Dia 1/30: Padrão ReAct Explicado

Recentemente, fui encarregado de construir um bot de suporte que pudesse lidar com perguntas de clientes sobre os produtos da nossa empresa. O bot deveria ser capaz de entender o contexto da conversa e responder de acordo. No entanto, logo percebi que minha implementação inicial tinha uma falha grave - o bot frequentemente esquecia o contexto da conversa e respondia com respostas irrelevantes. Por exemplo, se um cliente perguntasse sobre os recursos de um produto específico, o bot responderia com uma descrição genérica do produto, sem levar em conta as perguntas anteriores do cliente.

Foi então que encontrei o padrão ReAct, um conceito fundamental na construção de sistemas de IA agentes. O padrão ReAct é uma ideia simples, mas poderosa, que ajuda os agentes de IA a manter o contexto e tomar decisões com base em seu estado atual. No contexto do meu bot de suporte, o padrão ReAct me ajudou a entender como projetar o comportamento do bot para levar em conta o histórico da conversa e responder de acordo.

O padrão ReAct consiste em três componentes principais: Raciocínio, Ação e Contexto. O componente Raciocínio é responsável por avaliar o estado atual do agente e determinar o melhor curso de ação. O componente Ação é responsável por executar a ação escolhida, e o componente Contexto é responsável por atualizar o estado do agente com base no resultado da ação.

No caso do meu bot de suporte, o componente Raciocínio avaliaria a entrada do cliente e determinaria a melhor resposta com base no histórico da conversa. O componente Ação então geraria a resposta, e o componente Contexto atualizaria o histórico da conversa para refletir a nova pergunta do cliente.

Veja um exemplo de como implementei o padrão ReAct no meu bot de suporte usando LangGraph e MCP:

import langgraph as lg
from mcp import tools

# Defina o gráfico de estado do bot de suporte
state_graph = lg.StateGraph()

# Adicione nós para cada estado possível
state_graph.add_node("start")
state_graph.add_node("product_inquiry")
state_graph.add_node("pricing_inquiry")

# Adicione arestas condicionais entre os nós
state_graph.add_conditional_edges(
    ("start", "product_inquiry", lambda x: x["intent"] == "product_inquiry"),
    ("product_inquiry", "pricing_inquiry", lambda x: x["intent"] == "pricing_inquiry")
)

# Defina a função de raciocínio
def reasoning(state, input_data):
    # Avalie a entrada do cliente e determine o melhor curso de ação
    if input_data["intent"] == "product_inquiry":
        return "product_inquiry"
    elif input_data["intent"] == "pricing_inquiry":
        return "pricing_inquiry"
    else:
        return "start"

# Defina a função de ação
def action(state, input_data):
    # Gere uma resposta com base no estado atual e na entrada do cliente
    if state == "product_inquiry":
        return "Sobre qual produto você gostaria de saber mais?"
    elif state == "pricing_inquiry":
        return "Qual é o seu orçamento para o produto?"
    else:
        return "Bem-vindo ao nosso bot de suporte! Como posso ajudá-lo hoje?"

# Defina a função de contexto
def context(state, input_data):
    # Atualize o histórico da conversa com base na entrada do cliente
    if input_data["intent"