Um agente de IA que só responde em texto tem utilidade limitada. O que torna um agente realmente útil é a capacidade de agir como por exemplo consultar uma agenda, registrar um pedido ou modificar um banco de dados. O ToolCallingAgent da biblioteca smolagents faz exatamente isso: permite que um modelo de linguagem chame funções Python como parte do seu raciocínio.

Em um post anterior aqui no blog, CodeAct: Agentes que Agem com Código, nós construímos toda a infraestrutura do CodeAct, mas aqui vamos focar na biblioteca smolagents da Hugging Face, que já implementa tudo isso, com mais funcionalidades e testada em produção. O CodeAgent dela é um CodeAct pronto para uso, e vamos explorá-lo analisando dados reais de dois dos políticos mais relevantes e pré-candidatos a governador(a) de Pernambuco, João Campos e Raquel Lyra, com acesso à API do YouTube para coleta dos dados.

Workflows agênticos raramente trabalham com texto livre do começo ao fim. Em algum momento, a saída de um modelo precisa alimentar outro passo do pipeline, uma consulta a banco de dados, uma chamada de API, uma decisão de roteamento. E aí o problema aparece pois o modelo quase sempre responde no formato certo, mas “quase sempre” não é o suficiente quando há lógica dependendo disso.

Em uma postagem anterior, vimos o padrão de projeto ReAct para agentes inteligentes.

Neste artigo, vamos explorar o padrão ReAct (Reasoning + Acting), uma das abordagens mais elegantes para construir agentes baseados em modelos de linguagem (LLMs). Enquanto o RAG resolve o problema do conhecimento, fornecendo ao modelo informações que ele não tem, o ReAct resolve o problema da tomada de decisão sequencial. Em outras palavras, como um modelo deve agir em um ambiente que muda a cada passo?

Retrieval-Augmented Generation (Geração Aumentada via Recuperação) é uma das técnicas fundamentais para quem quer construir aplicações com modelos de linguagem (LLMs). Neste artigo, o foco será em modelos gratuitos e de tamanho menor, disponíveis na plataforma Hugging Face. A principal vantagem desses modelos é o custo zero, sem necessidade de chave de API paga ou assinatura. A desvantagem é que eles tendem a ter menos conhecimento geral e conhecem menos detalhes do que modelos maiores e proprietários, como o GPT-4 ou o Claude. Vale dizer, porém, que a técnica de RAG que veremos aqui funciona igualmente bem com modelos grandes e privados, basta trocar o modelo configurado no final do código.

Durante o último ano, construir um agente de IA geralmente significava uma coisa: configurar um loop while, pegar um prompt do usuário, enviá-lo para um LLM, analisar uma chamada de ferramenta, executar a ferramenta, enviar o resultado de volta e repetir. Isto é o que chamamos de Agente Raso ou Agente 1.0.

Neste artigo, vamos criar um assistente de vendas inteligente que pode registrar pedidos através de conversas naturais. Você aprenderá a usar chamadas de funções (function calling) com a API Gemini e a criar um chat interativo que mantém histórico de conversas.

Nas últimas décadas, Engenharia significava uma coisa: remover a ambiguidade. Significava definir interfaces estritas, impor segurança de tipos e garantir que Input A \+ Code B \= Output C.

Anteriormente, foi mostrado como construir um Agente de chat básico no Telegram através do n8n, e nesse post foi utilizado a avaliação gratuita de 14 dias, contudo sabemos que para uma utilização mais apronfudada isso é um período muito curto, além disso os planos disponibilizados pela plataforma tem um preço elevado para aqueles que querem inicialmente apenas se aventurar na plataforma.

Agentes precisam de contexto para executar tarefas. A Engenharia de Contexto é a arte e a ciência de preencher a janela de contexto com apenas as informações certas em cada etapa da trajetória de um Agente. Nesta publicação, eu agrupo a engenharia de contexto em algumas estratégias comuns vistas em muitos agentes populares hoje.

O n8n é uma plataforma low code que funciona como uma ferramenta de automação de fluxo de trabalho conectandos seus aplicativos e serviços favoritos, fazendo com que eles “conversem” entre si.

Agentes de IA. IA Agêntica. Arquitetura Agêntica. Workflow Agênticos. Modelos Agênticos. Agentes estão em todos os lugares. Mas o que exatamente são eles, e como construir sistemas agênticos robustos e eficazes? Enquanto o termo “agente” é amplamente usado, uma característica fundamental é a sua capacidade de planejar e executar tarefas dinamicamente, frequentemente utilizando ferramentas externas e memória para alcançar objetivos complexos.