Instalação e Atualização das Dependências
pip install -U langgraph langchain langchain-google-genai tavily-python python-dotenv
2️ Configurando Persistência com SQLiteSaver
O SQLiteSaver permite que o estado do agente seja salvo no banco SQLite, garantindo memória persistente entre execuções.
import os from dotenv import load_dotenv from langgraph.checkpoint.sqlite import SqliteSaver load_dotenv ( ) # Banco persistente memory = SqliteSaver.from_conn_string ( " sqlite:///memoria_agente.db " )
Agora o agente pode salvar e recuperar o contexto automaticamente.
3️ Criando o Estado do Agente
from typing import Annotated , TypedDict from langgraph.graph import add_messages class AgentState ( TypedDict ) : messages : Annotated [ list , add_messages ]
Esse estado será persistido no SQLite.
4️ Configurando o LLM (Gêmeos)
from langchain_google_genai import ChatGoogleGenerativeAI llm = ChatGoogleGenerativeAI ( model = "gemini-1.5-flash" , temperature = 0 )
5️ Integração com Tavily Search
from tavily import TavilyClient from langchain.tools import tool TAVILY_API_KEY = os.getenv ( "TAVILY_API_KEY" ) tavily = TavilyClient ( api_key = TAVILY_API_KEY ) @tool def tavily_search ( query : str ) -> str : " " " Realiza busca na internet usando Tavily""" response = tavily.search ( query = query , search_depth = " basic" , max_results = 3 ) return str ( response [ "results" ] )
6️ Estruturando o Gráfico
from langgraph.graph import StateGraph , END from langgraph.prebuilt import ToolNode from langgraph.prebuilt import create_react_agent tools = [ tavily_search ] # Criando agente ReAct agent = create_react_agent ( model = llm , tools = tools ) builder = StateGraph ( AgentState ) builder.add_node ( " agent " , agent ) builder.add_node ( " tools " , ToolNode ( tools ) ) builder.set_entry_point ( " agent " )
7️ Arestas Condicionais
def route_tools ( state ): last_message = state [ " messages" ][ - 1 ] if getattr ( last_message , "tool_calls" , None ): return " tools" return END builder.add_conditional_edges ( "agent" , route_tools , { "tools" : "tools" , END : END } ) builder.add_edge ( "tools" , "agent" )
8️ Compilando com Persistência
Aqui está o ponto principal da aula:
gráfico = construtor.compilar ( ponto de verificação = memória )
Agora o estado fica salvo no SQLite.
9️ Implementando Streaming
O streaming permite acompanhar o julgamento passo a passo.
config = { "configurable" : { "thread_id" : "usuario_1" }} para evento no gráfico . stream( { "messages" : [( "user" , "Qual a previsão do tempo em Recife hoje?" )]}, config = config , ): print ( event )
Mantendo Contexto com Threads
O segredo está no thread_id.
config = {"configurable": {"thread_id": "usuario_1"}}
Primeira pergunta
graph.invoke(
{"messages": [("user", "Quem é o presidente do Brasil?")]},
config=config
)
Segunda pergunta mantendo contexto
response = graph.invoke(
{"messages": [("user", "Qual a idade dele?")]},
config=config
)
print(response["messages"][-1].content)
Mesmo sendo outra chamada, o agente lembra do contexto anterior porque:
O estado foi salvo no SQLite
O mesmo thread_id foi utilizado
Streaming interrupted. Waiting for the complete message...
