Workshop: Agentes de IA com Python

🎓 Jornada de Dados

Workshop prático e abrangente sobre desenvolvimento de agentes de IA
Cobrindo desde frameworks básicos até técnicas avançadas de comunicação entre agentes

---

🎯 Sobre o Workshop

Este repositório contém o material prático do Workshop Agentes de IA com Python da Jornada de Dados.

O que você vai aprender:

• Construir agentes de IA inteligentes e autônomos
• Implementar sistemas multi-agente colaborativos
• Dominar técnicas avançadas de prompt engineering
• Criar sistemas RAG (Retrieval-Augmented Generation)
• Desenvolver memória persistente para agentes
• Estabelecer comunicação entre agentes via MCP

🔗 Inscreva-se no Workshop

📚 Módulos do Workshop

🤖 02-frameworks

Frameworks de Agentes Multi-Agent

Explore diferentes frameworks para construção de sistemas multi-agente:

• Agno: Análise inteligente de HackerNews com agentes especializados
• AutoGen: Colaboração entre agentes (Pesquisador + Escritor + Crítico)
• CrewAI: Geração de conteúdo profissional para LinkedIn
• LangChain/LangGraph: Pipeline visual de análise de texto com grafo de estados

Conceitos: Multi-agent systems, especialização de papéis, workflows colaborativos

🎯 03-prompt-engineering

Técnicas de Prompt Engineering

Domine a arte de otimizar prompts para máxima eficácia:

Técnicas Básicas:

• Zero-Shot, Few-Shot, Chain of Thought, Role Prompting

Técnicas Avançadas:

• Self-Consistency, Tree of Thoughts, Prompt Chaining, Structured Output, Negative Prompting

Aplicação Prática:

• Sistema completo de análise de currículos vs vagas
• Interface Streamlit para recrutadores e candidatos
• Geração automática de melhorias e reescrita de CV

Conceitos: Otimização de prompts, aplicações práticas, análise comparativa

🔍 04-RAG

Retrieval-Augmented Generation

Construa sistemas RAG completos do zero:

Pipeline Step-by-Step:

1. Document Processing: Carregamento e extração de PDF
2. Text Chunking: Divisão inteligente com overlap
3. Embeddings: Conversão para vetores com Ollama
4. Semantic Search: Busca por similaridade vetorial
5. Context Enrichment: Combinação e análise de contexto
6. Answer Generation: Geração de respostas contextuais

Recursos Avançados:

• Sistema de avaliação com deepeval (Correctness, Faithfulness, Relevancy)
• Comparação de técnicas de chunking e retrieval
• Otimização de parâmetros e debugging

Conceitos: Vector databases, semantic search, context optimization, RAG evaluation

🧠 05-memory

Sistemas de Memória para Agentes

Implemente memória persistente e inteligente:

CrewAI Memory System:

• Short-term Memory: ChromaDB para contexto imediato
• Long-term Memory: SQLite para histórico persistente
• Entity Memory: Reconhecimento de pessoas, lugares e conceitos
• Agente companion que constrói relacionamentos

LangChain Memory System:

• Interface web Gradio multi-usuário
• Persistência automática de conversas
• Isolamento entre usuários diferentes
• Visualização de dados armazenados

Conceitos: Persistent memory, entity recognition, multi-user systems, relationship building

🔗 06-MCP-A2A

Model Context Protocol Agent-to-Agent

Comunicação padronizada entre agentes:

CrewAI MCP Agent:

• Integração com Context7 para análise de documentação
• Servidor FastMCP para exposição de serviços
• Interface Streamlit para interação

LangChain MCP Agent:

• LangGraph workflow com visualização avançada
• Monitoramento step-by-step de execução
• Comandos de debug interativos
• Múltiplos servidores MCP

Conceitos: Protocol standardization, agent orchestration, tool integration, workflow visualization

🏆 Projeto Final: Sistema Multi-Agente de Suporte

Para o encerramento do aprendizado, o workshop inclui um projeto final prático que aplicando os processos e boas praticas passados no decorrer das sessões. Fizemos a construção de um Sistema de Suporte ao Cliente Multi-Agente utilizando LangGraph e para observabilidade LangSmith

O que o projeto final aborda:

• Arquitetura Multi-Agente: Implementação de agentes especializados (Técnico, Financeiro, Geral) coordenados por um agente central.
• Roteamento Inteligente: O sistema categoriza a consulta do usuário e a direciona para o agente mais adequado.
• Estado Compartilhado: Demonstra como a informação flui de maneira consistente através do workflow.
• Observabilidade: Integração com LangSmith para rastrear e visualizar a execução completa do fluxo, facilitando o debug e a análise de performance.

Este projeto consolida os conceitos de especialização, colaboração e orquestração de agentes em uma aplicação do mundo real.

🔗 Acesse o Projeto Final

🚀 Quick Start

1. Configuração Inicial

# Clonar repositório
git clone <repo-url>
cd workshop-ai-agent

# Instalar dependências globais
pip install -r requirements.txt

# Configurar Ollama (local, gratuito)
ollama serve
ollama pull mistral:latest
ollama pull mxbai-embed-large:latest

2. Configurar APIs (Opcional)

# Para módulos que usam OpenAI
export OPENAI_API_KEY="sua-chave-aqui"

# Para o projeto final que usa Langsmith
export LANGSMITH_TRACING=true
export LANGSMITH_ENDPOINT="https://api.smith.langchain.com"
export LANGSMITH_API_KEY="sua-chave-aqui"
export LANGSMITH_PROJECT="seu-projeto-aqui"

# Para Context7 MCP (Node.js necessário)
npm install -g @upstash/context7-mcp

3. Executar Exemplos

# Frameworks - Agente LangGraph visual
cd 02-frameworks
python langchain_langgraph_starter.py

# Prompt Engineering - Aplicação de análise de CV
cd 03-prompt-engineering  
streamlit run app.py

# RAG - Sistema completo
cd 04-RAG
python RAG_simples.py

# Memory - Interface web multi-usuário
cd 05-memory
python langchain_memory_example.py

# MCP - Comunicação entre agentes
cd 06-MCP-A2A
python crewai_mcp_agent.py  # Terminal 1
streamlit run app.py        # Terminal 2

🛠️ Tecnologias Utilizadas

AI Frameworks

• LangChain/LangGraph/LangSmith: Orquestração, Observabilidade e workflows visuais
• CrewAI: Sistemas multi-agente estruturados
• AutoGen: Colaboração conversacional entre agentes
• Agno: Especialização em análise de dados

LLMs e Embeddings

• Ollama: Modelos locais (Mistral, mxbai-embed-large)
• OpenAI: GPT-4 para casos específicos
• Local-first: Prioridade para soluções offline

Storage e Memória

• ChromaDB: Vector database para embeddings
• FAISS: Vector search eficiente
• SQLite: Persistência relacional
• File System: Documentos e configurações

Interfaces

• Streamlit: Aplicações web rápidas
• Gradio: Interfaces ML intuitivas
• CLI: Linha de comando interativa

📊 Progressão de Aprendizado

Básico          Intermediário        Avançado           Expert
│               │                    │                  │
├─ Frameworks   ├─ Prompt Eng.      ├─ RAG             ├─ MCP A2A
│  Single Agent │  Optimization      │  Vector Search   │  Protocol
│  Collaboration│  Techniques        │  Context Mgmt    │  Communication
│               │                    │                  │
└─ Foundation   └─ Enhancement       └─ Knowledge       └─ Integration

🎯 Casos de Uso Práticos

Empresarial

• Customer Support: Agentes com memória de histórico
• HR/Recrutamento: Análise automatizada de currículos
• Knowledge Management: RAG para base de conhecimento
• Process Automation: Workflows com múltiplos agentes

Desenvolvimento

• Code Assistant: Análise de documentação técnica
• Testing: Agentes para QA automatizado
• DevOps: Automação de deployment com contexto
• Monitoring: Agentes de observabilidade

Pesquisa e Educação

• Research Assistant: RAG para papers científicos
• Content Creation: Geração com múltiplas perspectivas
• Language Learning: Tutores adaptativos com memória
• Data Analysis: Insights automatizados

🔄 Integrações entre Módulos

Os módulos são projetados para trabalhar em conjunto:

• Frameworks como base para Memory e MCP
• Prompt Engineering otimiza todos os outros módulos
• RAG serve como knowledge base para Memory
• MCP permite comunicação entre agentes de diferentes Frameworks

🤝 Contribuição

Contribuições são bem-vindas! Áreas de interesse:

• Novos frameworks de agentes
• Técnicas avançadas de prompt engineering
• Otimizações de RAG e retrieval
• Sistemas de memória mais sofisticados
• Protocolos de comunicação entre agentes
• Exemplos de casos de uso reais

📞 Suporte e Comunidade

• 🎓 Workshop Oficial: Acesso completo com mentoria
• 🌐 Jornada de Dados: Plataforma completa de aprendizado
• 📧 Issues: Para bugs e dúvidas técnicas neste repositório
• 💬 Discussions: Para ideias e casos de uso
• 📚 Wiki: Documentação adicional e tutoriais

---

🚀 Comece sua jornada no desenvolvimento de agentes de IA inteligentes!