LangChain Agents na prática e um bug real de produção
- #AI Agents
- #LLAMA
- #Python
- #LangChain
Hoje construí um agente com LangChain capaz de decidir sozinho qual ferramenta usar para responder uma pergunta.
O agente tem duas ferramentas:
→ Calculadora para expressões matemáticas
→ Busca na web para informações atuais
A lógica é simples: o modelo lê a pergunta, decide se precisa de uma ferramenta, executa, observa o resultado, e decide se já pode responder.
Mas encontrei um problema real no processo: o modelo llama-3.3-70b-versatile via Groq API gera XML malformado ao chamar ferramentas de busca externa, em vez de JSON válido como esperado. Resultado: a chamada quebra com tool_use_failed.
Depois de investigar, confirmei que é um bug conhecido e reportado pelo próprio time do Groq não era erro no meu código.
O aprendizado: em produção, tool calling com modelos open-source via provedores de API gratuitos tem limitações reais. Para agentes confiáveis com múltiplas ferramentas, vale usar modelos proprietários ou implementar lógica de fallback entre provedores.
Stack: Python · LangChain · Groq API · LLaMA 3.3 · DuckDuckGo Search
Código no GitHub 👇
