Módulo 10, Agentes
Até o Módulo 9, usamos o LLM como alguém que responde. Este módulo dá a ele a capacidade de agir. Um agente é um LLM colocado dentro de um ciclo, capaz de usar ferramentas, observar resultados e continuar, até concluir uma tarefa. É o que transforma um modelo que conversa em um sistema que resolve problemas de várias etapas, como calcular, buscar no material e encadear passos.
A trilha constrói o agente peça por peça. Começamos pelo agent loop, o ciclo de perceber, decidir, agir e observar. Depois damos ao LLM o comando, com o tool calling. Em seguida, o planejamento de várias etapas, a memória sobre o aluno, e a orquestração em grafo com LangGraph. Cada aula implementa a peça do zero, com Python puro, e mostra a ferramenta de verdade como opção. No fim, tudo se junta no projeto, um agente tutor que usa ferramentas e lembra do aluno.
As cinco aulas
| Aula | Tema | O que você faz na prática |
|---|---|---|
| 1 | Agent loop | Constrói um agente que escolhe entre ferramentas |
| 2 | Tool calling | Faz o LLM pedir ferramentas em JSON e despacha |
| 3 | Planning | Resolve problemas de várias etapas encadeadas |
| 4 | Memory | Dá memória de curto e de longo prazo ao agente |
| 5 | Orquestração com LangGraph | Modela o agente como grafo de estados |
As quatro primeiras aulas constroem as capacidades do agente, e a quinta as orquestra e abriga o projeto do agente tutor.
O que você leva deste módulo
Ao terminar, você sabe construir um agente que usa ferramentas, planeja em etapas e mantém memória, entende o agent loop e o tool calling por dentro, e tem um agente tutor funcional no portfólio. Esse conhecimento é a base direta do Módulo 11, em que vários agentes passam a cooperar, e do projeto final da trilha.
Projeto do módulo
O projeto integrador está na pasta projects/m10-tutor-agent/, um agente tutor que usa uma calculadora segura e uma busca no material, decide qual ferramenta usar, planeja problemas de várias etapas e lembra de informações do aluno para personalizar. Ele roda do zero, sem dependências, e tem testes.
Pré-requisitos
Os Módulos 7 (LLMs), 8 (prompting e saída estruturada) e 9 (RAG) são a base direta. Os exemplos principais e o projeto rodam só com a biblioteca padrão do Python. As versões com o LLM como controlador e com o LangGraph usam o Ollama e bibliotecas, conforme o docs/setup.md, e degradam de forma graciosa quando ausentes.
Material de apoio
- Notebooks executáveis em notebooks/modulo-10/, um para cada aula.
- Projeto completo em projects/m10-tutor-agent/.
- Referências de cada aula reunidas em references/referencias.bib.