Pular para o conteúdo
LabS Atlas
Generative AI
Entrar
Sessões

Sessão de Bancada Agentic RAG da Evolução do RAG aos Padrões de Agentes (2025-02-24)

24 fev 20251h 37min
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 a evolução do RAG, começando pelo RAG ingênuo, que recupera conteúdo e o envia diretamente ao modelo, passando pelo RAG avançado, com busca vetorial, reranking e seleção mais precisa de trechos, até abordagens modulares, gráficas e agentic RAG. Foi explicado que o RAG modular combina etapas de recuperação, reformulação de consultas, uso de ferramentas e validação, mas ainda segue um fluxo previamente definido. O Graph RAG organiza relações entre documentos em um grafo de conhecimento, podendo melhorar a recuperação em bases bem estruturadas, embora exija preparação complexa e dados confiáveis. Também foram discutidas as diferenças entre um fluxo modular e um agente: o agente tem autonomia para planejar, escolher ferramentas, delegar tarefas, refletir sobre resultados, usar memória e tomar decisões ao longo do processo, podendo inclusive reconhecer que não possui recursos suficientes para concluir uma tarefa.

A segunda parte explorou padrões de arquitetura para agentes, incluindo agentes lineares, divisão e conquista, roteamento, processamento paralelo, agregação, otimização iterativa e sistemas multiagentes. Foram destacados os ganhos de especialização e escala, mas também os riscos de sobrecarga computacional, loops entre agentes, dificuldade de avaliação e necessidade de critérios claros de parada. Em uma demonstração prática, foi construído um agente capaz de pesquisar artigos, baixar PDFs, criar uma base vetorial, recuperar informações e gerar um texto com referências, usando diferentes modelos e ferramentas. A implementação evidenciou a importância de documentar funções, controlar o armazenamento da base e escolher adequadamente os modelos para cada etapa.

Por fim, houve uma discussão sobre frameworks como LangChain, LangGraph, LlamaIndex e CrewAI. Eles aceleram protótipos e oferecem abstrações úteis, mas podem ocultar detalhes, aumentar dependências e dificultar a manutenção, a troca de modelos e o desempenho em produção. A recomendação foi usá-los para aprender e validar ideias, mas considerar implementações mais diretas e leves quando houver necessidade de controle, performance e estabilidade. Ficou como continuidade a construção de arquiteturas agentic RAG no projeto da bancada, a avaliação de diferentes padrões e frameworks, a implementação em outras linguagens, como Java, e o desenvolvimento de mecanismos mais robustos de validação, memória, roteamento e síntese.

Gerado por IA a partir da transcrição.
Capítulos · 51
06:06
Abertura e apresentação da sessão
Assistir
08:37
Contextualização: evolução do RAG e agentes
Assistir
11:11
RAG ingênuo e seus limites
Assistir
12:28
RAG avançado: busca vetorial e reranking
Assistir
16:22
RAG modular e composição de etapas
Assistir
18:59
Reescrita de consultas, ferramentas e iteração
Assistir
20:15
RAG iterativo e introdução ao Graph RAG
Assistir
21:30
Graph RAG: relacionamentos e qualidade dos dados
Assistir
25:21
Complexidade, custos e cenários de uso do Graph RAG
Assistir
26:39
O que diferencia um agente de um fluxo modular
Assistir
27:56
Autonomia, especialização e tomada de decisão
Assistir
30:28
Componentes de um agente: memória, planejamento e autocrítica
Assistir
33:01
Agentes com ferramentas e processos interativos
Assistir
35:33
Agentes, ferramentas e integração com RAG
Assistir
38:11
Delegação e arquitetura multiagente
Assistir
40:45
Orquestração de agentes e encadeamento de prompts
Assistir
42:04
Padrões básicos de agentes e divisão de tarefas
Assistir
43:22
Delegação por contexto e roteamento de agentes
Assistir
45:58
Execução paralela e agregação de resultados
Assistir
47:19
Fluxos sequenciais e automação com agentes
Assistir
48:36
Avaliação, votação e otimização de respostas
Assistir
51:10
Orquestração com geração, avaliação e feedback
Assistir
52:28
Controle de loops e blocos lógicos de agentes
Assistir
53:44
Demonstração de pesquisa automatizada com agentes
Assistir
56:20
Síntese de artigos e geração de relatório
Assistir
58:56
Implementação das funções e limpeza de arquivos
Assistir
1:00:14
Busca, embeddings e criação da base vetorial
Assistir
1:01:33
Persistência e recuperação de documentos
Assistir
1:02:52
RAG e chamadas de ferramentas pelo modelo
Assistir
1:05:26
Execução de funções e composição da resposta
Assistir
1:08:02
Combinação de modelos locais e serviços externos
Assistir
1:09:18
Estrutura de mensagens e respostas do agente
Assistir
1:11:51
Referências, modelos de embedding e repositório
Assistir
1:13:09
Próximas arquiteturas e implementação em Java
Assistir
1:14:24
Modelos multimodais e processamento de diferentes entradas
Assistir
1:15:40
Comparação entre LangChain e clientes nativos
Assistir
1:16:58
Abstração, configuração e controle das ferramentas
Assistir
1:18:14
Dependências, compatibilidade e manutenção de projetos
Assistir
1:20:48
Stack de RAG e uso do LangSmith
Assistir
1:22:05
LangFlow: aprendizado versus produção
Assistir
1:23:21
Frameworks, abstrações e LlamaIndex
Assistir
1:24:39
Multiagentes e excesso de abstração
Assistir
1:25:57
Desacoplando a aplicação dos frameworks
Assistir
1:27:15
Complexidade, documentação e manutenção do código
Assistir
1:28:31
Inspeção e reescrita do código gerado
Assistir
1:29:47
Camadas, open source e performance
Assistir
1:31:05
Integração com modelos e recursos multimodais
Assistir
1:32:22
Delegando tarefas de desenvolvimento à IA
Assistir
1:33:38
Automação prática com prompts e modelos locais
Assistir
1:34:55
Encerramento e próximos passos
Assistir
1:36:12
Agradecimentos e despedida
Assistir
Cortes · 9
Evolução das abordagens de RAG
A apresentação explica a evolução do RAG ingênuo para abordagens avançadas, modulares e baseadas em grafos. São detalhadas técnicas como busca vetorial, reranking, recuperação em múltiplas etapas e uso de Knowledge Graphs, incluindo as vantagens, limitações e custos de cada estratégia.
11:11 – 27:56Assistir
O que diferencia um agente de um fluxo modular
O conteúdo apresenta as características de um agente autônomo: tomada de decisão, uso interativo de ferramentas, planejamento, memória, autocrítica e capacidade de adaptar o próprio processo. Também é explicada a diferença entre um agente e um fluxo modular de RAG, além dos componentes necessários para construir agentes especializados.
27:56 – 38:08Assistir
Arquiteturas multiagentes e delegação
A sessão mostra como agentes podem refletir, planejar e delegar tarefas a outros agentes especializados. São discutidos sistemas multiagentes, processamento paralelo, escalabilidade e exemplos de uso, como coleta de informações na internet e análise financeira com múltiplas fontes.
38:11 – 42:03Assistir
Padrões de arquitetura para sistemas multiagentes
Apresentação de diferentes formas de organizar agentes: fluxos lineares, divisão de tarefas, roteamento, paralelização, agregação e validação. O trecho também discute orquestradores, ciclos de avaliação e a necessidade de um componente central para evitar que agentes fiquem delegando tarefas indefinidamente.
42:04 – 53:44Assistir
Demonstração de um agente de pesquisa com RAG
Demonstração prática de um sistema que pesquisa artigos, baixa PDFs, cria uma base vetorial e usa recuperação de informações para gerar uma resposta com referências. O apresentador explica as funções do agente, as chamadas de ferramentas, o processamento dos documentos e a composição da resposta final.
53:44 – 1:13:09Assistir
Frameworks, provedores e controle da implementação
Discussão sobre repositórios, linguagens e frameworks para implementar agentes, comparando abstrações como LangChain com o uso direto das APIs de provedores. O grupo debate flexibilidade, facilidade de uso, dependências, compatibilidade entre versões e os riscos de depender excessivamente de bibliotecas externas.
1:13:09 – 1:20:48Assistir
Frameworks aceleram, mas escondem complexidade
A discussão compara ferramentas como Langflow e LlamaIndex, destacando que elas ajudam a aprender e prototipar rapidamente, mas podem adicionar muitas camadas, dependências e problemas de performance. Os participantes defendem entender cada componente e, quando necessário, substituir abstrações por código próprio.
1:22:05 – 1:29:47Assistir
Camadas, abstrações e integração com modelos
Os participantes discutem como frameworks colocam máscaras sobre componentes open source e facilitam a construção de agentes e soluções multiagentes. Também abordam a redução de camadas para melhorar a performance e as diferentes formas de chamar modelos, inclusive passando texto, ferramentas, imagens e vídeos.
1:29:47 – 1:32:21Assistir
Delegar tarefas cognitivas para a IA
A conversa propõe mudar a forma de desenvolver software, delegando ao modelo tarefas repetitivas, testes, geração de conteúdo e pequenas automações. São apresentados exemplos práticos, como criar tradutores, gerar APIs e obter sugestões de paleta de cores e tipografia, mantendo sob responsabilidade humana as decisões mais complexas e a qualidade em produção.
1:32:22 – 1:34:55Assistir
Perguntas desta sessão
Como funciona o reranking em um sistema RAG avançado?
Após a recuperação inicial, o reranking avalia quais conteúdos fazem mais sentido para a consulta. No exemplo, ele seleciona dentro dos capítulos os trechos mais relevantes para compor a resposta.
15:41 – 15:52Assistir
Como diferem os RAG ingênuo, avançado e modular na forma de recuperar e preparar conteúdo?
O RAG avançado recupera conteúdo e aplica etapas adicionais, como seleção e preparação do prompt. O RAG modular permite combinar peças diferentes do fluxo — como retrieval, reranking e aumento de contexto — conforme a resposta desejada, oferecendo mais flexibilidade de configuração.
18:00 – 19:09Assistir
Como funciona um agente de recuperação iterativa de conteúdo?
O agente recupera conteúdo, verifica se já tem informação suficiente e analisa o material. Se necessário, busca informações adicionais em outras fontes, reprocessa o resultado e repete o ciclo até reunir conteúdo adequado para gerar a resposta.
20:24 – 20:48Assistir
O que um agente autônomo faz em um sistema agentic RAG?
Um agente autônomo toma decisões, escolhe e combina as ações necessárias para executar uma tarefa, pode usar ferramentas, otimizar o próprio processo, identificar erros e armazenar informações em memória para orientar etapas futuras.
28:56 – 29:15Assistir
Como delegar tarefas a agentes paralelos em uma arquitetura multiagente?
A tarefa pode ser dividida entre vários agentes especializados que trabalham simultaneamente, como agentes responsáveis por baixar conteúdos de diferentes fontes. Depois, os resultados são reunidos para formar uma base vetorial ou uma resposta consolidada. Essa estratégia é útil para escalar tarefas de coleta e processamento de informações.
40:17 – 40:38Assistir
Quem toma as decisões em uma arquitetura multiagente?
Um orquestrador centraliza as informações, identifica o que precisa ser feito e delega cada tarefa ao agente especializado adequado.
44:35 – 44:45Assistir
Qual é a função de um agente auxiliar responsável pelo gerenciamento de arquivos?
Ele verifica se os arquivos e pastas necessários existem, cria ou remove itens quando necessário e informa quando a operação foi concluída, automatizando essas validações durante o fluxo.
48:04 – 48:15Assistir
O que causou o problema de arquivos PDF vazios durante o download no Windows?
Durante o download, o Windows excedia o limite de 256 caracteres no caminho ou nome do arquivo. Como o nome do PDF não era finalizado corretamente, o processo gerava um arquivo vazio; por isso, foi necessário filtrar arquivos que não fossem PDFs.
59:49 – 1:00:04Assistir
Como o agente demonstrado processa artigos para gerar uma resposta com RAG?
O agente busca os artigos, baixa os PDFs, extrai seus conteúdos, gera embeddings em chunks, armazena os vetores em uma base local e depois recupera os trechos relevantes para combinar com a consulta e gerar uma resposta fundamentada.
1:00:11 – 1:03:03Assistir
Como a busca de artigos pode ser refinada para usar palavras-chave específicas?
É possível substituir o critério padrão por palavras específicas, tornando a busca mais direcionada e ajustando seus parâmetros conforme a necessidade.
1:00:22 – 1:00:30Assistir
Como o agente demonstrado utiliza as funções disponíveis para executar tarefas?
O agente recebe a lista de funções disponíveis, seus nomes, parâmetros e documentação. A partir da solicitação do usuário, identifica a função adequada e monta a chamada com os argumentos necessários. Uma documentação clara ajuda o modelo a compreender como cada função deve ser usada.
1:03:04 – 1:03:36Assistir
Como é feita a implementação do cliente OpenAI em uma aplicação?
A implementação pode usar diretamente um cliente OpenAI, que é relativamente simples, mas frameworks e abstrações escondem detalhes importantes da configuração e podem exigir mais conhecimento para obter controle sobre o comportamento e o desempenho.
1:16:22 – 1:17:00Assistir