[Projeto] Faça como eu fiz: criar agente de e-mails

LEANDRO DOS SANTOS MOQUIUTI FERREIRA · 2026-05-19 11:34

Eu implementei: 1. Perfil do usuário 2. Regras de triagem 3. Evento de e-mail simulado 4. Modelo Pydantic para saída estruturada 5. Prompt de sistema com placeholders 6. Ferramentas

Eu implementei:

Perfil do usuário
Regras de triagem
Evento de e-mail simulado
Modelo Pydantic para saída estruturada
Prompt de sistema com placeholders
Ferramentas agênticas com @tool
Agente ReAct com create_react_agent
Grafo de triagem com LangGraph
Router condicional
Fluxos de responder, notificar e ignorar
Simulação de escrita de e-mail
Simulação de agenda
Simulação de consulta de calendário

e economizei os recursos da seguinte forma:

A triagem usa uma única chamada estruturada ao Gemini.
O agente ReAct só roda se a classificação for "responder".
E-mails ignorados não chamam ferramentas.
E-mails apenas notificados não chamam o agente ReAct.
As ferramentas são simuladas, então não há custo externo.

Para trazer mais detalhes do que eu implementei nesta atividade, descrevo da seguinte maneira: criei um agente de e-mails utilizando LangGraph, Pydantic e ferramentas agênticas. O objetivo foi simular um fluxo de triagem automática, no qual um e-mail recebido funciona como evento gatilho para o grafo.

Inicialmente, defini um perfil de usuário e um conjunto de regras de triagem para orientar a classificação dos e-mails. Em seguida, implementei um modelo Pydantic com campos de raciocínio, classificação, prioridade e motivo, garantindo que a resposta do modelo fosse estruturada e mais fácil de utilizar no fluxo.

Também criei ferramentas agênticas com decoradores, como WriteMail, ScheduleMeeting e CheckCalendar, simulando ações que um assistente de e-mails poderia realizar em um ambiente real. Essas ferramentas foram integradas a um agente ReAct criado com create_react_agent, permitindo que o modelo decidisse quando criar rascunhos, consultar disponibilidade ou simular uma reunião.

Por fim, construí um grafo com um nó de triagem e uma função triagem_router, responsável por direcionar o fluxo para responder, notificar ou ignorar o e-mail. Dessa forma, foi possível validar uma arquitetura simples, mas próxima de um cenário real, onde agentes de IA podem auxiliar na organização de mensagens, priorização de demandas e automação controlada de respostas.

link do código: https://github.com/Moquiuti/LangGraph_Orquestrando_agentes_e_multiagentes/blob/main/Criar_agente_de_e_mails.ipynb

Olá, Leandro. Como vai?

Parabéns pela excelente implementação do projeto. O seu fluxo demonstra um entendimento sólido de como arquitetar sistemas multiagentes eficientes usando LangGraph. O grande destaque do seu trabalho foi a preocupação com a otimização de recursos e custos, algo fundamental em cenários de produção.

Ao isolar a lógica de triagem em uma única chamada estruturada e condicionar a execução do agente ReAct apenas quando a ação é responder, você evita o desperdício de tokens com e-mails irrelevantes. Essa estratégia de filtragem prévia é uma das melhores práticas no desenvolvimento de aplicações com LLMs.

Como você compartilhou o seu repositório e o fluxo já está redondo, uma excelente forma de complementar e aprofundar ainda mais o seu projeto seria preparar o grafo para lidar com a persistência de dados. No LangGraph, podemos fazer isso utilizando o conceito de Memory (através de um MemorySaver), o que permite que o agente se lembre do contexto de interações passadas ou mantenha o histórico de e-mails do mesmo remetente.

Veja um exemplo conceitual de como aplicar um checkpoint de memória na hora de compilar o seu grafo:

from langgraph.checkpoint.memory import MemorySaver

# Inicializa a memória em formato de checkpoint
memory = MemorySaver()

# Ao compilar o grafo, você injeta o checkpointer
app = workflow.compile(checkpointer=memory)

# Para rodar mantendo o histórico de uma conversa ou sessão específica:
config = {"configurable": {"thread_id": "usuario_leandro_123"}}
app.invoke({"messages": [evento_email]}, config)

O uso do thread_id garante que, se o mesmo usuário enviar um novo e-mail de acompanhamento (follow-up), o nó de triagem ou o próprio agente ReAct consigam consultar o histórico daquela "thread" específica para tomar decisões ainda mais precisas.

Outro ponto super positivo foi o uso do Pydantic para a saída estruturada. Garantir que o modelo responda estritamente com campos como prioridade e motivo elimina falhas de tipagem na função triagem_router e torna as transições de estado do LangGraph totalmente confiáveis.

Seu projeto ficou com uma estrutura muito próxima do mercado real. Continue explorando essas conexões e testando novas condições no grafo!

Espero que possa ter lhe ajudado!

Trilhas por carreira

Carreiras de IA

Carreiras de Dados

Carreiras de Cyber

Carreiras de DevOps & Cloud

Carreiras de UX & UI

Carreiras de Mobile & Front-End

Carreiras de Back-End

Carreiras de Negócios

Cursos universitários FIAP

Tópicos relacionados

Conteúdos Alura com o tema