Arquitetura de Agentes LLM para Iniciantes
LangChain
CrewAI
Dify
LlamaIndex
Meta
LM Studio
O artigo, baseado em uma palestra em um encontro interno, explica como um servidor LLM bruto evolui para um sistema de agente completo. Aborda componentes principais: armazenamento de contexto de chat, busca na internet, RAG (geração aumentada por recuperação) para dados locais, ferramentas, prompts de sistema, orquestração e o protocolo MCP (Model Context Protocol).
O artigo usa a metáfora de um peixe chamado Dory para descrever um servidor LLM puro, que carece de memória de curto prazo e da capacidade de agir. Para torná-lo útil, várias camadas são adicionadas: armazenamento de contexto de chat para o histórico da conversa; busca na internet para fundamentar as respostas em dados atuais; recuperação local via RAG para incorporar conhecimento privado; ferramentas que permitem ao modelo solicitar ações, executadas pelo sistema externo; prompts de sistema para um comportamento consistente; e orquestração com um ciclo de planejar-fazer-verificar para autonomia. O protocolo MCP padroniza as interfaces de ferramentas, e o autor observa que, embora os modelos estejam se tornando mais capazes, eles permanecem simples em sua essência. O artigo conclui listando frameworks e ferramentas como LangChain, CrewAI, Dify, LlamaIndex e outros que se baseiam nesses princípios.
Fonte: Habr — хаб ML —
original