Nesta atividade, implementei um grafo multiagentes utilizando LangGraph, organizando o fluxo em agentes especializados para planejamento, pesquisa, escrita, crítica e pesquisa complementar. O objetivo foi simular uma arquitetura mais próxima de um processo real de geração assistida por IA, na qual cada agente possui uma responsabilidade específica e contribui para a construção progressiva da resposta final.
O estado do agente foi estruturado com as chaves task, plan, draft, critic e content, além de campos de controle para número de revisões. O grafo foi construído com nós sequenciais, iniciando pelo planejador, seguindo para o pesquisador, escritor e crítico. Após a crítica, uma aresta condicional verifica se o fluxo deve ser encerrado ou se deve continuar para uma pesquisa complementar, retornando posteriormente ao agente escritor.
A solução também reaproveitou conceitos trabalhados anteriormente, como busca agêntica com Tavily, persistência com SQLite, streaming dos eventos do grafo e possibilidade de intervenção humana para orientar o plano antes da geração final. Para reduzir consumo de recursos, utilizei limite baixo de resultados na busca, máximo de uma revisão e uma alternativa com busca simulada para validar o grafo antes de acionar APIs externas.
Com isso, foi possível compreender como o LangGraph permite organizar fluxos complexos de IA em uma estrutura clara, controlada e extensível, aproximando o uso de agentes de uma arquitetura profissional baseada em responsabilidades, estados, decisões condicionais e persistência.
Segue o link do código desenvolvido e com as evidências:
https://github.com/Moquiuti/LangGraph_Orquestrando_agentes_e_multiagentes/blob/main/grafo_multiagentes.ipynb
