Automatizando a Construção de Códigos em Python com LangGraph

Introdução

Em um mundo cada vez mais acelerado, desenvolvedores e cientistas de dados buscam diminuir esforços repetitivos ao gerar código. Os modelos de linguagem grandes (LLMs) combinados com ferramentas como LangGraph e Python REPL Tool, oferecem uma forma de automatizar a escrita, execução e depuração de código em Python.

Para obter o código e o tutorial deste exercício faça parte do Clube AM e receba toda semana os códigos em R/Python, vídeos, tutoriais e suporte completo para dúvidas.

Diferente de assistentes de geração estática, agentes construídos com LangGraph suportam fluxos iterativos, detectam erros, refinam trechos de código e validam resultados. Isso reproduz o padrão “pensamento → ação → observação → correção”, com real autonomia. No final, entregam scripts prontos para uso em ciência de dados, economia ou automação de tarefas.

Objetivo

Neste post, você aprenderá a:

1. Criar um agente com LangGraph alimentado por Gemini 2.0 Flash;

2. Definir ferramentas essenciais:

   • REPL Tool para executar Python;

   • Ferramentas opcionais: verificação de sintaxe ou análise de qualidade;

3. Estruturar um grafo que organiza lógica de geração, execução, validação e refinamento de código;

4. Testar o agente com exemplos práticos.

Conceitos Fundamentais

LangGraph

LangGraph é uma biblioteca que organiza agentes baseados em LLMs como grafos de estados. Isso significa que cada etapa de decisão, execução e iteração é representada como um nó no grafo, permitindo:

• Repetição automática em caso de erro;

• Execução de etapas paralelas ou condicionais;

• Melhor controle e depuração do fluxo de trabalho.

Essa estrutura é ideal para aplicações que seguem o padrão ReAct (Think → Act → Observe), que simula o comportamento de um analista humano.

agente de código com LangGraph

Um agente de código é um sistema capaz de:

1. Entender uma tarefa em linguagem natural;

2. Gerar o código necessário para resolvê-la;

3. Executar esse código com ferramentas como REPL;

4. Observar os resultados e corrigir o que for necessário.

Quando combinamos LLM + REPL + LangGraph, conseguimos agentes autônomos de programação, que podem gerar funções, analisar dados e construir pipelines completos sem intervenção humana direta.

Estrutura do Agente Criador de Código com LangGraph

A construção de um agente para gerar código Python de forma autônoma envolve a combinação de três elementos principais:

1. Modelo de Linguagem (LLM)

Neste projeto, utilizamos o Gemini 2.0 Flash, um modelo da Google com excelente desempenho na geração de código. Ele será responsável por:

• Interpretar o prompt enviado pelo usuário;

• Gerar o código Python correspondente;

• Raciocinar sobre erros ou saídas do código;

• Refatorar automaticamente o código, se necessário.

A integração é feita por meio do langchain_google_genai, garantindo compatibilidade com LangChain e LangGraph.

2. Ferramentas (Tools)

A ferramenta principal é o Python REPL Tool, um executor de código interativo. Ela permite que o código gerado pelo modelo seja executado dinamicamente, com as saídas imediatamente disponíveis para análise.

Outras ferramentas opcionais podem incluir:

• Analisadores de sintaxe (pylint);

• Geração de documentação (pydoc);

• Avaliadores de segurança ou estilo.

3. Grafo de Estados (LangGraph)

A orquestração do fluxo do agente é feita por meio de um grafo definido com o LangGraph, que organiza os seguintes nós:

• generate_code: o modelo recebe um prompt e escreve o código.

• execute_code: o código é executado pela REPL Tool.

• check_errors: verifica se houve falhas.

• refine_code: o modelo reescreve o código com base no erro.

• finalize_output: o código final e os resultados são exibidos.

O estado do agente (geralmente um dicionário chamado AgentState) armazena informações como:

• Histórico de mensagens (prompts e respostas);

• Código gerado e seus resultados;

• Mensagens de erro, se houver;

• Flags para tomada de decisão no grafo.

Essa arquitetura modular permite construir fluxos sofisticados, com alta flexibilidade e controle total sobre a execução.

Resultados do agente de código com LangGraph

Considerações

Combinando LangGraph, LangChain, LLMs e REPL Tool, conseguimos criar agentes que geram código Python com autonomia e inteligência. Essa abordagem é especialmente útil para:

• Prototipagem rápida;

• Análises repetitivas;

• Criação de scripts e dashboards.

Ao incorporar esse tipo de agente no seu fluxo de trabalho, você ganha tempo, escalabilidade e padronização, reduzindo erros e acelerando entregas.

Quer aprender mais?

Conheça nossa Formação do Zero à Análise de Dados Econômicos e Financeiros usando Python e Inteligência Artificial. Aprenda do ZERO a coletar, tratar, construir modelos e apresentar dados econômicos e financeiros com o uso de Python e IA.

Referências

• Marium Aslam, Build Your Own AI Coding Agent with LangGraph

• Documentação oficial do LangGraph

• LangChain Python REPL Tool

• Google Gemini 2.0 Flash