Frameworks de Agentes e Orquestração

O Que é um Agente LLM

Um agente é um LLM que:

1. Recebe um objetivo
2. Decide quais ferramentas (tools) usar
3. Executa ações (código, buscas, APIs)
4. Observa os resultados
5. Continua até completar o objetivo

*omponentes:*LLM + Tools + Memory + Planning + Action

LangChain / LangGraph

• *RL:*langchain.com
• *ersão atual:*0.3.x (LangChain) + LangGraph 0.2.x
• *inguagem:*Python, JavaScript

LangChain

• Chains de LLM + prompts + ferramentas
• Integração com 100+ fontes de dados e APIs
• *rítica:*Over-engineered; muito boilerplate; abstrações vazam
• *uando usar:*Prototipagem rápida; integrações prontas

LangGraph

• Grafos de estado para agentes multi-step
• Controle explícito do fluxo (não magic chains)
• *elhor que LangChain*para agentes complexos
• *xemplo:*SWEagent loop, multiagent debate

LlamaIndex

• *RL:*llamaindex.ai
• *oco:*RAG (Retrieval-Augmented Generation) e indexação de documentos
• *eatures:*Ingestion pipelines, query engines, sub-question decomposition, agentic RAG
• *uando usar:*Aplicações baseadas em documentos; knowledge bases; enterprise search

AutoGen (Microsoft)

• *RL:*github.commicrosoftautogen
• *aradigma:*Multi-agent conversation; agentes se conversam entre si
• *eatures:*AgentChat API; ferramentas, handoff, code execution
• *utoGen Studio:*UI visual para montar fluxos
• *uando usar:*Debates entre agentes; pipelines de revisão; multi-role workflows

CrewAI

• *RL:*github.comcrewAIInccrewAI
• *aradigma:*"Crew" de agentes com papéis definidos (Researcher, Writer, Coder...)
• *bstração:*Agent + Task + Crew → orquestração automática
• *uando usar:*Fluxos colaborativos bem definidos; automação de workflows

DSPy (Stanford)

• *RL:*github.comstanfordnlpdspy
• *rXiv:*2310.03714
• *aradigma:*Programação declarativa de pipelines LLM
• *iferencial:**ompila*(otimiza) os prompts automaticamente usando exemplos
• *ódulos:*dspy.ChainOfThought, dspy.ReAct, dspy.Predict
• *uando usar:*Quando prompts precisam ser otimizados sistematicamente; pipelines complexos com múltiplos LLMs

Pydantic AI (Pydantic)

• *RL:*github.compydanticpydantic-ai
• *oco:*Type-safe, structured outputs com Pydantic
• *odelo de agente:*Function-based; decorators @agent.tool
• *ntegração:*OpenAI, Anthropic, Gemini, Groq, Mistral
• *uando usar:*Agentes com outputs estruturados; código Go-style (explícito, tipado)

smolagents (HuggingFace)

• *RL:*github.comhuggingfacesmolagents
• *ilosofia:*Minimalista; ~1000 linhas de código total
• *ipos:*
  • CodeAgent: Escreve e executa Python para agir (mais poderoso)
  • ToolCallingAgent: Tool calls JSON clássico
• *uando usar:*Agentes simples; prototipagem; projetos que querem controle total

Haystack (deepset)

• *RL:*haystack.deepset.ai
• *oco:*NLP pipelines; RAG; search
• *esign:*Componentes conectáveis; compatível com múltiplos VectorDBs
• *uando usar:*Search semântico; RAG enterprise; document QA

Agno (ex-Phidata)

• *RL:*github.comagno-agiagno
• *oco:*Agentes com memória, conhecimento e ferramentas; UI embutido
• *eatures:*Multi-agent, RAG integrado, Playground UI, monitoring

Semantic Kernel (Microsoft)

• *RL:*github.commicrosoftsemantic-kernel
• *inguagens:*Python, C#, Java
• *oco:*Enterprise; integração com Azure OpenAI; plugins
• *uando usar:*Aplicações .NET/Azure enterprise

Frameworks de Tool Use / Function Calling

Os *rotocolos*desta camada (MCP, A2A, OpenAI Function Calling, ACP, AGNTCY, NLIP, Computer Use, AP2, x402) vivem em protocolos.md. Abaixo só os *DKs/frameworks*que consomem.

Strands Agents (AWS)

• *RL:*github.comstrands-aistrands-agents
• *rigem:*Amazon Web Services (2026)
• *aradigma:*"Model-native" — o agente usa o próprio modelo para raciocinar sobre tools e próximos passos, sem scaffolding rígido
• *ntegração:*Trainium, Bedrock, MCP nativo, A2A nativo
• *uando usar:*Stacks AWS; quando integração profunda com infraestrutura cloud é prioridade

OpenAI Agents SDK

• *RL:*github.comopenaiopenaiagentspython
• *ntegração:*GPT-5.x, function calling, computer use, Assistants API
• *eatures:*Handoff entre agentes, tracing embutido, guardrails
• *uando usar:*Produção com modelos OpenAI; integração com OpenAI platform

Claude Agent SDK (Anthropic)

• *RL:*docs.anthropic.com/agents
• *ntegração:*Claude + MCP nativa (profunda, pois Anthropic criou ambos)
• *iferencial:*MCP servers se conectam diretamente à definição do agente; lifecycle de conexão automático
• *uando usar:*Stacks 100% Claude; máxima integração MCP

BFCL v4 + Toolathlon

• Benchmarks de function calling — medem seleção correta de função e passagem de argumentos
• Parte do BenchLM agent score (22% do score geral)

Protocolo de Agente (ReAct)

• *rXiv:*2210.03629 (Yao et al., 2022)
• *ecanismo:*Thought → Action → Observation (loop)
• *ase:*Quase todos os frameworks de agente modernos implementam ReAct

Variantes

Execution Environments para Code Agents

Avaliação de Agentes

Stack Recomendado para o Kode (IA de Coding)

Camada de orquestração: smolagents ou Pydantic AI (minimalismo)
Tool use: MCP (padrão) — ver protocolos.md
Code execution: E2B ou Docker sandbox
RAG para codebase: LlamaIndex + pgvector
Memória: Redis (short-term) + pgvector (long-term)
Observabilidade: LangFuse ou Helicone

*vitar para Kode:*LangChain (complexo demais para código); CrewAI (abstrações inadequadas para coding)