Neste tutorial, construímos um Meta-Agente que projeta outros agentes automaticamente a partir de uma descrição simples da tarefa. Implementamos um sistema que analisa a tarefa, seleciona ferramentas, escolhe uma arquitetura de memória, configura um planejador e então instancia um tempo de execução de agente totalmente funcional. Vamos além dos modelos de agente estáticos e, em vez disso, construímos uma arquitetura dinâmica e auto-configurável que pode avaliar seu próprio desempenho e se refinar conforme necessário. Também demonstramos como a automação de design de agentes, seleção de ferramentas, estratégia de memória e auto-aperfeiçoamento iterativo podem ser unificados em uma estrutura coesa e pronta para Colab. Copiar Código Copiado Usar um Navegador diferente. import os, re, json, math, time, textwrap, traceback, random from dataclasses import dataclass from typing import Any, Dict, List, Optional, Callable, Tuple def _pip_install(): try: import pydantic import transformers return except Exception: pass import sys, subprocess pkgs = [ "pydantic>=2.6.0", "transformers>=4.41.0", "accelerate>=0.30.0", "sentencepiece", "torch", "numpy", "scikit-learn", "pandas", ] subprocess.check_call([sys.executable, "-m", "pip", "install", "-q"] + pkgs) _pip_install() import numpy as np import pandas as pd from pydantic import BaseModel, Field from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.neighbors import NearestNeighbors try: from transformers import pipeline, AutoTokenizer, AutoModelForSeq2SeqLM _HAS_TRANSFORMERS = True except Exception: _HAS_TRANSFORMERS = False class ToolSpec(BaseModel): name: str description: str inputs_schema: Dict[str, Any] = Field(default_factory=dict) class MemorySpec(BaseModel): kind: str = Field(default="scratchpad", description="scratchpad | retrieval_tfidf") max_items: int = 200 retrieval_k: int = 5 class PlannerSpec(BaseModel): kind: str = Field(default="react", description="react | plan_execute") max_steps: int = 10 temperature: float = 0.2 class AgentConfig(BaseModel): agent_name: str = "DesignedAgent" objective: str planner: PlannerSpec memory: MemorySpec tools: List[ToolSpec] output_style: str = "concise" safety_rules: List[str] = Field(default_factory=lambda: [ "Não execute comandos arbitrários do sistema operacional.", "Recuse instruções prejudiciais/ilegais; sugira alternativas seguras.", "Se incerto, peça entradas ausentes ou declare suposições.", ]) Configuramos o ambiente foundational completo para o nosso sistema de meta-agente. Instalamos as dependências necessárias, importamos todas as bibliotecas necessárias e definimos o núcleo.
Fonte: MarkTechPost
Publicado em 2026-03-11