Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar
Sessões

Café com Código Facilitando o Registro de Agentes no LangGraph (2025-10-21)

21 out 20251h 04min
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 o problema de escalabilidade no uso do LangGraph para orquestrar muitos agentes. Embora o framework facilite a criação de fluxos com nós, arestas condicionais e chamadas a modelos de linguagem, a implementação tradicional se torna extensa e difícil de manter quando o sistema cresce. O contexto foi o protótipo WhatAssist, voltado à interpretação de artefatos e à geração de artefatos de testes, com agentes especializados em tarefas como análise de repositórios e criação de testes unitários.

A solução demonstrada foi um mecanismo de registro de agentes baseado em configurações simples, com informações como nome, tipo de agente, artefato tratado, função, descrição e dados de visualização. Um agente analisador usa essas configurações para selecionar de forma dinâmica o agente mais adequado, reduzindo a necessidade de codificar manualmente dezenas de nós e conexões. Também foi demonstrado o LangSmith para monitorar o fluxo, chamadas, tokens, ferramentas e tempos de execução; a geração de testes unitários levou cerca de 71 segundos. Ficou combinado que o protótipo e seu código serão apresentados e liberados em um lançamento previsto para 28 de outubro, enquanto dúvidas sobre treinamento, funcionamento completo e detalhes dos agentes serão aprofundadas nessa próxima apresentação. Também foi divulgado um novo protótipo relacionado a GenAI e aprendizado de modelos de linguagem, aberto à participação da comunidade.

Gerado por IA a partir da transcrição.
Capítulos · 32
00:19
Abertura e conversa inicial
Assistir
05:27
Início do Café com Código
Assistir
06:45
Contexto do projeto e do protótipo
Assistir
08:01
Apresentação do sistema de testes especializado
Assistir
09:17
O problema com agentes generalistas
Assistir
11:50
LangGraph e organização de agentes
Assistir
14:22
Estrutura de grafos, nós e conexões
Assistir
17:00
Fluxo condicional de interpretação e geração
Assistir
19:35
Complexidade do código com muitos agentes
Assistir
22:09
Demonstração do sistema de agentes
Assistir
24:44
Análise de repositório e geração de testes
Assistir
28:36
Suporte a linguagens e tipos de testes
Assistir
33:36
Prompts especializados e qualidade dos resultados
Assistir
37:28
O problema da escalabilidade do grafo
Assistir
38:44
Registro simplificado de agentes
Assistir
41:19
Seleção e encadeamento automático de agentes
Assistir
43:54
Preenchimento de prompts e classificação de artefatos
Assistir
45:09
Saídas estruturadas e execução dos agentes
Assistir
46:28
Orquestração de agentes em times
Assistir
47:46
Classificador e seleção transparente de agentes
Assistir
49:05
Introdução ao LangSmith e rastreamento do fluxo
Assistir
50:22
Monitoramento de chamadas, modelos e tokens
Assistir
51:37
Rastreamento detalhado da execução do fluxo
Assistir
52:55
Seleção do agente de análise de repositórios
Assistir
54:14
Síntese dos resultados e encerramento da demonstração
Assistir
55:30
Feedback sobre o projeto e migração para desenvolvimento
Assistir
56:45
Documentação, código aberto e construção dos agentes
Assistir
58:02
Convite para o próximo projeto de GenAI
Assistir
59:17
Participação voluntária e novas bancadas de prototipagem
Assistir
1:00:34
Oportunidades de colaboração e encerramento
Assistir
1:01:51
Liberação pública do protótipo no dia 28
Assistir
1:03:06
Encerramento e próximos encontros
Assistir
Cortes · 5
O problema de complexidade do LangGraph
A apresentação contextualiza o Café com Código e apresenta o projeto de agentes especializado em interpretação e geração de artefatos de testes. Em seguida, demonstra como grafos, nós e conexões condicionais do LangGraph tornam o código cada vez mais extenso e difícil de manter conforme a quantidade de agentes cresce.
05:27 – 22:09Assistir
Como funciona o sistema de agentes especializados
A demonstração mostra uma aplicação de chat especializada que analisa repositórios e usa times distintos de agentes para interpretação e geração de testes. Os participantes explicam como os agentes são selecionados, como o contexto da conversa é reaproveitado e por que prompts especializados permitem trabalhar com diferentes linguagens, artefatos e tipos de teste.
22:09 – 37:28Assistir
Registro automático dos agentes
A equipe apresenta a solução criada para organizar uma rede com dezenas de agentes e reduzir a complexidade do código do LangGraph. A abordagem usa um registro em Python com metadados sobre cada agente, seu tipo, artefato, função e informações visuais, permitindo selecionar e conectar agentes de forma mais simples.
37:28 – 43:54Assistir
Classificação e orquestração dos agentes
A apresentação explica como o sistema interpreta a solicitação do usuário, preenche as informações necessárias e usa um classificador para escolher o agente adequado, como o de análise de código para links de repositórios. Também é mostrado como os agentes são organizados em times e coordenados por um orquestrador, mantendo o fluxo controlável e evitando uma lógica de caixa-preta.
43:54 – 49:05Assistir
Monitoramento do fluxo com LangSmith
O trecho mostra como o LangSmith acompanha internamente a execução de uma solicitação, exibindo o caminho percorrido entre os agentes, os modelos acionados, tokens, duração e informações de contexto. É detalhado um exemplo de análise de repositório, desde o input analyzer e a seleção do agente de análise de código até a síntese da resposta final.
49:05 – 55:30Assistir
Perguntas desta sessão
Quais são as condições que determinam se uma aresta condicional do LangGraph encaminha o fluxo para outro agente ou encerra a execução?
A aresta condicional depende da classificação feita pelo agente analisador. Se a entrada não for uma história de usuário, a execução termina; se for, o fluxo segue para o interpretador. Depois, o interpretador envia o resultado ao agente de revisão, que pode devolver feedback para uma nova interpretação ou encaminhar o resultado ao gerador final.
16:51 – 18:40Assistir
Como funciona a arquitetura do projeto What-Assist com seus times de agentes?
O projeto organiza os agentes em dois times: um de interpretação e outro de geração. Os agentes de interpretação analisam a solicitação e produzem o contexto necessário; os agentes de geração usam esse contexto para construir o artefato solicitado, como testes unitários.
23:14 – 23:25Assistir
O que é o What-Assist e qual é sua finalidade no desenvolvimento e nos testes de software?
O What-Assist é uma ferramenta voltada à interpretação de artefatos de software e à geração de artefatos de teste. Ela pode analisar um repositório para oferecer uma visão geral do projeto e apoiar o trabalho de QA, mas não substitui um profissional de qualidade nem executa necessariamente o teste unitário por conta própria.
29:10 – 30:22Assistir
O What-Assist consegue gerar testes para diferentes linguagens de programação?
Sim. A solução pode gerar testes em várias linguagens; no exemplo apresentado, o projeto estava em Java. Os agentes são configurados por prompts para trabalhar com diferentes linguagens e especializações.
30:34 – 30:55Assistir
Como adicionar suporte a uma nova linguagem ou a um novo tipo de teste na arquitetura baseada em LangGraph?
Basta criar um novo nó especializado e incorporá-lo ao grafo. Esse nó passa a representar uma nova possibilidade de processamento, conectada por arestas condicionais conforme o analisador identifica a linguagem, o artefato ou o tipo de teste correspondente.
31:04 – 33:14Assistir
Quanto tempo o What-Assist levou para gerar os testes unitários apresentados na demonstração?
A geração levou aproximadamente 71 a 72 segundos, conforme o tempo de resposta exibido no LangSmith.
33:17 – 33:34Assistir
Como funciona o registro declarativo de agentes no LangGraph?
O registro é feito por meio de um dicionário Python com informações essenciais, como nome do agente, nome do nó, tipo de artefato, categoria — interpretação ou geração — e a função responsável pela execução. A configuração segue um padrão comum, enquanto a função realiza a interpretação, chama a IA e executa o trabalho do agente.
39:26 – 40:44Assistir
No registro de um agente no LangGraph, a função associada ao agente é onde fica definido o prompt?
Sim. A função associada ao agente contém a lógica e o prompt especializado. Por exemplo, um agente pode ser configurado para analisar histórias de usuário, e todos os agentes seguem esse mesmo padrão de registro e execução.
41:04 – 41:20Assistir
Quais são as etapas iniciais do fluxo de processamento no grafo LangGraph?
O fluxo começa em um ponto inicial ou start, recebe a mensagem do usuário e o identificador da conversa, e então encaminha a entrada ao analisador, que interpreta a mensagem e determina o próximo agente.
52:04 – 52:25Assistir
Como o sistema seleciona os agentes mais adequados para uma solicitação?
O analisador interpreta a solicitação do usuário, considera o contexto e as informações disponíveis no projeto, identifica a intenção — como analisar um repositório — e seleciona os agentes que melhor correspondem ao cenário, como o agente de análise de código.
53:13 – 53:39Assistir
Qual é a função do sintetizador na arquitetura de agentes?
O sintetizador reúne as informações produzidas pelos agentes e escolhe quais resultados ou ações melhor se encaixam no cenário específico, finalizando o processamento.
54:24 – 54:46Assistir