Este bootcamp cobre o framework LangChain de ponta a ponta, permitindo que você construa Agentes de IA em Python. Você explorará templates de prompts, composição de cadeias, ferramentas de agentes, memória conversacional e recuperação de documentos. Através de notebooks interativos e exercícios detalhados, você implementará chatbots, fluxos de trabalho automatizados, sistemas de perguntas e respostas e cadeias de agentes personalizadas. Ao final do curso, você entenderá como implantar e otimizar agentes baseados em LangChain para diversas tarefas.

LlamaIndex é uma biblioteca Python focada em desenvolvedores, projetada para conectar grandes modelos de linguagem a dados privados ou específicos de domínio. Oferece múltiplos tipos de índice — como vetores, árvores e índices de palavras-chave — além de adaptadores para bancos de dados, sistemas de arquivos e APIs web. A estrutura inclui ferramentas para dividir documentos em nós, incorporar esses nós usando modelos de incorporação populares e realizar buscas inteligentes para fornecer contexto a um LLM. Com cache embutido, esquemas de consulta e gerenciamento de nós, LlamaIndex simplifica a construção de geração aumentada por recuperação, permitindo respostas altamente precisas e ricas em contexto em aplicações como chatbots, serviços de QA e pipelines de análise.

OSU NLP Middleware é uma estrutura leve construída em Python que simplifica o desenvolvimento de sistemas de agentes AI. Fornece um loop central de agente que orquestra as interações entre modelos de linguagem natural e funções de ferramentas externas definidas como plugins. A estrutura suporta provedores populares de LLM (OpenAI, Hugging Face, etc.) e permite que os desenvolvedores registrem ferramentas personalizadas para tarefas como consultas a bancos de dados, recuperação de documentos, pesquisa na web, cálculos matemáticos e chamadas de API RESTful. O Middleware gerencia o histórico de conversas, lida com limites de taxa e registra todas as interações. Também oferece políticas configuráveis de cache e retentativas para maior confiabilidade, facilitando a construção de assistentes inteligentes, chatbots e fluxos de trabalho autônomos com código mínimo.

Vrain AI é uma ferramenta de aprimoramento da produtividade projetada para centralizar e otimizar buscas de dados em várias plataformas. Com o Vrain, os usuários podem localizar informações dispersas em diferentes ferramentas sem precisar alternar entre elas. Essa capacidade de busca unificada é especialmente útil para recuperar e-mails, anotações de reuniões e outros dados críticos rapidamente, reduzindo o tempo gasto em buscas e aumentando a produtividade geral.

O Financial Agentic RAG combina ingestão de documentos, recuperação com base em embeddings e geração alimentada por GPT para oferecer um assistente de análise financeira interativo. Os pipelines do agente equilibram busca e IA generativa: PDFs, planilhas e relatórios são vetorizados, permitindo recuperação contextual de conteúdo relevante. Quando um usuário envia uma pergunta, o sistema busca os segmentos mais correspondentes e condiciona o modelo de linguagem para produzir insights financeiros concisos e precisos. Pode ser implantado localmente ou na nuvem, suportando conectores de dados personalizados, templates de prompt e lojas de vetores como Pinecone ou FAISS.

Haystack é projetado para ajudar os desenvolvedores a criar facilmente soluções de busca personalizadas que aproveitam os mais recentes avanços em aprendizado de máquina. Com seus componentes, como armazenamentos de documentos, recuperadores e leitores, o Haystack pode se conectar a várias fontes de dados e processar consultas de forma eficaz. Sua arquitetura modular suporta estratégias de busca mistas, incluindo busca semântica e busca tradicional baseada em palavras-chave, tornando-o uma ferramenta versátil para empresas que buscam melhorar suas capacidades de busca.

Pi Web Agent é uma estrutura leve e extensível para construir agentes de chat de IA na web. Utiliza Python FastAPI no backend e React no frontend para oferecer conversas interativas alimentadas por OpenAI, Cohere ou LLMs locais. Os usuários podem fazer upload de documentos ou conectar bancos de dados externos para buscas semânticas via armazenamentos de vetores. Uma arquitetura de plugins permite ferramentas personalizadas, chamadas de funções e integrações de APIs de terceiros localmente, oferecendo acesso ao código-fonte completo, templates de prompt baseados em funções e armazenamento de memória configurável para criar assistentes de IA personalizados.