Como Implementar Agentes de IA com SQL e RAG no LangGraph

Neste tutorial, vamos aprender a criar um agente inteligente utilizando a arquitetura ReAct com o framework LangGraph. O diferencial deste projeto é a integração de múltiplas ferramentas: busca em bancos vetoriais (RAG) e interação com bancos de dados relacionais (SQL).

1. Arquitetura do Workflow

O fluxo de trabalho baseia-se em um grafo de estados onde o agente (LLM) atua como o cérebro central. Ele decide se deve:

• Consultar críticas de filmes no banco vetorial Qdrant [4].
• Gerar uma consulta SQL para responder sobre dados estruturados [7].
• Executar a query gerada no SQLite para obter resultados reais [9].

2. Pré-requisitos

Você precisará instalar as seguintes bibliotecas Python:

pip install langgraph langchain langchain-openai qdrant-client pysqlite3

3. Implementando as Ferramentas (Tools)

As ferramentas são funções Python decoradas com @tool que o agente pode "chamar" quando necessário [10, 11].

Ferramenta RAG:

Utilizada para buscar críticas de filmes no banco vetorial Qdrant para o filme "Um Sonho de Liberdade" [5].

Ferramenta SQL:

O processo é dividido para garantir maior precisão:

1. Gerador de Query: Um especialista em SQL que cria o comando SELECT baseado na pergunta [7].
2. Executor: Uma função que recebe a string da query e a executa no banco filmes.db [6].

4. Construindo o Grafo no LangGraph

O LangGraph organiza a lógica em nós e arestas. O fluxo principal segue este caminho:

• START: O ponto de entrada que recebe a mensagem do usuário [12].
• Nó Agente: O LLM decide qual ferramenta usar [12].
• Nó de Ferramentas (ToolNode): Executa a ferramenta escolhida [13].
• Aresta Condicional: Se o agente chamou uma ferramenta, volta para ele processar o resultado. Se ele respondeu, vai para o END [12, 13].

5. Conclusão e Segurança

Aviso Importante: Ao trabalhar com agentes SQL, nunca coloque em produção sem travas de segurança rigorosas para evitar injeções ou deleções acidentais de dados [8]. Para fins educativos, este workflow é excelente para entender o potencial da IA em manipular dados estruturados e não estruturados simultaneamente [14].

Este artigo foi baseado nos ensinamentos de Gustavo Sacchi sobre LangGraph e Agentes ReAct.