Disponibilidade de Material de Apoio

Esta cópia do catálogo contém as orientações inline abaixo, mas não inclui os seguintes caminhos de suporte. Eles são pré-requisitos externos, não arquivos incluídos:

• <support-root>/references/agents.md
• <support-root>/references/memory.md
• <support-root>/references/chains.md
• <support-root>/references/document-processing.md
• <support-root>/references/callbacks.md
• <support-root>/assets/agent-template.py
• <support-root>/assets/memory-config.yaml
• <support-root>/assets/chain-example.py

Solicite o material de apoio original ou uma instalação existente antes de usar uma etapa que dependa desses caminhos; este catálogo não identifica uma fonte de download verificada para eles. Resolva cada caminho em relação a essa instalação, inspecione seu conteúdo e verifique quaisquer licenças e pré-requisitos de execução aplicáveis. Não execute um comando nem afirme que um procedimento referenciado foi seguido até que seu arquivo necessário exista. Não fabrique os scripts ausentes nem trate um arquivo não relacionado com o mesmo nome como equivalente. Etapas independentes totalmente documentadas aqui podem prosseguir dentro do escopo autorizado do usuário; relate qualquer etapa dependente como indisponível.

Arquitetura LangChain

Domine o framework LangChain para construir aplicações LLM sofisticadas com agentes, cadeias, memória e integração de ferramentas.

Não use esta habilidade quando

• A tarefa não estiver relacionada à arquitetura langchain
• Você precisar de um domínio ou ferramenta diferente fora deste escopo

Instruções

• Clarifique objetivos, restrições e entradas necessárias.
• Aplique as melhores práticas relevantes e valide os resultados.
• Forneça etapas acionáveis e verificação.

Use esta habilidade quando

• Construindo agentes de IA autônomos com acesso a ferramentas
• Implementando fluxos de trabalho LLM complexos de várias etapas
• Gerenciando memória e estado de conversação
• Integrando LLMs com fontes de dados e APIs externas
• Criando componentes de aplicação LLM modulares e reutilizáveis
• Implementando pipelines de processamento de documentos
• Construindo aplicações LLM de nível de produção

Conceitos Principais

1. Agentes

Sistemas autônomos que usam LLMs para decidir quais ações tomar.

Tipos de Agentes:

• ReAct: Raciocínio + Ação de forma intercalada
• OpenAI Functions: Utiliza a API de chamada de função
• Structured Chat: Lida com ferramentas de múltiplas entradas
• Conversational: Otimizado para interfaces de chat
• Self-Ask with Search: Decompõe consultas complexas

2. Cadeias (Chains)

Sequências de chamadas para LLMs ou outras utilidades.

Tipos de Cadeias:

• LLMChain: Combinação básica de prompt + LLM
• SequentialChain: Múltiplas cadeias em sequência
• RouterChain: Roteia entradas para cadeias especializadas
• TransformChain: Transformações de dados entre etapas
• MapReduceChain: Processamento paralelo com agregação

3. Memória

Sistemas para manter o contexto entre as interações.

Tipos de Memória:

• ConversationBufferMemory: Armazena todas as mensagens
• ConversationSummaryMemory: Resume mensagens mais antigas
• ConversationBufferWindowMemory: Mantém as últimas N mensagens
• EntityMemory: Rastreia informações sobre entidades
• VectorStoreMemory: Recuperação por similaridade semântica

4. Processamento de Documentos

Carregamento, transformação e armazenamento de documentos para recuperação.

Componentes:

• Document Loaders: Carrega de várias fontes
• Text Splitters: Divide documentos em pedaços de forma inteligente
• Vector Stores: Armazena e recupera embeddings
• Retrievers: Busca documentos relevantes
• Indexes: Organiza documentos para acesso eficiente

5. Callbacks

Ganchos para log, monitoramento e depuração.

Casos de Uso:

• Log de requisição/resposta
• Rastreamento de uso de tokens
• Monitoramento de latência
• Tratamento de erros
• Coleta de métricas personalizadas

Início Rápido

from langchain.agents import AgentType, initialize_agent, load_tools
from langchain.llms import OpenAI
from langchain.memory import ConversationBufferMemory

# Initialize LLM
llm = OpenAI(temperature=0)

# Load tools
tools = load_tools(["serpapi", "llm-math"], llm=llm)

# Add memory
memory = ConversationBufferMemory(memory_key="chat_history")

# Create agent
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,
    memory=memory,
    verbose=True
)

# Run agent
result = agent.run("What's the weather in SF? Then calculate 25 * 4")

Padrões de Arquitetura

Padrão 1: RAG com LangChain

from langchain.chains import RetrievalQA
from langchain.document_loaders import TextLoader

…