Conteúdo do curso Lição 231 de 250 · Projeto: Agente de Pesquisa que Usa Ferramentas
Projeto: Agente de Pesquisa que Usa Ferramentas

Conecte o laço ReAct do Agent

Agora o coração do projeto: o laço ReAct (Raciocínio -> Ação -> Observação), o laço de controle por trás de praticamente cada framework de agente. O modelo não responde de uma vez. Ele pensa um passo, escolhe uma ferramenta, executa, lê o resultado, e só então decide o que fazer a seguir. Seu trabalho é escrever esse laço em Python puro sobre ferramentas mock, para que você entenda a mecânica em vez de tratar o LangChain como uma caixa preta.

Em um deploy real, o passo "reason" é uma chamada de LLM. Aqui substituímos o modelo por uma pequena policy determinística para que tudo seja testável offline (sem rede, sem API). A policy olha para a tarefa e para as observações coletadas até agora, e retorna a próxima ação. Essa separação é a lição real: o loop é genérico; apenas a policy é inteligente.

A tarefa

A é uma pequena especificação que a política lê:

task = {"need": ["team size", "office floors"], "op": "*"}
# "look up these facts, then combine them with this operator"

Você vai construir run_agent(task, tools, max_steps=8). Ele retorna um trace: uma lista ordenada de (thought, tool, args, observation) tuplas, uma por passo. Esse trace é todo o histórico de raciocínio do agente, e é exatamente o que você registra, reproduz e (nas próximas lições) avalia.

O raciocínio que o loop codifica, cada iteração:

  • Se qualquer fato necessário ainda for desconhecido, a próxima ação é search para o primeiro que falta. Registre a observação e lembre do fato.
  • Assim que todos os fatos forem reunidos e a tarefa tiver um op, a próxima ação é calc combinar os dois fatos. Lembre-se do resultado.
  • Quando não houver mais nada para fazer, emita uma ação final finish cuja observação seja a resposta, e pare.
def run_agent(task, tools, max_steps=8):
    trace, facts = [], {}
    for _ in range(max_steps):
        missing = [k for k in task["need"] if k not in facts]
        if missing:
            key = missing[0]
            obs = tools["search"]({"query": key})   # ACT + OBSERVE
            facts[key] = obs
            trace.append(("need " + key, "search", {"query": key}, obs))
            continue
        ...   # compute if there is an op, else finish

O tools dict é o seu registro da lição 1 em espírito: search(args) resolve um fato, calc(args) aplica op a a e b. A resposta selada é o calcresultado quando há um op, ou o fato único consultado quando não há. O avaliador checa a (tool, args, observation)sequência de passos e a resposta final, então o laço tem que rotear corretamente, não adivinhar. Ele também executa uma segunda, diferente tarefa, então um trace fixo não pode passar. Pressione Run para ver uma tarefa de dois fatos raciocinar até uma resposta.

Sua vez

Escreva make_tools() retornando um dicionário com search(args) (resolva args["query"] contra a tabela FACTS fornecida no início; "not found" se ausente) e calc(args) (aplique args["op"] sobre args["a"], args["b"] para + - * /). Depois escreva run_agent(task, tools, max_steps=8) implementando o laço reason-act-observe: procure cada chave ainda ausente em task["need"] (primeiro ausente primeiro), depois calc se task["op"] estiver definido, depois um passo final finish escrito como (thought, "finish", {"answer": answer}, answer). Retorne a lista ordenada de tuplas (thought, tool, args, observation); a resposta final é o resultado calc, ou o fato único quando não há op.

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.