Tutorial de LangGraph aplicado a dados econômicos: os três blocos do framework (estado,
nós e arestas), o ciclo ReAct e a construção de um agente que responde perguntas sobre o
IPCA consultando a série do Banco Central. O modelo de linguagem roda localmente, na CPU,
sem chave de API, e o projeto termina num aplicativo em Streamlit.
Neste post, vamos dar o primeiro passo rumo à construção de Agentes de IA mais sofisticados, capazes de tomar decisões, interagir com ferramentas externas e lidar com tarefas complexas. Para isso, precisamos entender o papel dos frameworks agenticos (ou agentic frameworks) e como eles podem facilitar esse processo. Aqui introduzimos dois frameworks populares de desenvolvimento de Agentes de IA.
Este tutorial exemplifica um pipeline RAG utilizando as atas do Comitê de Política Monetária – COPOM do Banco Central do Brasil (BCB). O objetivo será construir uma interface simples de chat que permita ao usuário fazer perguntas sobre as atas do comitê e obter respostas acuradas usando inteligência artificial.
Neste post, vamos explorar o fluxo completo de trabalho de um Agente de IA — um ciclo que definimos como Pensamento-Ação-Observação. Ao final, criamos um exemplo de Agente de IA que responde perguntas sobre dados econômicos.
Um aspecto crucial dos Agentes de IA é a sua capacidade de tomar ações, que acontecem por meio do uso de Ferramentas (Tools). Neste artigo, vamos aprender o que são Tools, como defini-las de forma eficaz e como integrá-las ao seu Agente por meio da System Prompt. Ao fornecer as Tools certas para o seu Agente — e ao descrever claramente como essas Tools funcionam — você pode aumentar drasticamente o que sua IA é capaz de realizar.