Multi Agent Lab

Multi-Agent Lab 🤖

📚 Propósito Educacional

Este projeto foi desenvolvido exclusivamente para fins educacionais e demonstrativos, com o objetivo de ilustrar os conceitos fundamentais de sistemas multi-agentes usando o Google ADK (Agent Development Kit).

⚠️ IMPORTANTE: Este NÃO é um exemplo para produção! É um laboratório didático para entender:

• Como implementar arquiteturas hierárquicas de agentes
• Integração entre agentes especializados
• Uso do protocolo MCP (Model Context Protocol)
• Execução de ferramentas (tools) por agentes de IA
• Coordenação entre múltiplos modelos de linguagem

🏗️ Arquitetura do Sistema

Visão Geral

O sistema simula um e-commerce com consultoria de saúde, onde diferentes agentes especializados trabalham em conjunto para atender o cliente.

Root Agent (Coordenador Principal)
├── Shop Mate (Especialista em Produtos)
│   └── Help Customer (Interface MCP)
├── Seller Agent (Especialista em Vendas)
│   ├── Create Order (Criação de Pedidos)
│   ├── Billing (Faturamento)
│   └── Manage Stock (Gestão de Estoque)
└── Health Mate (Consultor de Saúde)
    ├── Nutra Specialist (Especialista em Nutrição/Pele)
    └── Workout Specialist (Especialista em Exercícios)

🧩 Componentes Implementados

1. Vitra AI (Sistema Principal)

• Root Agent: Coordenador principal que delega tarefas aos sub-agentes
• Prompts especializados: Instruções específicas para cada agente
• Modelos variados: Gemini, Claude, e Llama via LiteLLM

2. Search MCP Server (Servidor de Ferramentas)

• Busca de produtos: Interface com sistema de busca (MeiliSearch)
• Planos de pagamento: Simulação de opções de financiamento
• Logging: Registro de todas as operações para auditoria

3. Sub-Agentes Especializados

Shop Mate

• Função: Recomendação e busca de produtos
• Ferramentas: Acesso ao MCP server para consultas
• Modelo: Claude 3.5 Sonnet

Seller Agent

• Função: Processamento completo de pedidos
• Sub-agentes:

- Create Order: Criação e gestão de pedidos - Billing: Geração de faturas - Manage Stock: Controle de estoque

• Ferramentas: Funções customizadas de e-commerce

Health Mate

• Função: Consultoria de saúde e bem-estar
• Sub-agentes:

- Nutra Specialist: Cuidados com a pele e nutrição - Workout Specialist: Dicas de exercícios e treinos

• Modelos: Gemini 2.5 Flash e Llama 3.1 8B

🚀 Como Executar o Projeto

Pré-requisitos

• Python 3.13+
• UV (gerenciador de pacotes Python)
• MeiliSearch rodando na porta 7700 (opcional - veja alternativas abaixo)

1. Instalação das Dependências

# Clone o repositório
git clone 
cd multi_agent_lab

# Instalar dependências do sistema principal
cd vitra_ai
uv sync

# Instalar dependências do servidor MCP
cd ../search_mcp_server
uv sync

2. Configuração dos Modelos

Certifique-se de ter as chaves de API configuradas:

# Para Claude (Anthropic)
export ANTHROPIC_API_KEY="sua_chave_aqui"

# Para Gemini (Google)
export GOOGLE_API_KEY="sua_chave_aqui"

# Para Ollama (local)
# Instale o Ollama e baixe o modelo llama3.1:8b
ollama pull llama3.1:8b

3. Executando o Sistema

Opção 1: Com MeiliSearch (Completo)

# Terminal 1: Iniciar MeiliSearch
docker run -it --rm -p 7700:7700 getmeili/meilisearch:v1.5

# Terminal 2: Executar o servidor MCP
cd search_mcp_server
uv run help_customer.py

# Terminal 3: Executar o sistema principal
cd vitra_ai
uv run agent.py

Opção 2: Sem MeiliSearch (Simulado)

# Apenas o sistema principal (com dados mockados)
cd vitra_ai
uv run agent.py

4. Testando com ADK Web Interface

Para testar o sistema usando a interface web do ADK:

# 1. Primeiro, instale as dependências
cd vitra_ai
uv sync

# 2. Ative o ambiente virtual
source .venv/bin/activate

# 3. Volte para a pasta raiz do projeto
cd ..

# 4. Execute o ADK web (deve ser executado um nível acima da pasta do projeto)
adk web

Importante: O comando adk web deve sempre ser executado em uma pasta que seja pai da pasta do projeto, não dentro da pasta do projeto em si.

🔧 Personalizando o Servidor MCP

Alternativas ao MeiliSearch

O arquivo search_mcp_server/help_customer.py pode ser facilmente modificado para usar outras fontes de dados:

1. Arquivo JSON Local

import json

@mcp.tool()
def search_products_by_terms(terms: str):
    with open("products.json", "r") as f:
        products = json.load(f)
    # Implementar busca simples por termo
    results = [p for p in products if terms.lower() in p['name'].lower()]
    return {"hits": results}

2. API REST Externa

@mcp.tool()
def search_products_by_terms(terms: str):
    # Exemplo com uma API de produtos
    response = requests.get(f"https://api.mercadolibre.com/sites/MLB/search?q={terms}")
    return response.json()

3. Banco de Dados SQLite

import sqlite3

@mcp.tool()
def search_products_by_terms(terms: str):
    conn = sqlite3.connect("products.db")
    cursor = conn.execute("SELECT * FROM products WHERE name LIKE ?", (f"%{terms}%",))
    results = cursor.fetchall()
    conn.close()
    return {"hits": results}

4. Elasticsearch

from elasticsearch import Elasticsearch

es = Elasticsearch([{'host': 'localhost', 'port': 9200}])

@mcp.tool()
def search_products_by_terms(terms: str):
    response = es.search(
        index="products",
        body={"query": {"match": {"name": terms}}}
    )
    return response

📁 Estrutura do Projeto

multi_agent_lab/
├── vitra_ai/                    # Sistema principal de agentes
│   ├── agent.py                 # Configuração do agente raiz
│   ├── prompt.py                # Prompts e instruções
│   ├── sub_agents/              # Agentes especializados
│   │   ├── shop_mate/           # Especialista em produtos
│   │   ├── seller/              # Especialista em vendas
│   │   └── health_mate/         # Consultor de saúde
│   ├── vitra_doc/               # Logs do sistema
│   └── pyproject.toml           # Dependências
├── search_mcp_server/           # Servidor de ferramentas MCP
│   ├── help_customer.py         # Implementação das tools
│   ├── log/                     # Logs das operações
│   └── pyproject.toml           # Dependências
└── README.md                    # Este arquivo

🎯 Conceitos Demonstrados

1. Hierarquia de Agentes

• Como organizar agentes em uma estrutura hierárquica
• Delegação de tarefas entre agentes especializados
• Coordenação de múltiplos sub-sistemas

2. Protocolo MCP

• Implementação de ferramentas externas
• Comunicação entre agentes e serviços
• Logging e auditoria de operações

3. Integração Multi-Modelo

• Uso simultâneo de diferentes LLMs
• Especialização por tipo de tarefa
• Configuração de parâmetros por agente

4. Ferramentas Customizadas

• Criação de tools específicas do domínio
• Persistência de dados em arquivos
• Simulação de sistemas externos

🧪 Experimentação e Aprendizado

Sugestões de Modificações

1. Adicionar novos agentes: Crie um agente de atendimento ao cliente
2. Implementar novas ferramentas: Adicione integração com APIs reais
3. Experimentar modelos: Teste outros LLMs ou ajuste parâmetros
4. Melhorar logging: Implemente logging estruturado com JSON
5. Adicionar validação: Implemente validação de dados entre agentes

Pontos de Atenção

• Hardcoded paths: Os caminhos estão fixos, adapte para seu ambiente
• Autenticação: Tokens estão expostos para fins didáticos
• Error handling: Implementação mínima, adequada apenas para demonstração
• Performance: Não otimizado para produção

📖 Recursos Adicionais

• Google ADK Documentation
• MCP Protocol Specification
• LiteLLM Documentation

🤝 Contribuições

Este é um projeto educacional! Sinta-se à vontade para:

• Fazer fork e experimentar
• Sugerir melhorias didáticas
• Adicionar exemplos de uso
• Reportar bugs ou inconsistências

Lembre-se: Este projeto é uma ferramenta de aprendizado. Use-o para entender os conceitos, experimente modificações e adapte para suas necessidades educacionais! 🚀