Criar agentes de IA em 10 minutos utilizando a linguagem natural com o LangSmith Agent Builder + Milvus

À medida que o desenvolvimento da IA acelera, mais equipas estão a descobrir que a criação de um assistente de IA não requer necessariamente uma formação em engenharia de software. As pessoas que mais precisam de assistentes - equipas de produtos, operações, apoio, investigadores - sabem muitas vezes exatamente o que o agente deve fazer, mas não como o implementar em código. As ferramentas tradicionais "sem código" tentaram colmatar essa lacuna com telas de arrastar e largar, mas colapsam no momento em que é necessário um comportamento real do agente: raciocínio em várias etapas, utilização de ferramentas ou memória persistente.

O recém-lançado LangSmith Agent Builder tem uma abordagem diferente. Em vez de desenhar fluxos de trabalho, o utilizador descreve os objectivos do agente e as ferramentas disponíveis em linguagem simples, e o tempo de execução trata da tomada de decisões. Sem fluxogramas, sem scripts - apenas uma intenção clara.

Mas a intenção por si só não produz um assistente inteligente. A memória é que produz. É aqui que o Milvus, a base de dados vetorial de código aberto amplamente adoptada, fornece a base. Ao armazenar documentos e o histórico de conversações como embeddings, o Milvus permite que o seu agente recorde o contexto, recupere informações relevantes e responda com precisão e em grande escala.

Este guia explica como criar um assistente de IA pronto para produção e habilitado para memória usando o LangSmith Agent Builder + Milvus, tudo sem escrever uma única linha de código.

O que é o LangSmith Agent Builder e como ele funciona?

Tal como o seu nome revela, o LangSmith Agent Builder é uma ferramenta sem código da LangChain que lhe permite construir, implementar e gerir agentes de IA usando linguagem simples. Em vez de escrever lógica ou desenhar fluxos visuais, o utilizador explica o que o agente deve fazer, que ferramentas pode utilizar e como se deve comportar. O sistema trata então das partes mais difíceis - gerar avisos, selecionar ferramentas, ligar componentes e ativar a memória.

Ao contrário das ferramentas tradicionais sem código ou de fluxo de trabalho, o Agent Builder não tem tela de arrastar e soltar nem biblioteca de nós. Interage-se com ele da mesma forma que se interage com o ChatGPT. Descreva o que deseja criar, responda a algumas perguntas de esclarecimento e o Construtor produz um agente totalmente funcional com base na sua intenção.

Nos bastidores, esse agente é construído a partir de quatro blocos de construção principais.

• Prompt: O prompt é o cérebro do agente, definindo seus objetivos, restrições e lógica de decisão. O LangSmith Agent Builder usa meta-prompting para construir isso automaticamente: você descreve o que quer, ele faz perguntas de esclarecimento e suas respostas são sintetizadas em um prompt de sistema detalhado e pronto para produção. Em vez de escrever a lógica à mão, o usuário simplesmente expressa sua intenção.
• Ferramentas: As ferramentas permitem que o agente tome medidas - enviando emails, postando no Slack, criando eventos de calendário, pesquisando dados ou chamando APIs. O Agent Builder integra estas ferramentas através do Protocolo de contexto de modelo (MCP), que fornece uma forma segura e extensível de expor capacidades. Os utilizadores podem confiar nas integrações incorporadas ou adicionar servidores MCP personalizados, incluindo servidoresMilvus MCPpara pesquisa vetorial e memória de longo prazo.
• Accionadores: Os accionadores definem quando um agente é executado. Além da execução manual, é possível anexar agentes a agendas ou eventos externos para que eles respondam automaticamente a mensagens, emails ou atividades de webhook. Quando um gatilho é acionado, o Agent Builder inicia uma nova thread de execução e executa a lógica do agente, permitindo um comportamento contínuo e orientado por eventos.
• Subagentes: Os subagentes dividem tarefas complexas em unidades menores e especializadas. Um agente principal pode delegar trabalho a subagentes - cada um com seu próprio prompt e conjunto de ferramentas - para que tarefas como recuperação de dados, resumo ou formatação sejam tratadas por ajudantes dedicados. Isto evita um único prompt sobrecarregado e cria uma arquitetura de agente mais modular e escalável.

Como é que um agente se lembra das suas preferências?

O que torna o Agent Builder único é a forma como ele trata a memória. Em vez de colocar as preferências no histórico do chat, o agente pode atualizar as suas próprias regras de comportamento durante a execução. Se disser: "A partir de agora, termine todas as mensagens do Slack com um poema", o agente não trata isso como um pedido único - ele armazena-o como uma preferência persistente que se aplica em execuções futuras.

Por baixo do capô, o agente mantém um ficheiro de memória interna - essencialmente o seu prompt de sistema em evolução. Cada vez que é iniciado, ele lê esse arquivo para decidir como se comportar. Quando o utilizador dá correcções ou restrições, o agente edita o ficheiro adicionando regras estruturadas como "Encerrar sempre o briefing com um pequeno poema edificante". Esta abordagem é muito mais estável do que confiar no histórico da conversa, porque o agente reescreve ativamente as suas instruções de funcionamento em vez de enterrar as suas preferências numa transcrição.

Este design vem do FilesystemMiddleware do DeepAgents, mas é totalmente abstraído no Agent Builder. O utilizador nunca toca diretamente nos ficheiros: expressa as actualizações em linguagem natural e o sistema trata das edições nos bastidores. Se precisar de mais controle, é possível conectar um servidor MCP personalizado ou ir para a camada DeepAgents para personalização avançada da memória.

Demonstração prática: Criando um Milvus Assistant em 10 minutos usando o Agent Builder

Agora que já cobrimos a filosofia de design por trás do Agent Builder, vamos percorrer todo o processo de construção com um exemplo prático. O nosso objetivo é criar um assistente inteligente que possa responder a questões técnicas relacionadas com o Milvus, pesquisar a documentação oficial e recordar as preferências do utilizador ao longo do tempo.

Passo 1. Entrar no site da LangChain

Passo 2. Configure sua chave de API Anthropic

Nota: O Anthropic é suportado por padrão. Também é possível usar um modelo personalizado, desde que seu tipo esteja incluído na lista oficialmente suportada pela LangChain.

1. Adicionar uma chave de API

2. Introduzir e guardar a chave de API

Passo 3. Criar um novo agente

Nota: Clique em Saiba mais para ver a documentação de utilização.

1. Configurar um modelo personalizado (opcional)

(1) Introduzir parâmetros e guardar

Passo 4. Descrever os requisitos para criar o agente

Nota: Crie o agente usando uma descrição em linguagem natural.

I need a Milvus technical consultant to help me answer technical questions about vector databases. 
Search the official documentation and remember my preference for the index type I use.

1. O sistema faz perguntas de acompanhamento para refinar os requisitos

Pergunta 1: Selecione os tipos de índices Milvus que pretende que o agente memorize

Pergunta 2: Escolha como o agente deve lidar com questões técnicas

Pergunta 3: Especificar se o agente deve concentrar-se na orientação para uma versão específica do Milvus

Passo 5. Revisar e confirmar o agente gerado

Nota: O sistema gera automaticamente a configuração do agente.

Antes de criar o agente, é possível revisar seus metadados, ferramentas e avisos. Quando tudo estiver correto, clique em Criar para continuar.

Etapa 6. Explorar a interface e as áreas de recursos

Depois que o agente for criado, você verá três áreas funcionais no canto inferior esquerdo da interface:

(1) Gatilhos

Os gatilhos definem quando o agente deve ser executado, seja em resposta a eventos externos ou em uma programação:

• Slack: Ativar o agente quando chega uma mensagem num canal específico
• Gmail: Aciona o agente quando um novo email é recebido
• Cron: Executar o agente num intervalo agendado

(2) Caixa de ferramentas

Este é o conjunto de ferramentas que o agente pode chamar. No exemplo apresentado, as três ferramentas são geradas automaticamente durante a criação e é possível adicionar mais ferramentas clicando em Adicionar ferramenta.

Se o seu agente necessitar de capacidades de pesquisa vetorial - como a pesquisa semântica em grandes volumes de documentação técnica - pode implementar o Servidor MCP do Milvus e adicioná-lo aqui utilizando o botão MCP. Certifique-se de que o servidor MCP está a ser executado num ponto de extremidade de rede acessível; caso contrário, o Agent Builder não será capaz de o invocar.

(3) Sub-agentes

Crie módulos de agentes independentes dedicados a subtarefas específicas, permitindo uma conceção modular do sistema.

Passo 7. Testar o agente

Clique em Testar no canto superior direito para entrar no modo de teste. Abaixo está uma amostra dos resultados do teste.

Agent Builder vs. DeepAgents: Qual deles você deve escolher?

A LangChain oferece vários frameworks de agentes, e a escolha certa depende de quanto controle você precisa. DeepAgents é uma ferramenta de construção de agentes. É usada para construir agentes de IA autónomos e de longa duração que lidam com tarefas complexas e de várias etapas. Construído em LangGraph, ele suporta planejamento avançado, gerenciamento de contexto baseado em arquivo e orquestração de subagentes, tornando-o ideal para projetos de longo prazo ou de nível de produção.

Então, como isso se compara ao Agent Builder e quando você deve usar cada um deles?

O Agent Builder se concentra na simplicidade e na velocidade. Ele abstrai a maioria dos detalhes de implementação, permitindo que você descreva seu agente em linguagem natural, configure ferramentas e execute-o imediatamente. A memória, o uso de ferramentas e os fluxos de trabalho humanos no circuito são tratados por si. Isso torna o Agent Builder perfeito para prototipagem rápida, ferramentas internas e validação em estágio inicial, onde a facilidade de uso é mais importante do que o controle granular.

O DeepAgents, por outro lado, foi projetado para cenários em que é necessário controle total sobre a memória, a execução e a infraestrutura. É possível personalizar o middleware, integrar qualquer ferramenta Python, modificar o backend de armazenamento (incluindo a persistência de memória no Milvus) e gerenciar explicitamente o gráfico de estado do agente. A compensação é o esforço de engenharia - você mesmo escreve código, gerencia dependências e lida com modos de falha - mas obtém uma pilha de agentes totalmente personalizável.

É importante ressaltar que o Agent Builder e o DeepAgents não são ecossistemas separados - eles formam um único continuum. O Agent Builder é construído sobre o DeepAgents. Isso significa que você pode começar com um protótipo rápido no Agent Builder e, em seguida, usar o DeepAgents quando precisar de mais flexibilidade, sem reescrever tudo do zero. O inverso também funciona: padrões criados no DeepAgents podem ser empacotados como modelos do Agent Builder para que usuários não técnicos possam reutilizá-los.

Conclusão

Graças ao desenvolvimento da IA, a construção de agentes de IA já não requer fluxos de trabalho complexos ou engenharia pesada. Com o LangSmith Agent Builder, pode criar assistentes com estado e de longa duração utilizando apenas linguagem natural. O utilizador concentra-se na descrição do que o agente deve fazer, enquanto o sistema trata do planeamento, da execução da ferramenta e das actualizações contínuas da memória.

Em conjunto com o Milvus, estes agentes ganham uma memória fiável e persistente para pesquisa semântica, rastreio de preferências e contexto a longo prazo em todas as sessões. Seja para validar uma idéia ou implantar um sistema escalável, o LangSmith Agent Builder e o Milvus fornecem uma base simples e flexível para agentes que não apenas respondem - eles se lembram e melhoram com o tempo.

Tem dúvidas ou quer um passo a passo mais profundo? Junte-se ao nosso canal Slack ou reserve uma sessão de 20 minutos do Milvus Office Hours para obter orientação personalizada.