Conteúdo do curso Lição 172 de 250 · Construindo Agentes (Uso de Ferramentas e ReAct)
Construindo Agentes (Uso de Ferramentas e ReAct)

O laço ReAct sobre ferramentas simuladas

Tire o marketing e um "agente de IA" é um laço. O modelo não executa ações magicamente; o seu código faz. O padrão é ReAct: Reason sobre o que fazer, execute um Action chamando uma ferramenta, Observe o resultado, depois faça um laço até a tarefa terminar. O modelo apenas produz texto; o laço ao redor dele transforma esse texto em chamadas de ferramentas reais e alimenta os resultados de volta.

O passo de raciocínio é o LLM, e ele é não-determinístico, então não podemos fazer unit-test nele. Mas tudo ao redor is é determinístico e é exatamente o que quebra em produção: o dispatch, o handling da observação, a condição de parada. Então nós testamos o loop com o trabalho do modelo substituído por um scripted plan - uma lista fixa de (tool, args)actions. É assim que você realmente faz o unit-test de um agente: fixe o plano, valide o trace.

Você vai construir run_agent(plan, tools, max_steps). plan é uma lista de passos como ("lookup", {"country": "France"}). tools é um dicionário mapeando um nome de ferramenta para uma função Python que recebe o dicionário de args e retorna uma observação. Para cada passo você chama a ferramenta correspondente e anexa um triplo (tool, args, observation) a um trace - o log de auditoria do que o agente fez.

def run_agent(plan, tools, max_steps=10):
    trace = []
    for action, args in plan:
        if len(trace) >= max_steps:
            break
        if action == "finish":
            break
        observation = tools[action](args)
        trace.append((action, args, observation))
    return trace

As regras:

  • Para cada passo, chame tools[action](args) e registre (action, args, observation) em ordem.
  • A "finish" encerra o laço imediatamente e não é not registrado no trace (é um sinal, não uma chamada de ferramenta).
  • Pare assim que o trace já tiver max_steps entradas, mesmo que o plano tenha mais steps - esse guard evita um agente descontrolado.
  • Se um step não tiver args, trate como um dict vazio.

Em um app real, a LLM emitiria cada próxima ação como JSON e o mesmo loop a executaria, então você poderia trocar o plano roteirizado pela saída do modelo em tempo real sem mexer no loop. O tutor no dispositivo pode conduzir esse mesmo loop ao vivo, mas a correção sempre olha apenas para o traço determinístico. Pressione Run para ver um plano de dois passos executar: procure uma capital, depois faça um cálculo, depois termine.

O que você acabou de construir tem um nome na indústria. Esse laço observe-pense-aja é o núcleo de cada framework de agente: LangGraph e bibliotecas similares te dão esse laço como um grafo de nós, APIs de agentes hospedados o executam no lado do provedor, e um cliente MCP é realmente apenas esse laço conectado a ferramentas que ele descobre através de um protocolo. Eles adicionam streaming, retentativas, persistência e rastreamento, mas o motor é exatamente o laço que você escreveu. Construí-lo do zero uma vez é o que torna esses frameworks legíveis em vez de mágica: você saberá precisamente qual parte cada um está automatizando.

Sua vez

Escreva run_agent(plan, tools, max_steps=10) que executa um plano roteirizado de (tool, args) passos contra um registro de ferramentas fictício. Para cada passo, chame tools[action](args) e anexe (action, args, observation) a uma lista de rastreio. Uma ação "finish" para o laço e não é registrada; pare assim que o rastreio contiver max_steps entradas. Retorne o rastreio.

Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição

Este exercício abre em breve

Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.