Se 2024 foi o ano dos chatbots de IA, 2025 é o ano dos agentes de IA. À primeira vista, eles podem parecer semelhantes, mas nada poderia estar mais distante da verdade. Embora você possa interagir com um agente de IA da mesma maneira que interage com um chatbot de IA, talvez por meio de uma interface web, as diferenças entre eles são gritantes.
Agentes de IA podem agir autonomamente para atender ao seu pedido. É isso mesmo, eu disse: autonomamente. IA agindo em seu nome, descobrindo o que fazer e quais devem ser seus próximos passos sem a sua intervenção.
Quer encontrar um bom restaurante para um encontro e reservar uma mesa? Deixe seu agente de IA fazer isso por você, desde a pesquisa até a reserva.
Precisa rastrear novas interações de clientes no seu CRM e enviar abordagens por e-mail personalizadas? Deixe seu agente de IA fazer isso por você, desde o rastreamento até a redação do e-mail e o envio.
Essencialmente, os agentes podem fazer praticamente qualquer coisa por você online. Você pode até ter vários agentes trabalhando em conjunto. Tudo o que eles precisam é de um tarefa com as quais você os inicia e eles se encarregarão de concluir essa tarefa.
Você pode pensar que construir ou usar IA agêntica vai custar uma fortuna, e você não estaria errado por pensar assim. Empresas, algumas das maiores do setor, estão oferecendo esses serviços por mensalidades altíssimas. No entanto, com algum conhecimento de Python e JavaScript, você pode construir uma interface web completa de agente de IA full stack gratuitamente. O melhor de tudo é que você pode incorporar facilmente o Couchbase para armazenamento de dados de alto desempenho, recuperação e recursos de busca de texto completo. O Couchbase Capella, o banco de dados como serviço totalmente gerenciado, oferece até mesmo uma camada totalmente gratuita para sempre, que você pode usar em sua aplicação.
Despertei o seu interesse? Bem, ótima notícia! Você nem precisa construir tudo do zero. Você pode encontrar o aplicativo completo no meu repositório do GitHub de agente de navegador de código aberto – com instruções de como começar a usá-lo.
Vamos dar uma olhada na arquitetura da aplicação e em como ela foi construída. Uma melhor compreensão de como ela funciona permitirá que você a adapte para o seu próprio caso de uso pessoal.
O aplicativo é composto por um frontend em React e um backend em Python. Vamos nos concentrar no backend, pois é onde o trabalho do agente e as interações com o Couchbase acontecem. Você pode explorar o frontend livremente no GitHub, que oferece um design com foco em dispositivos móveis.
Explorando como funciona
A base desta aplicação é uma combinação harmoniosa de um frontend em React e um backend em Python. Enquanto o frontend garante uma experiência de usuário fluida e responsiva, o backend é onde o agente de IA opera, gerenciando as solicitações dos usuários e interagindo com o Couchbase para o gerenciamento de dados.
O agente de IA com uso de navegador
No núcleo do agente de IA está a integração da biblioteca Python de código aberto do Browser Use. Esta biblioteca capacita o agente a realizar uma variedade de tarefas simulando ações do navegador. Seja navegando para o site de um restaurante para reservar uma mesa ou acessando o CRM para rastrear o envolvimento de clientes, o Browser Use fornece as ferramentas necessárias para o agente interagir com recursos da Web de forma eficaz.
Inicializar um agente de IA do Browser Use requer apenas algumas linhas de código no seu backend Python:
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
assíncrono def executar_agente_do_navegador(tarefa: str): “”” Executa o agente de navegador e retorna seus resultados em um formato serializável em JSON. “”” agente = Agente(tarefa=tarefa, LLM=LLM, usar_visão=Verdadeiro, máximo_de_falhas=3, intervalo_de_tentativa=5) história = aguarde agente.correr(max_steps=50) resultados_serializados = [] se história e história.história: para passo em história.história: se passo.resultado: se isinstance(passo.resultado, lista): para res em passo.resultado: resultados_serializados.anexar(variáveis(res)) senão: resultados_serializados.anexar(variáveis) retornar resultados_serializados |
O Agente é instanciado com vários parâmetros, incluindo:
- A tarefa específica que você quer que ele faça
- O grande modelo de linguagem que ele usará para analisar os resultados de sua pesquisa independente (o projeto atualmente suporta Anthropic, OpenAI, DeepSeek, Qwen, Azure, Gemini e outros)
- Um valor booleano para visão, o que dá ao agente a capacidade de também analisar imagens de sua pesquisa
- O número de falhas que você tolerará antes de encerrar a tarefa sem sucesso
- Quanto tempo aguardar em segundos entre as tentativas
- Quantos passos você dá permissão para o agente executar na tentativa de concluir a tarefa
O resto do código para instanciar o agente refere-se apenas ao retorno dos resultados.
Isso é tudo o que é preciso para criar um agente e colocá-lo no mundo. Algumas linhas de Python, na verdade.
Quando o agente de IA recebe uma tarefa, como reservar um restaurante ou enviar e-mails personalizados, ele utiliza a biblioteca Browser Use para realizar as ações necessárias online. Isso envolve navegar por sites, preencher formulários e até analisar informações, tudo executado programaticamente para atender às solicitações do usuário com eficiência.
A persistência de dados e a busca são recursos fundamentais de aplicações modernas. Você não apenas pode persistir os dados para fins do usuário, como o histórico de chat, mas também pode fornecer mais contexto ao seu agente com os dados persistidos usando uma metodologia chamada Geração Aumentada por Recuperação (RAG). Eu recomendo a leitura este artigo se você tiver interesse em explorar esse assunto mais a fundo.
Por enquanto, vamos introduzir persistência de dados e funcionalidade de busca na interface de usuário do seu agente com o Couchbase.
Interagindo com o Couchbase para Pesquisa de Texto Completo
O Couchbase desempenha um papel fundamental no gerenciamento e na recuperação eficiente de dados de chat. Aproveitando os recursos de Full Text Search (FTS) do Couchbase, o backend pode pesquisar rapidamente em extensas historias de chat para encontrar conversas relevantes com base nas consultas do usuário. Aqui está um exemplo simplificado de como o backend interage com o Couchbase para FTS usando o SDK Python do Couchbase:
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 |
de digitando importar Lista de Couchbase.pesquisar importar QueryStringQuery, Opções de Pesquisa importar registro def pesquisar_conversas(ID do usuário: str, pesquisar texto: str) -> Lista[dicionário]: “”” Pesquisa chats para um determinado usuário com base no search_text usando o Couchbase FTS. Argumentos: user_id (str): O ID do usuário. search_text (str): O texto a ser pesquisado nos nomes dos chats. Retornos: List[dict]: Uma lista de documentos de bate-papo que correspondem aos critérios de pesquisa. “”” tentar: # Executar a consulta de pesquisa no índice FTS especificado resultado da pesquisa = aglomerado.termo de pesquisa( “bucket-name.scope-name.search-index-name”, QueryStringQuery(pesquisar texto), Opções de Pesquisa(campos=[“chat_id”, “user_id”, “nome”, “messages.content”, “messages.timestamp”, “mensagens.remetente”]) ) resultados = [] para fileira em resultado da pesquisa.linhas(): bate-papo = fileira.campos.copiar() # Extrair detalhes da mensagem conteúdo_das_mensagens = bate-papo.obter(“messages.content”, []) timestamp_das_mensagens = bate-papo.obter(“messages.timestamp”, []) remetente_das_mensagens = bate-papo.obter(“mensagens.remetente”, []) #: Verificar se todas as listas de mensagens estão alinhadas se len(conteúdo_das_mensagens) == len(timestamp_das_mensagens) == len(remetente_das_mensagens): bate-papo[“mensagens”] = [ { “conteúdo”: conteúdo, “registro de data e hora”: carimbo de data/hora, “remetente”: remetente } para conteúdo, carimbo de data/hora, remetente em compactar(conteúdo_das_mensagens, timestamp_das_mensagens, remetente_das_mensagens) ] senão: registro.aviso(“Divergência nos campos da mensagem. Incluindo apenas o conteúdo.”) bate-papo[“mensagens”] = [{“conteúdo”: conteúdo} para conteúdo em conteúdo_das_mensagens] # Limpar campos redundantes bate-papo.pop(“messages.content”, Nenhum) bate-papo.pop(“messages.timestamp”, Nenhum) bate-papo.pop(“mensagens.remetente”, Nenhum) resultados.anexar(bate-papo) # Filtrar conversas pertencentes ao usuário especificado conversas_do_usuario = [bate-papo para bate-papo em resultados se bate-papo.obter(“user_id”) == ID do usuário] registro.informação(f“A busca retornou {len(user_chats)} conversas para o usuário ‘{user_id}’.”) retornar usuário_conversas exceto Exceção como e: registro.erro(f“Erro durante a busca: {e}”) retornar [] |
Neste trecho, o pesquisar_conversas a função é fundamental na recuperação de conversas de chat relevantes com base na entrada do usuário. Quando um usuário insere uma consulta de pesquisa, a função constrói uma solicitação de pesquisa direcionando o índice FTS no Couchbase. Ela especifica os campos a serem recuperados, garantindo que todas as informações necessárias, como chat_id, ID do usuário, nome, e mensagem detalhes, estão incluídos nos resultados da pesquisa.
Conforme a função processa cada resultado de pesquisa, ela organiza meticulosamente o conteúdo da mensagem, os registros de data/hora e os remetentes, garantindo que a estrutura de dados permaneça consistente e confiável. Esse manuseio cuidadoso assegura que o frontend receba dados bem estruturados, prontos para serem exibidos ao usuário sem nenhum problema.
A interação entre o agente de IA e o Couchbase garante que todas as interações dos usuários sejam armazenadas com segurança e possam ser recuperadas rapidamente quando necessário. Seja buscando históricos de chat ou atualizando preferências do usuário, o Couchbase fornece a escalabilidade e o desempenho necessários para lidar com uma base de usuários em crescimento, sem comprometer a velocidade ou a confiabilidade.
Quando um usuário inicia uma busca no frontend, a aplicação React envia a consulta para o backend. O agente de IA processa essa requisição, interage com o Couchbase para buscar os chats relevantes e envia os resultados de volta para o frontend. Essa viagem de ida e volta garante que os usuários recebam informações precisas e oportunas, aprimorando sua experiência geral com a aplicação.
Ao combinar as capacidades da biblioteca Browser Use com os recursos de gerenciamento de dados do Couchbase, a aplicação oferece uma experiência abrangente de agente de IA. Os usuários podem gerenciar suas tarefas online, manter conversas significativas com seu agente e contar com o sistema para lidar com operações complexas nos bastidores.
Esta arquitetura não apenas fornece funcionalidade imediata, mas também estabelece uma base sólida para futuras melhorias. À medida que a aplicação evolui, a integração entre o frontend, o agente de IA e o Couchbase garante que ela permaneça adaptável, escalável e responsiva às necessidades do usuário.
Concluindo
Da próxima vez que você ver serviços de agentes de IA por aí e sentir o FOMO porque seu cartão de crédito simplesmente não aguenta a fatura mensal, lembre-se de que com um pouco de Python e um pouco de JavaScript, você pode ter seu próprio agente à sua disposição.
Quer começar? Acesse o projeto em GitHub, clone-o para o seu computador e siga as instruções no README para testá-lo.
Quais tarefas de economia de tempo você fará seu agente realizar para você? Junte-se à nossa comunidade ativa e em crescimento no Discord para compartilhar o que você construiu!
- Comece a usar os recursos de IA em Couchbase Capella hoje, de graça
Deixe um comentário
Você precisa fazer o login para publicar um comentário.