Engenharia de Ecossistemas Autônomos: Síntese do Livro 'Construindo Aplicações Agentivas com CrewAI e MCP'

Uma visão geral da síntese do livro de Max Gfeller, "Building Agentic Applications with CrewAI and MCP" da Manning

Imagem do Site da Manning

Introdução

A transição da previsão de texto padrão de Modelos de Linguagem Grande (LLM) para agentes de IA prontos para produção representa uma transição central na engenharia de software. Como Max Gfeller destaca na introdução de Building Agentic Applications with CrewAI and MCP, modelos de fundação brutos possuem uma limitação singular e fundamental: eles preveem tokens com base em padrões nos dados de treinamento e param. Eles não podem orquestrar nativamente pipelines de pesquisa de múltiplas fontes, mudar programaticamente de tarefa ao encontrar erros de execução ou executar raciocínio recursivo com estado sem wrappers arquitetônicos.

Isenção usual: Não tenho vínculos de nenhuma forma com o autor ou a editora! Sou apenas um devorador de livros 🧟‍♂️

A Arquitetura Central: De Preditores de Tokens a LLMs Aumentados

Para construir sistemas agenticos com sucesso, os desenvolvedores devem internalizar uma distinção chave estabelecida pela Anthropic: a linha que separa Agentes de IA de Fluxos de Trabalho Agenticos.

• Agentes de IA (Laços de Raciocínio Dinâmico): Sistemas onde o LLM avalia dinamicamente seu estado, determina autonomamente qual ferramenta pré-configurada invocar, avalia a saída em tempo de execução e controla suas próprias condições de parada.
• Fluxos de Trabalho Agenticos (Grafos Acíclicos Dirigidos Determinísticos): Fluxos de trabalho modelados como grafos consistindo em rotas de código estático, portas programáticas e nós de orquestração de LLM. Aqui, a flexibilidade é trocada por execução previsível e de qualidade industrial.

O livro introduz o LLM Aumentado como o bloco de construção central dessa arquitetura. Sistemas multi-agentes não são mágica; são simplesmente configurações de LLMs aumentados individuais passando estado, instruções e esquemas uns para os outros.

Um LLM Aumentado melhora a previsão de texto envolvendo-a com três camadas centrais:

• Recuperação: Extraindo conhecimento externo de armazenamentos vetoriais, bancos de dados relacionais ou sistemas de arquivos.
• Ferramentas: Interfaces funcionais que permitem ao modelo executar mutações do mundo real — como chamadas de API, execução de sistema ou interações em nuvem.
• Memória: Persistência com estado rastreando variáveis, entidades de execução e esquemas de dados de longo prazo através de iterações de inferência discretas.

Sob o Capô: Mecânica de Chamada de Ferramentas

A mecânica fundamental que sustenta todo comportamento agentico é a chamada de ferramentas (ou chamada de função). Modelos de fronteira modernos são explicitamente ajustados para detectar esquemas de ferramentas, interromper a geração padrão de tokens e produzir dados estruturados válidos (tipicamente JSON correspondendo a um esquema preciso) em vez de texto em linguagem natural.

A aplicação do desenvolvedor atua como a camada de orquestração: ela intercepta a solicitação estruturada do modelo, lida com o cálculo subjacente ou solicitação de rede e alimenta o resultado bruto da execução de volta na próxima janela de contexto do modelo. O modelo nunca toca diretamente em serviços externos — ele permanece um preditor de texto isolado solicitando limites de execução.

# Listagem 1.1: Definição de Ferramenta de Baixo Nível Padrão & Mecânicas de Interceptação
from openai import OpenAI
import json

client = OpenAI()

# Declarações funcionais estritas dizem ao LLM exatamente como formatar sua intenção
tools = [{
    "type": "function",
    "name": "get_report",
    "description": "Obter o relatório financeiro para um determinado ano.",
    "parameters": {
        "type": "object",
        "properties": {
            "year": {"type": "number"},
        },
        "required": ["year"],
        "additionalProperties": False
    },
    "strict": True
}]

input_messages = [{"role": "user", "content": "Quanto foi nossa receita em 2025?"}]

response = client.responses.create(
    model="gpt-5", # Alvo conceitual estrutural
    input=input_messages,
    tools=tools