Evitando Loops de Agentes

Eu ainda me lembro do dia em que nosso bot de suporte, que deveria ser uma vitrine da IA agente em ação, começou a agir como se estivesse preso em algum tipo de loop bizarro. Os clientes faziam uma pergunta e, em vez de fornecer uma resposta útil, o bot apenas repetia as mesmas frases prontas repetidamente, nunca realmente abordando o problema em questão. Era como se o bot tivesse ficado preso em uma conversa sem fim consigo mesmo, incapaz de escapar do ciclo de conversa sem sentido.

Depois de investigar os logs, descobrimos a causa raiz: nosso bot foi projetado como um sistema multi-agente, com diferentes agentes responsáveis por lidar com diferentes aspectos da conversa. O problema surgiu quando esses agentes começaram a conversar entre si de uma maneira que criou uma espécie de loop de feedback. O Agente A fazia uma pergunta ao Agente B, que então pedia ao Agente C, que por sua vez perguntava ao Agente A, e assim por diante. Antes que percebêssemos, todo o sistema estava atolado em um mar de conversas circulares, sem uma maneira clara de quebrar o ciclo.

Percebemos que precisávamos implementar algum tipo de proteção para evitar esse tipo de comportamento. É aí que o LangGraph e o Protocolo de Contexto do Modelo (MCP) entraram em cena. Usando essas ferramentas, poderíamos criar um fluxo de conversa mais estruturado e intencional entre nossos agentes. Especificamente, usamos a API StateGraph do LangGraph para definir os possíveis estados de nossa conversa e o método add_conditional_edges para especificar as condições sob as quais um agente poderia transitar de um estado para outro.

Aqui está um exemplo simplificado de como poderíamos implementar isso usando Python:

import langgraph as lg

# Defina os possíveis estados de nossa conversa
states = ['inicial', 'pergunta_feita', 'resposta_recebida', 'seguimento_perguntado']

# Crie um StateGraph para gerenciar o fluxo da conversa
graph = lg.StateGraph(states)

# Defina as condições para transitar entre estados
graph.add_conditional_edges([
    ('inicial', 'pergunta_feita', lambda context: context['entrada_usuario'] is not None),
    ('pergunta_feita', 'resposta_recebida', lambda context: context['resposta_agente'] is not None),
    ('resposta_recebida', 'seguimento_perguntado', lambda context: context['seguimento_usuario'] is not None)
])

# Defina as ações a serem tomadas em cada estado
def perguntar(context):
    # Código para perguntar ao usuário vai aqui
    pass

def fornecer_resposta(context):
    # Código para fornecer uma resposta ao usuário vai aqui
    pass

def perguntar_seguimento(context):
    # Código para perguntar uma questão de seguimento vai aqui
    pass

# Crie um dicionário para armazenar as ações para cada estado
actions = {
    'inicial': perguntar,
    'pergunta_feita': fornecer_resposta,
    'resposta_recebida': perguntar_seguimento
}

# Use o StateGraph para gerenciar o fluxo da conversa
def gerenciador_conversa(context):
    estado_atual = graph.get_current_state(context)
    acao = actions[estado_atual]
    acao(context)

# Teste o gerenciador de conversa
context = {'entrada_usuario': 'Olá'}
gerenciador_conversa(context)

Neste exemplo, definimos um StateGraph com quatro estados possíveis: inicial, pergunta_feita, resposta_recebida e seguimento_perguntado. Em seguida, usamos o método add_conditional_edges para especificar as condições sob as quais a conversa pode transitar de um estado para outro. Finalmente, definimos um dicionário de ações a serem tomadas em cada estado.