Agentic RAG Simplificado: Usando Langflow 1.1 para Criar Agentes de IA Generativa

Поделиться
HTML-код
  • Опубликовано: 27 янв 2025

Комментарии • 22

  • @santoslucianop
    @santoslucianop 9 дней назад +1

    Ótimo conteúdo! Vou dar uma olhada nos vídeos sobre dados estruturados! 👏🏾👏🏾👏🏾

    • @samuelmatioli
      @samuelmatioli  7 дней назад

      Legal. Agentes com dados estruturados é muito importante. É a melhor forma de usar os dados de todos os sistemas que as empresas já tem.

  • @Max_Moura
    @Max_Moura Месяц назад

    E aí, Samuel! 🚀Que aula sensacional sobre Agentic RAG! Gostei como você destrinchou o tema, desde o RAG "raiz" até essa versão turbinada com agentes. Ficou super claro como o Langflow 1.1 simplifica a criação desses fluxos, e a demonstração com o Astra DB foi show! 🤩A parte do agente decidindo qual base usar foi o ponto alto, mostrando o poder da IA generativa. Ah, e valeu por mostrar o LangSmith, essencial pra monitorar tudo! 😉 Pra quem quiser se aprofundar, tem uns artigos bem legais sobre RAG e agentes no blog da LlamaIndex e no Towards Data Science. Parabéns pelo conteúdo, e bora pro próximo vídeo! 🤘

  • @samuelalves4523
    @samuelalves4523 Месяц назад

    Simplesmente deslumbrado com o conteúdo!

  • @pablopfg
    @pablopfg Месяц назад +1

    Tem algum vídeo demonstrando como fazer um agente servir de tool para outro agente?

  • @jonatapaulino
    @jonatapaulino 14 дней назад +1

    Essa ferramenta Langflow é open source? Parabéns pelo conteúdo.

    • @samuelmatioli
      @samuelmatioli  14 дней назад

      Sim, o Langflow é open source! Pode instalar via pip install ou clonar do github deles. Dá pra usar o serviço gerenciado pela DataStax tb...

  • @joallisonavelino3539
    @joallisonavelino3539 2 месяца назад

    Excelente conteúdo! ❤

  • @RodrigoTrindade100
    @RodrigoTrindade100 2 месяца назад +1

    Sempre ótimos conteúdos! A aplicabilidade é vasta, mas me pergunto como seria o comportamento com grande conjuntos de dados e bancos segmentados. Aqui na empresa estamos usando somente um Vector DB ( Azure Cosmos DB ) onde segmentamos o acesso por por área usando metadado na hora do cadastro do conteúdo e no perfil do usuário, filtrado a recuperação por essa tag. Estamos em testes os resultados estão regulares, mas creio que essa sua abordagem seja muito mais robusta.
    Como você tem visto a utilização do langflow em ambientes de produção corporativos, Samuel? Faz sentido ou ainda estamos em um momento de ganho de robustez. Pergunto porque sou da área de negócios, e vejo que o lanflow pode se tornar uma ferramenta de extrema necessidade para prototipagem e ajustes semânticos, dando flexibilidade ao time que faz a interface com o business.
    Novamente, parabéns pelo conteúdo e didática...vou testar essa solução com os nossos dados.

    • @samuelmatioli
      @samuelmatioli  2 месяца назад +1

      Obrigado Rodrigo. Usar só uma collection com filtro por metadado é viável e, no caso do Astra, é performático também. Por governança, pode ser mais simples separar em collections, então depende dos requisitos. O Langflow tem sido muito usado justamente por usuários de negócio, que criam fluxos para automatizar tarefas da sua área, então criam pequenos agentes internos e compartilham com o time. Mas também já temos alguns casos em produção com agentes externos. Ele está se tornando mais estável a cada versão, assim como as outros frameworks deste segmento...

  • @phogomes
    @phogomes 2 месяца назад +1

    Vc recomenda usar RAG se os dados forem estruturados? Exemplo: quero consultar através de um agente os dados de faturamento da minha empresa. Posso consultar direto em um DB relacional ou o ideal seria criar um vector tbm ?

    • @samuelmatioli
      @samuelmatioli  2 месяца назад +6

      Se vc precisa usar dados estruturados, o mais prático seria usar Tools, mas não com RAG. Tem outros dois vídeos aqui sobre React Agents e Tools Calling Agents que fazem mais sentido para dados estruturados. Em breve, vou mostrar isso no Langflow tb.

  • @davigraner
    @davigraner 8 дней назад +1

    Qual é a vantagem dessa abordagem, comparado a fazer um vectordb com todo o conteúdo junto?

    • @samuelmatioli
      @samuelmatioli  7 дней назад +1

      Do jeito que eu fiz no vídeo, com collection separadas, vc pode ter modelos de embeddings diferentes, mas vc tb poderia usar o agente para definir um filtro de metadado e então usar uma collection só. É mais sobre usar um agente e com isso rotear onde a busca será feita.

  • @vagnerbessa
    @vagnerbessa 2 месяца назад

    Gostaria de saber se é possível fazer o RAG e criar a collection no ambiente do Astra e, depois, utilizá-lo no langflow. Até então isso não era possível.

    • @samuelmatioli
      @samuelmatioli  2 месяца назад +1

      Sim, é possível. Dá pra fazer a criação no Astra e depois referenciá-la no LF, como fiz no vídeo, e também é dá pra criar a collection a partir do Langflow.

    • @vagnerbessa
      @vagnerbessa 2 месяца назад +1

      Obrigado!

  • @orafaelgf
    @orafaelgf 2 месяца назад

    otimo video, parabéns.
    se puder, traz conteúdos relacionados a 'custom tool'.
    esses dias estava tentando criar um 'ai agent' conectado a 'custom tool' que é um script python que conectava ao 'google calendar' e realizar acoes (listar, criar, deletar, reagendar) de acordo com a interacao no chat. nao deu certo. talvez pela estrutura final que gerava 'data' ao inves de 'tool'. fiz uma conversoes e mesmo assim nao deu certo.
    abs

    • @samuelmatioli
      @samuelmatioli  2 месяца назад +1

      Legal, boa dica. No vídeo sobre Tool Calling agents eu mostro um pouco da criação de uma tool que busca os dados no Astra, mas vou tentar fazer algo mais específico. Valeu!