integrada à arquitetura por meio de uma API.
46:17 – 50:15Assistir
Prompt engineering e controle de custos
Análise de como o prompt influencia a resposta do agente, incluindo um caso em que ele tenta usar uma ferramenta inadequada e acaba alucinando. O trecho destaca a necessidade de estruturar bem as instruções para evitar requisições desnecessárias, reduzir custos e orientar melhor o comportamento do modelo.
50:15 – 52:52Assistir
Especialização de agentes para testes
Discussão sobre a criação de um agente especializado em testes, capaz de sugerir casos, testes parametrizados, testes de erro e testes de performance. Também é ressaltado que o agente precisa receber instruções e contexto específicos para gerar respostas realmente úteis ao objetivo do projeto.
52:52 – 55:25Assistir
Perguntas desta sessão
Como funciona o CrewAI em uma estrutura hierárquica de agentes?
No CrewAI, os agentes recebem tarefas e trabalham para resolvê-las. A hierarquia delega cada tarefa ao agente adequado, que pode decidir se precisa usar alguma ferramenta; nesse fluxo, as tarefas foram definidas diretamente na descrição, sem entrada de chat.
10:21 – 10:48Assistir
O exemplo apresentado usa um agente simples no CrewAI?
Não. O exemplo usa uma equipe hierárquica de agentes, com um gerente, um agente pesquisador e um agente redator, cada um responsável por uma etapa do trabalho.
19:29 – 19:45Assistir
O modelo OpenAI o4-mini foi usado como modelo dos agentes no exemplo do CrewAI?
Sim. O o4-mini foi usado como modelo dos agentes e como cérebro da hierarquia apresentada, mas seria possível atribuir modelos diferentes a cada agente e ao gerente, conforme a tarefa, o custo e a capacidade necessária.
24:33 – 25:00Assistir
Como obter informações mais recentes quando o modelo de linguagem não possui conhecimento sobre determinado período?
É necessário usar uma ferramenta de pesquisa externa, atribuída a um agente pesquisador, para consultar informações online que não estão no conhecimento do modelo. A ferramenta pode integrar mecanismos como Bing e outras fontes, escolhidos conforme o caso de uso e critérios como custo e disponibilidade.
28:04 – 29:56Assistir
Como funciona a vetorização de um documento para uso em um sistema RAG?
O documento é dividido em trechos menores, chamados chunks, e cada trecho é convertido por um modelo de embeddings em representações vetoriais, ou matrizes numéricas. Essas representações são armazenadas em um banco vetorial, como o ChromaDB, para que possam ser recuperadas posteriormente conforme a pergunta do usuário.
35:22 – 35:37Assistir
Quais padrões podem ser usados para representar uma história de usuário e ajudar um agente de IA a interpretá-la?
Formatos estruturados como BDD e cenários de teste podem ser incluídos no conhecimento fornecido ao modelo para orientar a interpretação e a geração de saídas, como cenários de testes.
42:40 – 43:48Assistir
Como um back-end pode acionar um fluxo criado no LangFlow?
O fluxo visual do LangFlow pode ser exposto e acionado por requisições, normalmente por meio de uma API integrada ao back-end.
44:02 – 44:33Assistir
Como funciona o fluxo que usa RAG para responder a uma pergunta sobre um documento?
O sistema recebe a pergunta, consulta as informações recuperadas pelo RAG e as inclui no prompt. Em seguida, um agente processa esse contexto e gera uma resposta com estrutura definida, podendo usar modelos locais como os executados pelo Ollama.
45:22 – 46:17Assistir
Como um modelo de IA pode identificar e explicar um documento enviado pelo usuário?
O documento pode ser enviado ao modelo junto com uma pergunta sobre seu conteúdo. Com RAG ou processamento direto, o modelo recupera ou analisa o conteúdo e fornece uma explicação, mesmo quando o documento é extenso e não pode ser lido manualmente por inteiro.
46:31 – 46:56Assistir
Como o prompt pode ser aprimorado para responder sobre o conteúdo de um documento?
O prompt deve orientar o modelo a usar as informações recuperadas pelo RAG, responder apenas ao que foi solicitado e evitar recursos desnecessários, como a aplicação inadequada de uma técnica ou formato. Prompts mais específicos reduzem alucinações e custos de processamento.
50:39 – 51:42Assistir
Que tipos de dicas de teste um agente pode extrair de um documento técnico?
O agente pode recomendar casos de teste, testes parametrizados para diferentes cenários, testes de erro, testes de performance e ferramentas como o Postman. A qualidade e a especificidade das recomendações dependem das instruções fornecidas no prompt.
52:34 – 54:29Assistir
O que significa testar a performance de uma API sob carga?
É avaliar o comportamento da API com maior volume de requisições ou carregamento, incluindo testes de performance e de estresse; a análise pode indicar cenários que devem ou não ser executados.
53:44 – 54:08Assistir