Thought → Action → Observation
Especialistas colaborando em grafo
Aprovações de segurança para ações críticas
Integração padronizada com ferramentas
1. O Ciclo ReAct (Reasoning + Acting)
Diferente de um chatbot que apenas gera texto em um único passo, um Agente Autônomo opera em um loop contínuo de tomada de decisão. Ele analisa o estado atual, elabora um plano de ação, executa chamadas de ferramentas e observa o retorno até alcançar a condição de parada.
O modelo avalia a meta e raciocina sobre qual é o próximo passo lógico.
Emissão de chamada de ferramenta (ex: consultar banco, buscar na web, rodar código).
O runtime executa a ferramenta e devolve a resposta estruturada para o modelo.
Se o resultado for suficiente, entrega a resposta final; caso contrário, reitera o loop.
2. Simulador Interativo do Loop de Execução Agêntica
Experimente em tempo real como o agente recebe uma missão complexa, quebra em passos lógicos, invoca ferramentas simuladas e entrega a solução final com auto-correção:
3. LangGraph vs CrewAI: Qual Escolher?
| Critério | LangGraph (LangChain) | CrewAI |
|---|---|---|
| Modelo Mental | Grafo Direcionado Cíclico com Estados Estritos (State Machines). | Equipes baseadas em Personas e Papéis (Role-Playing Agents). |
| Controle de Fluxo | Granularidade máxima sobre cada nó, aresta e transição de estado. | Processos pré-definidos (Sequencial ou Hierárquico com Líder de Equipe). |
| Persistência de Estado | Checkpointers nativos (PostgreSQL, SQLite, Redis) com suporte a rollback. | Memória embutida baseada em embeddings e logs de tarefas. |
| Melhor Aplicação | Workflows corporativos determinísticos com ciclos complexos e aprovações. | Prototipagem rápida de pesquisa, criação de conteúdo e pipelines de tarefas. |
Exemplo de Grafo de Agente com LangGraph em Python:
from typing import Annotated, TypedDict
from langgraph.graph import StateGraph, END
from langgraph.prebuilt import ToolNode
# 1. Definir o Estado Compartilhado do Grafo
class AgentState(TypedDict):
messages: list
task_completed: bool
# 2. Definir os Nós de Decisão
def agent_node(state: AgentState):
# LLM avalia se deve invocar ferramenta ou encerrar
response = model_with_tools.invoke(state["messages"])
return {"messages": [response]}
def should_continue(state: AgentState):
last_message = state["messages"][-1]
if last_message.tool_calls:
return "tools"
return END
# 3. Compilar o Grafo com Checkpointer de Memória
workflow = StateGraph(AgentState)
workflow.add_node("agent", agent_node)
workflow.add_node("tools", ToolNode(tools=[web_search, execute_sql]))
workflow.set_entry_point("agent")
workflow.add_conditional_edges("agent", should_continue)
workflow.add_edge("tools", "agent")
app = workflow.compile()4. Arquiteturas de Memória: Curto Prazo, Longo Prazo e Episódica
Um agente autônomo sem memória é incapaz de evoluir ou lembrar de preferências de execuções anteriores. Os sistemas de ponta dividem a memória em 3 camadas:
Histórico imediato de mensagens no contexto do chat, gerenciado por sliding window e sumarização automática.
Extração de fatos e preferências do usuário armazenados em banco vetorial (ex: Mem0, Zep ou pgvector).
Registro de sucessos e falhas em tarefas passadas, permitindo que o agente aprenda heurísticas e evite erros repetidos.
5. Human-in-the-Loop & Breakpoints de Aprovação
Agentes autônomos nunca devem executar ações destrutivas (deletar tabelas, transferir fundos, disparar e-mails para milhares de clientes) sem confirmação humana explícita.
Padrão de Breakpoint com LangGraph Interrupt:
from langgraph.errors import NodeInterrupt
def transfer_funds_node(state: AgentState):
amount = state["transaction_amount"]
account = state["target_account"]
# Se o valor for superior a R$ 1.000, exige autorização humana
if amount > 1000 and not state.get("human_approved"):
raise NodeInterrupt(f"Atenção: Transferência de R$ {amount} para {account} aguarda aprovação do gestor.")
return {"status": "success", "tx_id": execute_bank_transfer(account, amount)}O estado do agente é salvo no banco de dados e a execução é pausada. Quando o usuário clica em "Aprovar" no dashboard, o fluxo retoma exatamente de onde parou.
6. IntentKit & Ecossistema de Agentes com On-Chain Actions
Frameworks especializados como o IntentKit AI combinam a orquestração do LangGraph com capacidades nativas para redes sociais (Telegram, Twitter/X) e integrações on-chain (EVM blockchains / carteiras digitais):