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