Como construí um sistema de atendimento com múltiplos agentes de IA

Por Gleisson Bispo — gleisson.bispo@outlook.com

Quando comecei a estudar IA aplicada com Python, a primeira pergunta que me fiz foi: como você usa LLMs em sistemas reais, onde os dados ficam no banco de dados da empresa, e não no contexto do modelo?

Este projeto é a minha resposta prática para essa pergunta.

O que é este projeto

É um sistema de atendimento ao cliente onde múltiplos agentes de IA trabalham em conjunto: um orquestrador que entende a intenção do cliente e três especialistas que têm acesso a dados reais: pedidos, faturas, produtos.. e uma base de conhecimento com busca semântica.

O cliente digita uma mensagem. O sistema classifica se é um problema técnico,financeiro ou de vendas, delega para o agente certo, que consulta o banco dedados, e responde com informações reais sobre aquele cliente específico.

Tudo isso acontece em tempo real, via WebSocket, com resposta streamada como nos produtos comerciais de IA.

Demo

O problema que eu queria resolver (tecnicamente)

Quando você usa um LLM com llm.chat("minha pergunta"), o modelo responde com o que aprendeu no treinamento ou seja informações genéricas, sem acesso aos dados da sua empresa.

Para sistemas de atendimento reais, você precisa que a IA consiga:

"Seu pedido #P-4521 está em trânsito desde ontem"
"Sua fatura de R$ 350,00 vence em 3 dias"
"O notebook que você viu custa R$ 4.200 e temos 3 em estoque"

Isso requer integrar o LLM com bancos de dados reais, é o que chamamos de tool use ou function calling: o modelo decide quando precisa de uma informação e chama uma função Python para buscá-la.

Por que múltiplos agentes?

A primeira versão que eu imaginei era um único agente que respondia tudo. Mas rapidamente percebi os problemas:

Contexto enorme: um único system prompt precisaria explicar como lidar com problemas técnicos, financeiros e de vendas.O prompt ficaria enorme e o modelo ficaria confuso;
Acesso excessivo: por que um agente de vendas precisa ter acesso ao histórico de faturas? O princípio de menor privilégio existe em IA também;
Manutenção difícil: melhorar o comportamento financeiro quebraria o comportamento técnico se estivessem no mesmo prompt.

A solução foi o padrão Orquestrador + Especialistas:

Mensagem do cliente

│

▼

Orquestrador ──── "Isso é sobre fatura" ────► Agente Financeiro

│

├── consulta banco

└── retorna resposta

O orquestrador não responde diretamente: sua única função é classificar e delegar. Cada especialista só conhece seu domínio.

As tecnologias e por que as escolhi

PydanticAI - O framework de agentes

Eu conhecia LangChain e LlamaIndex, mas fui pesquisar alternativas mais recentes. O PydanticAI me chamou atenção porque ele é schema-first: você define o formato da resposta como um modelo Pydantic e o framework garante que o LLM vai retornar exatamente aquele formato ou vai tentar de novo automaticamente.

Na prática, isso significa que meu código nunca recebe um JSON malformado do LLM. Cada agente retorna um RespostaAgente com campos garantidos:

Projetos

Sistema de atendimento com múltiplos agentes de IA usando PydanticAI