Agents for Everything: LLM, LangChain, RAG Multiagent Systems

Componentes fundamentais: memória, ferramentas, planejamento e execução;

Arquiteturas tipo REACT, MRKL, Toolformer;

Pipeline de um agente: entrada, parsing, tool use, resposta;

APIs e exemplos (OpenAI Functions, LangChain AgentExecutor).

Prompts para controle, decisão e decomposição de tarefas;

Estratégias: Chain-of-Thought, Tree-of-Thoughts, Self-Ask, ReAct, Few-shot;

Defesa contra Prompt Injection;

Oficina prática: projetando um agente com prompt robusto.

Tipos de memória: curta, longa, vetorial, de conversação;

Implementação com LangChain, LanGraph, LlamaIndex e Hugging Face;

Casos de uso: memória persistente, embasamento factual;

Implementação de um agente com memória vetorial.

Uso prático de ferramentas: calculadora, navegador, bancos de dados;

LangChain Tools e AgentToolkits;

AgentToolkits do LangChain e criação personalizada;

Oficina prática: criação e orquestração de ferramentas customizadas.

Conceitos fundamentais: RAG Clássico vs. RAG 2.0;

Indexação semântica, embeddings, chunking;

Recuperação com FAISS, Chroma, Weaviate;

Oficina: agente que busca e responde via RAG.

LLMs com suporte a grafos de conhecimento (KG-RAG, GraphRAG);

Construção e consulta de grafos com Neo4j, LangGraph;

Raciocínio multi-hop com LLMs e grafos;

Oficina prática: um agente com consulta semântica em grafo.

Arquiteturas multiagente: hierárquico, coordenado, emergente;

Coordenação entre agentes com LangChain, LanGraph, AutoGen, CrewAI;

Pipeline de diálogo multiagente;

Exemplo: agente planejador + executor + validador.

Modelos com market-based coordination e coordination graphs;

Memória compartilhada entre agentes;

Agentes autoavaliativos (self-correction, chain-of-agents);

Implementação: debate entre agentes com votação.

Fundamentos: CLIP, GPT-4o, Flamingo, MMGraphRAG;

Entrada e saída de texto, imagem, vídeo, áudio;

Frameworks multimodais: OpenAI, Transformers+Diffusers;

Oficina: agente com OCR + resposta textual + imagem gerada.

Introdução ao n8n: automação low-code;

Integração prática com APIs externas, bancos de dados e sistemas corporativos;

Criação de workflows automatizados para agentes LLM;

Oficina prática: desenvolvimento de automações integradas a agentes com n8n.

O que é MoE? Por que é eficiente e escalável?;

Modelos como DeepSeek, Mixtral, Gemini 1.5;

Roteamento entre experts por tarefa;

Oficina: design de agentes com múltiplos especialistas.

Como explicar decisões e raciocínios de agentes;

SHAP, LIME, atenção, logging e traces;

Interface para debug e auditoria de agentes;

Implementação de um agente explicável com logs rastreáveis.

Proteção contra ataques (prompt injection, jailbreak);

Autenticação, autorização e monitoramento;

Governança de IA: ética, regulação e proteção legal;

Agentes confiáveis em ambientes regulados.

Apresentação dos projetos dos alunos;

Agentes personalizados com RAG, ferramentas, grafos ou multimodalidade;

Feedback técnico e de aplicação de mercado;

Discussão sobre tendências futuras (AgentOS, MCP, LangGraph autônomo).