As receitas de Agentes Avançados são um projeto comunitário no GitHub que oferece uma biblioteca de receitas de agentes de IA baseadas em LangChain. Cobre módulos de memória para retenção de contexto, integrações de ferramentas personalizadas para dados externos e chamadas de API, padrões de chamadas de função para respostas estruturadas, planejamento de cadeia de pensamento para decisões complexas e orquestração de fluxos de trabalho de múltiplos passos. Desenvolvedores podem usar esses exemplos prontos para entender as melhores práticas, personalizar comportamentos e acelerar o desenvolvimento de agentes inteligentes que automatizam tarefas como agendamento, recuperação de dados e suporte ao cliente.

Cyrano é uma estrutura de código aberto em Python e CLI para criar agentes de IA que orquestram grandes modelos de linguagem e ferramentas externas por meio de solicitações de linguagem natural. Os usuários podem definir ferramentas personalizadas (funções), configurar limites de memória e tokens, e lidar com callbacks. Cyrano lida com a análise de respostas JSON de LLMs e executa ferramentas especificadas em sequência. Enfatiza simplicidade, modularidade e zero dependências externas, permitindo que desenvolvedores possam prototipar chatbots, construir fluxos de trabalho automatizados e integrar capacidades de IA em aplicativos de forma rápida.

gpt-func-calling é um kit de ferramentas para desenvolvedores que demonstra o recurso de chamadas de funções do OpenAI, permitindo que IA baseada em chat interaja com serviços externos. Ao definir assinaturas de funções em JSON, os desenvolvedores orientam o GPT-3.5/4 a reconhecer quando chamar uma função, formatar argumentos automaticamente e lidar com a resposta de forma estruturada. Isso otimiza a integração com APIs de clima, consultas a bancos de dados ou lógica de negócios personalizada, garantindo saídas consistentes e confiáveis sem parsing manual.

O LLM Functions fornece uma estrutura simples para conectar respostas de grandes modelos de linguagem à execução real de código. Você define funções via esquemas JSON, registra-as na biblioteca, e o LLM retornará chamadas de funções estruturadas quando apropriado. A biblioteca analisa essas respostas, valida os parâmetros e invoca o manipulador correto. Ela suporta callbacks síncronos e assíncronos, tratamento de erros personalizado e extensões de plugins, sendo ideal para aplicações que requerem pesquisa dinâmica de dados, chamadas externas de API ou lógica de negócios complexa em conversas conduzidas por IA.