Pessoal segue meu link do git onde coloquei o exercício feito aqui neste modulo.
Ainda sou iniciante, e teve alguma ajuda da IA no Cursor para resolveros bugs kkk.
https://github.com/Cascapera/Multi_Agent_IA
Você está vendo a versão anterior da nova experiência da Alura que estamos preparando para você. Em breve, ela ganha uma identidade visual novinha totalmente pensada em potencializar seus estudos!
Pessoal segue meu link do git onde coloquei o exercício feito aqui neste modulo.
Ainda sou iniciante, e teve alguma ajuda da IA no Cursor para resolveros bugs kkk.
https://github.com/Cascapera/Multi_Agent_IA
Oi, Guilherme! Como vai?
Agradeço por compartilhar seu código com a comunidade Alura.
Ficou bem legal ver o fluxo de moderação multi-agente com LangGraph e Human in the Loop: você organizou bem o estado com TypedDict, usou add_conditional_edges para decidir quando pesquisar políticas, e ainda colocou MemorySaver + interrupt_before para pausar antes da ação final e permitir update_state com a decisão humana.
Uma dica interessante para o futuro é adicionar retry na chamada do LLM para reduzir falhas pontuais de rede ou API e deixar o fluxo mais estável. Veja este exemplo:
from tenacity import retry, stop_after_attempt, wait_exponential
@retry(stop=stop_after_attempt(3), wait=wait_exponential(min=1, max=8))
def call_llm(llm, prompt: str) -> str:
return llm.invoke(prompt).content
resposta = call_llm(llm, prompt)
Esse código tenta chamar o modelo até 3 vezes, aguardando de forma exponencial entre as tentativas, o que ajuda quando a API oscila.
Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!