Como criar ReAct agents usando LlamaIndex

Agentes ReAct são uma das abordagens mais versáteis para criar assistentes de IA capazes de raciocinar e agir de forma autônoma. Neste guia, vamos explorar como construir um agente ReAct usando LlamaIndex, começando com ferramentas simples de calculadora para entender os conceitos fundamentais.

O que é um ReAct agent?

ReAct (Reasoning and Acting) é um paradigma que combina raciocínio e ação em agentes de linguagem. A principal vantagem do ReAct agent sobre um Function Calling agent é sua compatibilidade universal: ele funciona com qualquer Large Language Model (LLM), independentemente de suportar chamadas de função nativamente.

Configurando o ambiente

Antes de começar, instale o LlamaIndex:

%pip install llama-index

Configure sua chave da OpenAI:

import os
os.environ["OPENAI_API_KEY"] = "sk-..."

Definindo ferramentas funcionais

O primeiro passo é criar ferramentas que o agente poderá utilizar. Vamos começar com duas funções matemáticas básicas:

def multiply(a: int, b: int) -> int:
    """Multiply two integers and returns the result integer"""
    return a * b

def add(a: int, b: int) -> int:
    """Add two integers and returns the result integer"""
    return a + b

Note que as docstrings são importantes - o LlamaIndex as utiliza para que o agente entenda quando e como usar cada ferramenta.

Criando o ReAct agent

Com as ferramentas definidas, podemos instanciar nosso agente:

from llama_index.llms.openai import OpenAI
from llama_index.core.agent.workflow import ReActAgent
from llama_index.core.workflow import Context

llm = OpenAI(model="gpt-4o-mini")
agent = ReActAgent(tools=[multiply, add], llm=llm)

# Crie um contexto para armazenar o histórico de conversação
ctx = Context(agent)

Executando consultas

Vamos testar o agente com uma operação matemática simples:

from llama_index.core.agent.workflow import AgentStream, ToolCallResult

handler = agent.run("What is 20+(2*4)?", ctx=ctx)

async for ev in handler.stream_events():
    if isinstance(ev, AgentStream):
        print(f"{ev.delta}", end="", flush=True)

response = await handler

Observando o raciocínio do agente

O output mostra o processo de pensamento completo:

Thought: The current language of the user is: English. I need to use a tool to help me answer the question.
Action: multiply
Action Input: {"a": 2, "b": 4}

Thought: Now I have the result of the multiplication, which is 8. I will add this to 20 to complete the calculation.
Action: add
Action Input: {'a': 20, 'b': 8}

Thought: I can answer without using any more tools. I'll use the user's language to answer.
Answer: The result of 20 + (2 * 4) is 28.

Analisando as chamadas de ferramenta

Você pode inspecionar todas as chamadas de ferramenta realizadas:

print(response.tool_calls)

Isso retorna uma lista detalhada com:

• Nome da ferramenta utilizada

• Parâmetros passados

• Output retornado

• ID da chamada

Entendendo o prompt do sistema

O ReAct agent utiliza um prompt estruturado que define seu comportamento. Você pode visualizá-lo:

prompt_dict = agent.get_prompts()
for k, v in prompt_dict.items():
    print(f"Prompt: {k}\n\nValue: {v.template}")

O prompt instrui o agente a:

• Pensar antes de agir

• Usar ferramentas em sequência apropriada

• Seguir formato específico de output

• Responder no idioma do usuário

Personalizando o prompt

Uma das funcionalidades mais poderosas é a capacidade de customizar o comportamento do agente através do prompt:

from llama_index.core import PromptTemplate

react_system_header_str = """
You are designed to help with a variety of tasks, from answering questions 
to providing summaries to other types of analyses.

## Tools
You have access to a wide variety of tools. You are responsible for using
the tools in any sequence you deem appropriate to complete the task at hand.

## Output Format
[...formato específico...]

## Additional Rules
- The answer MUST contain a sequence of bullet points that explain how you arrived at the answer.
- You MUST obey the function signature of each tool.
"""

react_system_prompt = PromptTemplate(react_system_header_str)
agent.update_prompts({"react_header": react_system_prompt})

Testando com prompt customizado

Após customizar o prompt, o agente passa a seguir as novas regras:

handler = agent.run("What is 5+3+2")

async for ev in handler.stream_events():
    if isinstance(ev, AgentStream):
        print(f"{ev.delta}", end="", flush=True)

response = await handler

Casos de uso práticos

Embora este exemplo use ferramentas simples de calculadora, o padrão ReAct pode ser aplicado a cenários mais complexos:

Vantagens do ReAct agent

• Compatibilidade universal: funciona com qualquer LLM

• Raciocínio explícito: você pode ver o processo de pensamento

• Flexibilidade: fácil adicionar novas ferramentas

• Customização: controle total sobre o comportamento via prompts

Próximos passos

Agora que você entende os fundamentos do ReAct agent, experimente:

1. Adicionar ferramentas mais complexas

2. Integrar com pipelines RAG

3. Implementar multi-agent workflows

4. Customizar prompts para domínios específicos

O ReAct agent é uma ferramenta poderosa no arsenal de desenvolvimento com LlamaIndex. Sua simplicidade e versatilidade o tornam ideal tanto para prototipagem rápida quanto para sistemas de produção robustos.

FAQ

P: Qual a diferença entre ReAct e Function Calling agents?
R: ReAct agents funcionam com qualquer LLM, enquanto Function Calling agents requerem modelos com suporte nativo a chamadas de função.

P: Como adicionar mais ferramentas ao agente?
R: Basta passar uma lista de funções ao criar o ReActAgent: agent = ReActAgent(tools=[tool1, tool2, tool3], llm=llm)

P: É possível usar o agente em português?
R: Sim, o agente detecta automaticamente o idioma do usuário e responde no mesmo idioma.

P: Como fazer streaming apenas da resposta final?
R: Você pode filtrar os eventos e começar o streaming apenas quando "Answer:" aparecer no response.