Estruturas de agentes de IA: como escolher a base certa para o seu negócio

Agentes de IA são programas que podem realizar de forma autônoma uma tarefa em nome de um usuário. Esses sistemas de IA primeiro elaboram um plano com uma série de etapas para realizar uma tarefa complexa.

Em seguida, utilizam a chamada de função para se conectarem a ferramentas externas, como interfaces de programação de aplicativos (APIs), fontes de dados, pesquisas na web e até mesmo outros agentes de IA que podem ajudar a preencher todas as lacunas dos seus conhecimentos.

Após executar seu plano de ação, os agentes autônomos aprendem com feedback e armazenam informações aprendidas na memória para melhorar o desempenho no futuro.

As organizações podem construir agentes de IA do zero com linguagens de programação como Python ou JavaScript. No entanto, uma abordagem mais rápida e escalável envolve o uso de frameworks de agentes de IA.

Os frameworks agênticos são os blocos básicos para desenvolver, implementar e gerenciar agentes de IA. Essas plataformas de software contam com recursos e funções integradas que ajudam a simplificar e acelerar o processo, incluindo:

• Uma arquitetura predefinida que descreve a estrutura, as características e os recursos da IA agêntica.

• Protocolos de comunicação que facilitam a interação entre agentes de IA e usuários humanos ou outros agentes.

• Sistemas de gerenciamento de tarefas para coordenar tarefas.

• Ferramentas de integração para chamadas de função.

• Ferramentas de monitoramento para monitorar o desempenho da IA agêntica.

Antes de mergulhar no mundo dos agentes de IA, pense nos objetivos e nos casos de uso da sua organização. O framework ideal alcança um equilíbrio entre seus recursos técnicos, seus requisitos de curto prazo e seus objetivos de longo prazo.

Veja a seguir alguns aspectos a serem considerados na escolha de uma framework de agente de IA

• Complexidade

• Privacidade e segurança de dados

• Facilidade de uso

• Integração sem dificuldades

• Desempenho e escalabilidade

Identifique as tarefas que você deseja que um agente de IA execute e a complexidade dessas tarefas. Determine se você precisa de uma implementação simples com apenas um agente ou um ecossistema multiagente.

Para ambientes com vários agentes, mapeie as interações dos agentes necessárias e onde a intervenção humana ainda é necessária.

No domínio do suporte ao cliente, por exemplo, um único agente de IA pode ajudar a classificar a gravidade dos problemas que chegam. No entanto, se você procura um fluxo de trabalho mais robusto, considere a possibilidade de criar um sistema multiagente com diferentes agentes para solucionar problemas, sugerir correções e atribuir casos complicados a outros agentes de IA ou humanos.

A privacidade de dados e a segurança devem ser prioridades na escolha de um framework. Verifique as políticas e medidas de segurança do framework da sua escolha, incluindo criptografia para dados em repouso e em trânsito, controles de acesso e remoção de qualquer informação confidencial.

Considere o nível de qualificação da sua equipe de desenvolvimento. Uma estrutura de IA amigável para iniciantes, como o CrewAI, por exemplo, tem uma interface no-code para prototipagem rápida e modelos de agentes de IA prontos para implementação rápida.

Os desenvolvedores de IA mais experientes podem optar por frameworks de agente avançados, como o LangGraph, que oferecem controle de baixo nível e opções de código personalizáveis.

Avalie frameworks de IA agêntica com base em sua compatibilidade com sua stack existente. Verifique a qualidade da integração da sua opção de framework às suas fontes de dados, infraestrutura e ferramentas atuais.

Descubra como a IA agêntica será implementada no seu ambiente, seja no local ou na nuvem, e se será necessário uma implementação em pequena ou grande escala.

Avalie o desempenho do framework de agente de IA escolhido. Pense no tempo de resposta ou na latência das aplicações em tempo real e avalie se o desempenho se degrada durante o processamento de grandes volumes de dados ou várias solicitações simultâneas. Embora o foco possa estar no curto prazo, pense em como o framework escala à medida que sua empresa cresce.

A IA agêntica ainda está em seus estágios iniciais. À medida que a tecnologia por trás dos agentes de IA evolui, também evoluem os frameworks subjacentes. Veja a seguir algumas das frameworks atuais populares de agentes de IA:

O AutoGen é um framework de código aberto da Microsoft para criação de aplicações de IA com vários agentes para a execução de tarefas complexas. Sua arquitetura consiste em três camadas:

• Core é uma framework de programação para desenvolver uma rede escalável e distribuída de agentes, com ferramentas para rastrear e depurar fluxo de trabalho de agentes. Emprega mensagens assíncronas, suportando interações de agente por solicitação-resposta e por eventos.

• O AgentChat é desenvolvido sobre o Core e pode ser utilizado para criar assistentes de IA conversacionais. É o ponto de partida proposto para iniciantes, oferecendo agentes únicos padrão e equipes multiagentes com comportamentos predefinidos e padrões de interação.

• Extensões é um pacote que contém implementações dos componentes Core e AgentChat para expandir ainda mais seus recursos e se comunicar com bibliotecas externas e outros serviços. Você pode utilizar as extensões integradas e as desenvolvidas pela comunidade AutoGen ou até mesmo criar suas próprias extensões.

O AutoGen também disponibiliza duas ferramentas úteis para o desenvolvedor: o AutoGen Bench para avaliar e comparar o desempenho da IA agêntica e o AutoGen Studio para uma interface no-code para desenvolver agentes. O AutoGen está disponível para acesso no GitHub.

O CrewAI é um framework de orquestração para soluções de IA multiagentes. Como o AutoGen, o CrewAI é de código aberto.

A arquitetura baseada em funções da CrewAI trata a IA agêntica como uma “equipe” de “trabalhadores”. Veja a seguir os componentes principais de uma equipe:

• Os agentes recebem funções especializadas enquanto ainda colaboram em fluxos de trabalho complexos. Os desenvolvedores podem utilizar linguagem natural para delinear a função, o objetivo e a história de fundo de um agente.

• As tarefas definem as responsabilidades específicas de cada agente. Os desenvolvedores também podem utilizar linguagem natural para descrever a tarefa e a produção esperada para cada agente.

• Um processo identifica como os agentes trabalham juntos e como as tarefas são executadas. Pode ser sequencial, com tarefas concluídas de acordo com uma ordem predefinida, ou hierárquica, com um agente gerenciador personalizado supervisionando a delegação, a execução e a conclusão de tarefas.

Um dos exemplos da coleção da CrewAI inclui uma equipe de análise do mercado de ações. Essa equipe colabora de maneira sequencial, com um agente analista de mercado encarregado de analisar dados para uma ação específica, um agente pesquisador encarregado de reunir informações de apoio que validam a análise de dados e um agente de estratégia encarregado de criar uma ação passo a passo plano com base na análise e dados de suporte.

O CrewAI oferece suporte a conexões com vários grandes modelos de linguagem (LLMs), incluindo Claude da Anthropic, Gemini do Google, modelos de IA da Mistral, modelos GPT da OpenAI e os modelos básicos do IBM watsonx.ai.

O framework também conta com um conjunto de ferramentas de geração aumentada de recuperação (RAG) para pesquisar diversas fontes de dados.

O CrewAI está disponível para acesso no GitHub.

LangChain é outra estrutura de código aberto para a criação de aplicações com tecnologia LLM, incluindo chatbots como o ChatGPT e agentes de IA.

Emprega uma arquitetura modular, com cada módulo representando abstrações que encapsulam os conceitos complexos e as etapas necessárias para trabalhar com LLMs.

Esses componentes modulares podem então ser encadeados para criar aplicações de IA.

O LangChain é útil para desenvolver agentes de IA simples com fluxos de trabalho simples. Oferece suporte para bancos de dados vetoriais e utilitários para incorporar memória em aplicações, mantendo o histórico e o contexto.

Sua plataforma LangSmith permite depuração, testes e monitoramento de desempenho.

O LangChain está disponível para acesso no GitHub.

O LangGraph vive dentro do ecossistema LangChain. O framework se destaca na orquestração de fluxos de trabalho complexos para sistemas multiagentes.

Ele aplica uma arquitetura de gráficos em que as tarefas ou ações específicas dos agentes de IA são retratadas como nós, enquanto as transições entre essas ações são representadas como edges.

Um componente de estado mantém a lista de tarefas em todas as interações. Esse tipo de arquitetura é adequado para fluxos de trabalho cíclicos, condicionais ou não lineares.

Por exemplo, uma companhia aérea pode querer criar um agente de IA assistente de viagem que ajude os usuários a encontrar e reservar voos. Usando o LangGraph, cada uma dessas ações será representada como nós e esses nós podem ter vários agentes realizando tarefas específicas.

Uma etapa de interação humana pode ser adicionada para os usuários poderem escolher um voo na lista de pesquisa e, se nada atender às suas preferências, o agente assistente de viagens pode facilmente retornar ao nó "encontrar voos" e refazer a pesquisa.

O LangGraph está disponível para acesso no GitHub.

LlamaIndex é um framework de orquestração de dados de código aberto para criar soluções de IA generativa  e IA agêntica. Oferece agentes e ferramentas predefinidos e, recentemente, introduziu fluxos de trabalho, um mecanismo para o desenvolvimento de sistemas multiagentes.

Estes são os principais elementos que compõem um fluxo de trabalho no LlamaIndex:

• As etapas são as ações específicas de um agente. Esses são os componentes básicos de um fluxo de trabalho.

• Os eventos acionam etapas e são o meio pelo qual as etapas se comunicam.

• O contexto é compartilhado em todo o fluxo de trabalho para as etapas poderem armazenar, recuperar e transmitir dados e manter o estado durante toda a execução.

Essa arquitetura baseada em eventos permite que as etapas do fluxo de trabalho sejam realizadas de forma assíncrona. Isso significa que, ao contrário da arquitetura de gráficos, os caminhos entre as etapas não precisam ser definidos, resultando em transições mais flexíveis entre as ações dos agentes.

Dessa forma, os fluxos de trabalho do LlamaIndex são adequados para aplicações de agentes de IA mais dinâmicas que precisam voltar frequentemente às etapas anteriores ou ramificar-se em várias etapas.

O LlamaIndex está disponível para acesso no GitHub.

O Semantic Kernel é um kit de desenvolvimento de código aberto da Microsoft para a criação de aplicações de IA generativa de nível empresarial. Sua framework de agente, atualmente marcada como experimental, apresenta abstrações essenciais para a criação de agentes.

Conta com duas implementações de agente integradas: um agente de conclusão de chat e um agente assistente mais avançado.

Vários agentes podem ser orquestrados por meio de chats em grupo ou com o framework da Semantic Kernel (também marcado como experimental) para fluxo de trabalho mais complexo.

Um processo consiste em etapas que representam as tarefas atribuídas aos agentes de IA e descrevem como os dados fluem entre as etapas.

O Semantic Kernel está disponível para acesso no GitHub.

Para uma tomada de decisão mais embasada, considere a possibilidade de experimentar suas framework preferidas. Comece pequeno, com uma implementação simples de agente único para testar como cada estrutura opera e como ela se compara às outras.

O framework agêntico adequado atende às necessidades da sua empresa e pode ajudar a criar agentes de IA que automatizem fluxos de trabalho, levando a processos de negócios mais eficientes.