⚡ AutomationsAI|Portal de Cursos →

Verificando acesso...

TRILHA 5

🤖 Agentes em Produção

Como rodar frameworks consagrados (OpenAGI, AutoGen, Open-Interpreter, MetaGPT) sobre o kernel AIOS, e casos práticos de multi-agente, research, code e observabilidade.

2
Módulos
12
Tópicos
~2h
Duração
Avançado
Nível

Mapa da trilha

Conteúdo detalhado

5.1~60 min · Integração

🧱 Frameworks suportados

OpenAGI, AutoGen, Open-Interpreter, MetaGPT e como plugá-los sobre o kernel via Cerebrum sem rewrite.

O que é:

Framework de agentes mantido pela mesma AGI Research. Integração mais profunda — agentes OpenAGI usam Cerebrum nativamente.

Por que aprender:

É o ponto de entrada mais suave. Documentação alinhada, mesmo time, exemplos prontos.

Conceitos-chave:

Integração nativa · exemplos oficiais · benchmark conjunto.

O que é:

Framework Microsoft para multi-agente conversacional. Sobre AIOS, agentes AutoGen compartilham LLM Core e Scheduler.

Por que aprender:

Sem AIOS, dois agentes AutoGen disputam quota OpenAI. Com AIOS, fila do Scheduler resolve.

Conceitos-chave:

Conversation loop · GroupChat · scheduler compartilhado.

O que é:

Agente que escreve e executa código (Python, JS, Shell). Sobre AIOS, ganha sandbox via Tool Manager.

Por que aprender:

Code agent + AIOS = execução isolada, auditável, segura.

Conceitos-chave:

Code execution · sandbox · auditoria · multi-linguagem.

O que é:

Framework de agentes com papéis (PM, Engineer, QA). Sobre AIOS, cada papel é um agente distinto que compete por recursos.

Por que aprender:

Workflows estruturados (SDLC simulado) ganham fairness do Scheduler.

Conceitos-chave:

Role-based agents · workflow estruturado · simulação de equipe.

O que é:

Cada framework tem adapter: substitui chamadas LLM diretas por Cerebrum LLMCall. Logística vira responsabilidade do kernel.

Por que aprender:

Adapter mantém código existente — você não reescreve o agente.

Conceitos-chave:

Adapter · drop-in replacement · backward compat.

O que é:

3 passos: (1) trocar LLM client por LLMCall, (2) registrar tools com @tool, (3) mover memória pra Memory/Storage do kernel.

Por que aprender:

Migração incremental evita big-bang risk. Você ganha fairness sem perder lógica.

Conceitos-chave:

Migração incremental · strangler pattern · validação por etapa.

Ver Completo
5.2~60 min · Casos

🎬 Casos práticos

Multi-agent collaboration, research agent, code agent, workflows complexos, concorrência prática e observabilidade.

O que é:

N agentes resolvem subtarefas em paralelo, compartilham resultados via Storage. AIOS arbitra recursos.

Por que aprender:

Quase todo workload "real" envolve mais de um agente. Fairness importa.

Conceitos-chave:

Fan-out · shared storage · merge de resultados.

O que é:

Agente que pesquisa por horas, salva tudo em Storage, retoma sessões. AIOS preserva contexto via Context Manager.

Por que aprender:

É o "caso assinatura" do AIOS — onde scheduler+context switch+storage trabalham juntos.

Conceitos-chave:

Long-running · checkpoint · retomada · pesquisa profunda.

O que é:

Agente escreve código e executa em sandbox. Tool Manager controla quais comandos podem rodar.

Por que aprender:

Sem sandbox, code agent é vetor de ataque. AIOS resolve isolando.

Conceitos-chave:

Sandbox · whitelist de comandos · runtime isolado.

O que é:

Cadeias de agentes com branches condicionais: agente A roda; se resultado > X, agente B; senão, agente C.

Por que aprender:

Mundo real raramente é linear. Ramificação faz parte da arquitetura.

Conceitos-chave:

DAG · branches · gating · retry.

O que é:

Quando alternar entre FIFO e Round-Robin com base em métricas observadas: latência p95, fairness ratio.

Por que aprender:

Política errada gera SLA quebrado. Dado dirige decisão.

Conceitos-chave:

p95 · fairness ratio · SLO · alerta.

O que é:

Prometheus para métricas, Loki para logs, Tempo/Jaeger para traces de syscalls.

Por que aprender:

Em produção, sem observabilidade você é cego.

Conceitos-chave:

OTel · spans · dashboard · alerting.

Ver Completo