Como gerar diferentes personas de analistas para construir um assistente de pesquisa? Neste exercício, exploramos a etapa inicial dessa aplicação, criando personas que servirão de base para um sistema mais completo, que será desenvolvido nos próximos posts.
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.
Estrutura do Assistente de Pesquisa
O exercício teve como objetivo criar um sistema capaz de gerar personas de analistas a partir de um tema de pesquisa, receber feedback humano e ajustar as personas de forma iterativa.
Esse sistema será parte de outro sistema, capaz de gerar relatórios de pesquisa a partir de informações gerados por diversas fontes (e que iremos desenvolver nos próximos exercícios).
A arquitetura foi baseada nos seguintes componentes:
- Modelo LLM (Google Gemini 2.0 Flash): Responsável por gerar as personas a partir das instruções fornecidas.
- Definição das Estruturas de Dados: Modelos Analyst e Perspectives definem os campos e o formato esperado para cada persona.
- Nós do Grafo:
- create_analysts: Gera as personas iniciais.
- human_feedback: Ponto de interrupção para revisão e ajustes humanos.
- should_continue: Decide se o fluxo deve continuar com base na existência de feedback.
- Persistência de Estado: Utilização do MemorySaver para garantir continuidade e histórico no processo
Funcionamento do Fluxo Human-in-the-Loop
O fluxo inicia com a definição do tópico de pesquisa e o número máximo de analistas desejados. O LLM gera uma lista inicial de personas, que são apresentadas ao usuário para revisão. Neste ponto, o usuário pode fornecer feedback — por exemplo, solicitando a inclusão de um analista com perspectiva de startup. O sistema então incorpora esse retorno e atualiza a lista de personas, repetindo o ciclo até que o usuário esteja satisfeito.
Exemplo de personas geradas no exercício:
"Nome: Ava Sharma
Afiliação: Empresa de Consultoria de IA Papel: Arquiteta de Soluções de IA Descrição: Focado em otimizar o desempenho e a escalabilidade de sistemas de IA para clientes empresariais. Preocupado com a complexidade da integração e os custos de longo prazo. -------------------------------------------------- Nome: Dr. Ben Carter Afiliação: Laboratório de Pesquisa Acadêmica Papel: Cientista de Pesquisa de IA Descrição: Interessado em avançar o estado da arte em pesquisa de agentes de IA. Motivado pela capacidade do LangGraph de facilitar experimentos complexos e reprodutíveis. -------------------------------------------------- Nome: Carlos Rodriguez Afiliação: Startup de IA em Estágio Inicial Papel: Engenheiro de IA Fundador Descrição: Buscando construir rapidamente protótipos e iterar em aplicativos de agentes de IA. Prioriza a facilidade de uso, a flexibilidade e o suporte da comunidade." --------------------------------------------------
Essas personas serão futuramente integradas a um sistema capaz de gerar relatórios de pesquisa. Com base nelas, será possível criar e revisar diferentes textos, garantindo a elaboração de relatórios mais completos, consistentes e livres de erros.
Benefícios da Abordagem
- Flexibilidade: O uso do LangGraph permite adicionar, remover ou modificar nós no fluxo com facilidade.
- Colaboração: O human-in-the-loop garante que as saídas estejam alinhadas às expectativas e necessidades reais.
- Escalabilidade: A arquitetura pode ser expandida para incluir mais agentes e fontes de informação.
- Reaproveitamento de Estrutura: O mesmo fluxo pode ser adaptado para outros domínios, como finanças, economia ou análise de mercado.
Conclusão
Este estudo de caso demonstra como o LangGraph pode ser utilizado para criar assistentes de pesquisa robustos, que combinam geração automática de conteúdo com validação e ajuste humanos. Essa abordagem híbrida é particularmente eficaz em contextos onde a qualidade, a relevância e a adaptação ao contexto são essenciais.
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.
