Estruturas de agentes de IA: Criando sistemas mais inteligentes com as ferramentas certas

Pense em um funcionário que nunca dorme, nunca reclama e continua ficando mais inteligente. Você gosta de ficção científica? É isso que os agentes de IA trazem para a tabela. Esses cérebros digitais podem planejar tarefas, buscar informações, conversar com usuários, acessar APIs e até mesmo trabalhar com outros agentes para resolver problemas de grande porte.

Claro, você poderia criar um do zero, mas a maioria das pessoas recorre a estruturas de agentes de IA, que são essencialmente kits de ferramentas pré-construídos que fornecem a memória, a orquestração e basicamente tudo o que você precisa. Neste blog, explicaremos o que são essas estruturas, como elas funcionam e como escolher a que melhor se adapta ao seu caso de uso.

O que são estruturas de agentes de IA?

No fundo, os agentes de IA sãoprogramas que podem perceber, planejar e agir. Eles são projetados para analisar metas, dividi-las em etapas e realizar ações inteligentes, seja sozinho ou com outras pessoas.

Seja para responder a uma pergunta, executar uma pesquisa ou colaborar com outro agente, eles são usados em vários setores para diversas aplicações e são projetados para operar com um nível surpreendente de autonomia.

Há várias maneiras de criar um agente de IA do zero. Os agentes podem ser criados em Python ou usando React e outras pilhas de tecnologia. No entanto, criar esses agentes a partir do zero é uma tarefa totalmente diferente. Você precisa conectar a memória, planejar tarefas, conectar ferramentas, gerenciar a coordenação, lidar com erros... e muito mais. São muitas peças móveis do quebra-cabeça que você precisa juntar. 

Estruturas de agentes de IA = cérebros + caixa de ferramentas

Essas estruturas tornam muito mais fácil todo o processo de criação e dimensionamento de agentes de IA. 

Componentes da estrutura do agente de IA. Fonte da imagem: IA do guardanapo

Essas estruturas fornecem:

• Arquitetura: Um layout para interação com agentes.
• Memória: Recordação de longo e curto prazo.
• Modelos: Os modelos de linguagem grandes (LLMs) formam o núcleo dos agentes de IA, dando a eles a capacidade de entender a linguagem, raciocinar sobre problemas e agir.
• Toolkits: APIs, mecanismos de pesquisa, intérpretes - ferramentas para fazer as coisas.
• Camada de orquestração: Coordena tarefas e colaboração (especialmente em configurações de vários agentes).
• Integrações: Conecte-se ao LangChain, OpenAI, Azure, Slack e muito mais.

Em resumo: eles poupam a você tempo de desenvolvimento, dores de cabeça e uma montanha de complexidade.

Como os agentes de IA funcionam na prática

Para entender o funcionamento de um agente de IA, vamos começar entendendo o ciclo simples de tomada de decisões.

Ele começa com o planejamento de tarefas. Quando você recebe uma tarefa - algo como "Resumir este artigo" ou "Encontrar um voo abaixo de US$ 1.000" - o agente começa dividindo-a em etapas menores. É criada uma lista de verificação que ajuda o agente a descobrir o que precisa ser feito, em que ordem e se isso pode ser feito de forma independente ou se será necessário o apoio de outros agentes.

Fluxo de trabalho do agente de IA. Fonte da imagem: IA do guardanapo

A seguir, você verá a chamada de função. É nesse momento que o agente decide quais ferramentas ou APIs ele precisa acessar. Seja para navegar na Web, verificar a previsão do tempo ou pesquisar um banco de dados, o agente procura a função certa, como se você estivesse alternando entre diferentes aplicativos para fazer sua própria lista de tarefas.

Em seguida, vem a fase deexecução, em que o agente realmente realiza o trabalho. Você pode executar código, buscar dados, enviar um e-mail ou elaborar uma resposta. Nesse estágio, ele interage com suas ferramentas e sistemas para concluir o trabalho da forma mais eficaz possível.

E, por fim, há o loop de feedback. Quando a tarefa é concluída (ou não é concluída), o agente faz um balanço da tarefa concluída. Com base no resultado da tarefa - seja ela bem-sucedida, parcialmente bem-sucedida ou fracassada - ele aprende e se ajusta. Isso pode significar a atualização da memória, o ajuste das próximas etapas ou até mesmo a solicitação de mais informações ao usuário. Esse feedback ajuda a torná-lo mais nítido com o tempo.

Dependendo da complexidade, um agente pode passar por esse ciclo uma vez ou continuar repetindo até que o trabalho seja feito corretamente.

Sistemas de agente único e de vários agentes

Os agentes de IA podem ser classificados de várias maneiras, dependendo de suas funções, recursos e ambientes operacionais. Uma distinção importante é baseada no número de agentes envolvidos.

Sistemas de agente único operam de forma independente para cumprir um objetivo específico. Esses agentes dependem de ferramentas e recursos externos para executar tarefas, o que lhes permite funcionar de forma eficaz em diferentes ambientes. Eles são mais adequados para metas claramente definidas que não exigem coordenação com outros agentes. Normalmente, uma configuração de agente único usa apenas um modelo de base para seu processamento.

Sistemas multiagentes, por outro lado, envolvem vários agentes de IA que colaboram ou competem para atingir metas compartilhadas ou individuais. Esses sistemas aproveitam as diversas habilidades e funções de cada agente, tornando-os bem equipados para lidar com problemas complexos. Eles também podem simular comportamentos semelhantes aos humanos, como a comunicação interpessoal, em contextos interativos. Em configurações de vários agentes, cada agente pode ser alimentado por um modelo de base diferente, adaptado à sua função específica.

Recursos comuns em estruturas de agentes de IA

Há certos recursos que são comuns a muitas estruturas de agentes de IA, como alguns critérios mínimos que todo agente de IA precisa para realmente fazer as coisas.

Recursos comuns em estruturas de agentes de IA. Fonte da imagem: Autor

A primeira é a memória persistente, que permite que os agentes armazenem contexto e memória.   Em vez de começar do zero todas as vezes, eles podem se basear em conversas anteriores, o que faz com que se sintam mais atenciosos, receptivos e quase humanos.

Em seguida, temos a Geração Aumentada por Recuperação (RAG). Simplificando, ele permite que os agentes obtenham as informações corretas de fontes externas - documentos, bancos de dados ou até mesmo da Web - em tempo real. Em vez de ficarem limitados ao que foram treinados, eles podem aproveitar o conhecimento atualizado e específico do domínio para dar respostas mais precisas ou sugestões mais inteligentes.

Além disso, há o uso da ferramenta, que é o que realmente dá aos agentes sua vantagem. Eles não estão lá apenas para responder - eles foram criados para agir. Isso pode significar chamar uma API, processar números, extrair dados de um site ou iniciar uma tarefa de back-end. É essa capacidade que faz com que eles passem de chatbots a verdadeiros assistentes digitais.

E, por fim, a colaboração do agente. É aqui que os agentes trabalham juntos, compartilhando tarefas, passando atualizações ou resolvendo partes de um problema maior. Assim como em uma empresa com departamentos diferentes, um agente pode cuidar da pesquisa enquanto outro escreve um relatório. Trabalhar em equipe permite que eles assumam tarefas mais complexas do que uma pessoa sozinha poderia fazer.

Estruturas populares de agentes de IA

O cenário de agentes de IA está crescendo rapidamente, e escolher a estrutura certa pode ser muito parecido com escolher uma cobertura de pizza - há um sabor para cada gosto, mas o excesso de opções pode ser esmagador. 

Portanto, vamos simplificar as coisas e nos aprofundar nas estruturas mais comentadas, destacando como elas funcionam, o que as faz funcionar e onde elas realmente se destacam.

Opções populares de estrutura de IA: Fonte da imagem: IA do guardanapo

CrewAI

O CrewAI é como montar sua própria equipe de super-heróis - cada agente tem uma função distinta, de "Pesquisador" a "Escritor" e "Analista", e eles trabalham juntos como uma equipe.

A configuração baseada em funções significa que os agentes recebem tarefas com base em suas funções e títulos, e o sistema cuida da coordenação. 

A CrewAI tem várias vantagens:

• É fácil de usar, pois oculta a maior parte do trabalho pesado de engenharia para que você possa se concentrar nos resultados e não na mecânica. 
• Além disso, ele é de código aberto, funciona com os principais LLMs, como o OpenAI e o Anthropic, e vem com o RAG integrado. 

É uma opção para empresas que estão configurando bots de atendimento ao cliente ou automatizando fluxos de trabalho que exigem muita pesquisa. 

Então, qual é a limitação? Bem, às vezes isso pode parecer um pouco restrito se você precisar de agentes que sejam flexíveis com as funções e que adotem o que for preciso.

LangGraph

Se você quiser que seu agente crie estratégias ou improvise etapas à medida que avança, o LangGraph é seu amigo. Ele foi desenvolvido com base na teoria dos gráficos, o que significa que os agentes podem fazer loops, ramificações e redirecionamentos conforme necessário. Isso é perfeito para fluxos de trabalho que não são apenas uma simples execução passo a passo. 

Isso é relevante em setores como o de hospitalidade, em que um assistente de viagem pode estar fazendo malabarismos com opções ou verificando o sistema antes de responder. No setor de seguros, se você estiver criando um agente de IA que possa examinar várias opções de seguro personalizadas de acordo com os dados demográficos ou as necessidades do usuário, ele terá que fazer malabarismos com diversas variáveis, e é aí que o LangGraph pode ser uma boa opção. 

O LangGraph é integrado ao LangChain, portanto você tem acesso a todo o conjunto de ferramentas. A desvantagem é a curva de aprendizado acentuada. Mas quando você se familiariza com o manual, o LangGraph abre as portas para algumas lógicas e aplicativos sofisticados.

Você pode explorar o curso Designing Agentic Systems with LangChain da Datacamp para aprender e praticar na prática.

AutoGen

O AutoGen é a resposta da Microsoft à orquestração de agentes e traz muito para a tabela. Sua estrutura em camadas inclui as funções Core, AgentChat para mensagens entre agentes e Extensions para recursos avançados .

Um destaque é o AutoGen Studio, um ambiente de baixo código no qual você pode esboçar agentes visualmente. É especialmente útil para desenvolvedores que trabalham com ferramentas da Microsoft, como Azure ou Teams. 

Ele também oferece suporte a mensagens assíncronas entre agentes, o que é excelente para fluxos de trabalho mais dinâmicos. O único exagero é que ele pode parecer excessivamente projetado para projetos simples.

Agno (por Phidata)

Agno é o tipo de estrutura minimalista "menos é mais". Com uma sintaxe Python limpa e recursos integrados de implantação em nuvem, ele é perfeito para que você crie protótipos rápidos. 

Você quer um bot de sentimentos do Twitter no AWS Lambda? Esse é o ponto de partida para você. Além disso, ele se conecta facilmente a LLMs e APIs, como DuckDuckGo ou Yahoo Finance, o que o torna excelente para a criação de protótipos de painéis, agentes ou ferramentas internas.

A limitação é que, com uma comunidade menor, você pode não encontrar tantos plug-ins ou guias quando estiver solucionando problemas.

Agentes atômicos

O Atomic Agents é para aqueles que desejam controle total com pouca ou nenhuma orientação. A arquitetura é limpa e modular, o que significa que você passará mais tempo no início configurando as coisas, mas colherá os benefícios mais tarde com total flexibilidade. 

Não há nenhuma camada de orquestração fazendo mágica nos bastidores - o que você constrói é o que você obtém. Isso o torna ideal para equipes que se preocupam com a capacidade de manutenção e o desempenho de longo prazo, como em ferramentas empresariais ou projetos de P&D.

No entanto, se você tiver um prazo e precisar de uma prototipagem mais rápida, os agentes atômicos talvez não sejam adequados. 

SDK de agentes da OpenAI

O OpenAI Agents SDK é uma evolução do Swarm pronta para produção. É uma estrutura leve para a criação de fluxos de trabalho com vários agentes. Ele é independente de provedor, sendo compatível com as APIs OpenAI Responses e Chat Completions, além de mais de 100 outros LLMs.

A ideia central é "handoffs", o que basicamente significa que um agente pode terminar um trabalho e passá-lo para o próximo, como um revezamento de bastão digital. É uma boa opção para aplicativos ou demonstrações em que você deseja privacidade e velocidade sem uma infraestrutura pesada. 

LlamaIndex

Lançado originalmente como GPT Index, o LlamaIndex foi projetado para ajudar os LLMs a conversar com dados estruturados, mas agora ele também entrou no mundo dos agentes de IA. 

Ele é excelente para obter insights de documentos, tabelas e bancos de dados, e agora suporta transições entre consultas e fluxos de trabalho simples. Seus outros casos de uso incluem aplicativos multimodais e agentes autônomos que podem realizar pesquisas e tomar medidas. 

Ele pode não ser tão forte em orquestração quanto o CrewAI ou o LangGraph, mas é uma ótima escolha quando o seu foco é a interação de dados profundos sobre o comportamento complexo do agente.

Núcleo semântico

O Semantic Kernel é a estrutura de agente pronta para empresas da Microsoft, que oferece suporte a várias linguagens - Python, C# e Java - e foi criado para integrar LLMs a sistemas corporativos, como ERPs e CRMs. O Semantic Kernel ajuda a automatizar os processos comerciais, combinando prompts com APIs existentes para executar ações. 

Ele lida com memória, planejamento e habilidades (também conhecidas como ferramentas) e é bem dimensionado para implantação em nuvem. Se você trabalha em uma grande organização e precisa de agentes que se encaixem perfeitamente na infraestrutura existente, essa é provavelmente sua melhor opção. Mas se você for um construtor individual ou uma equipe pequena, pode parecer um pouco pesado demais para começar a trabalhar rapidamente.

Como escolher a estrutura correta

Antes de entrar no mundo dos agentes de IA, vale a pena refletir sobre o objetivo final em termos do que você realmente precisa que os agentes façam. A estrutura certa deve se adequar à sua pilha de tecnologia, ao seu orçamento e estar alinhada aos seus requisitos de curto e longo prazo.  

Critérios para selecionar a estrutura correta. Fonte da imagem: IA do guardanapo

Facilidade de uso

Se você está apenas começando, Agno ou CrewAI são ótimos pontos de entrada. Eles têm instruções claras com o mínimo de confusão. Por exemplo, a sintaxe simples do Python do Agno permite que você crie um protótipo rapidamente, enquanto o design baseado em funções do CrewAI o torna intuitivo, mesmo que você não seja um programador. Ambos lidam com os aspectos complicados nos bastidores para que você possa se concentrar nos resultados.

Complexidade do fluxo de trabalho

Você precisa criar fluxos de trabalho com loops, condições ou lógica de ramificação? LangGraph e LangChain são opções sólidas. O LangGraph lida com fluxos complexos e com estado, perfeitos para chatbots que tentam novamente etapas com falha ou escalonam problemas não resolvidos. 

E se você estiver organizando uma equipe de agentes com responsabilidades diferentes, o modelo de delegação de funções da CrewAI funciona muito bem.

Personalização

Se você deseja ter controle total sobre cada detalhe, o Atomic Agents oferece exatamente isso. Sem abstrações, sem lógica oculta, apenas flexibilidade bruta para os desenvolvedores da equipe. Ele foi desenvolvido para casos de uso em que o plug-and-play não é suficiente, como coordenação de drones para resposta a desastres. O LangGraph é outra opção que oferece um meio-termo flexível. Você pode conectar a lógica personalizada, mas ainda contar com as ferramentas integradas para tarefas de rotina.

Necessidades de integração

Quando o seu projeto depende de APIs ou ferramentas corporativas existentes e se a sua organização já estiver usando produtos da Microsoft, como o Azure, o Semantic Kernel é uma boa opção. 

A CrewAI também é forte nesse aspecto, oferecendo conectores práticos para APIs como a X. Se o seu agente precisar extrair informações de uma ampla variedade de fontes, essas estruturas lidam facilmente com as integrações para que você não precise fazer isso.

Ambiente de implantação

Para aplicativos executados localmente em setores como saúde ou bancos, em que a privacidade dos dados é de extrema prioridade, o Agent SDK da Open AI mantém tudo no dispositivo, no local, sem necessidade de nuvem. Mas, se você está priorizando a nuvem, o Agno vem pronto com suporte integrado para AWS, GCP e fluxos de trabalho sem servidor. É praticamente uma "implantação com um clique" para produção.

Desempenho/escalabilidade

Se você estiver lidando com tráfego intenso ou com grandes conjuntos de dados, o LangGraph se destaca por sua capacidade de gerenciar milhares de fluxos de trabalho simultâneos, o que é ótimo para coisas como detecção de fraudes. O AutoGen da Microsoft será excelente, pois foi desenvolvido para escala empresarial com suporte total para sistemas distribuídos, o que o torna ideal para grandes redes e cadeias de suprimentos.

Segurança e privacidade

Se você estiver na nuvem, o Semantic Kernel oferece segurança de nível empresarial incorporada. Com outros, como o CrewAI, a segurança depende da sua própria implantação, portanto, você mesmo precisará incluir criptografia e controles de acesso.

Aqui está um resumo rápido dos parâmetros comuns e das prováveis melhores opções. 

Tabela de comparação: Instantâneo rápido

Tabela de comparação da estrutura do agente de IA. Fonte da imagem: Autor

Conclusão: Qual deles você deve escolher?

Não há um vencedor universal aqui - e esse é o ponto. As estruturas de agentes de IA são como ferramentas elétricas: a correta depende do trabalho.

Comece com um projeto pequeno, aprenda as complexidades e os componentes de cada estrutura e não hesite em misturar ferramentas (por exemplo, LangChain + LangGraph). O objetivo não é ser totalmente perfeito. O objetivo real é descobrir como resolver problemas.

Dito isso, aqui está minha opinião final: Se você deseja velocidade sem complexidade, CrewAI ou Agno são boas apostas. Se a sua equipe precisar de mais controle ou mais potência, consulte LangGraph ou AutoGen. E para empresas com requisitos rigorosos,o Semantic Kernel.

Lembre-se de que a inteligência em tempo real nos agentes ainda está em evolução, e as coisas podem ficar caras rapidamente à medida que você aumenta a escala. Os bugs, especialmente em programas com vários agentes, são muito reais e nem sempre são fáceis de rastrear. Além disso, questões relacionadas à segurança, considerações éticas e explicabilidade ainda precisam de muita atenção. Não se esqueça de assinar nosso boletim informativo sobre IA com curadoria, The Medianpara que você possa se manter atualizado com as notícias sobre IA.