Configure AI Agents para LLMs de terceiros

Aprenda a integrar um AI Agent, baseado no LangGraph AI Agent Boilerplate, com Third Party LLM, como OpenAI e Anthropic, para criar um chatbot de IA personalizado.

Ver como Markdown

Esta arquitetura descreve um agente de IA no edge que consome Third Party LLM por API, armazena o estado no SQL Database e prioriza latência mínima.

Diagrama de arquitetura de AI Agent da Azion com integração Third party

AI Agent with Third-Party LLM Architecture Diagram

Figura 1. Diagrama de arquitetura do agente de IA com um Third Party LLM.

Fluxo de dados

  1. Uma requisição chega à Plataforma Web da Azion.
  2. A Aplicação Frontend serve a interface do usuário (com arquivos estáticos do Object Storage, ex.: CSS, HTML, etc.).
  3. A aplicação frontend envia uma requisição de API para a function backend.
  4. A function backend lê/escreve o estado do chat no SQL para persistência e contexto, então executa o agente LangGraph e transmite a resposta para o cliente.
  5. O agente chama Third Party LLMs, processa a entrada do usuário usando dados do banco de dados para formular uma resposta, e a envia de volta ao usuário pelo mesmo caminho.
  6. A aplicação Frontend exibe a resposta para o usuário.

Componentes

  • Applications: uma aplicação na Azion que hospeda o agente de IA.
  • Functions: uma função serverless que contém a lógica do agente de IA.
  • Object Storage: serviço de armazenamento de objetos da Azion para armazenar os dados que o agente usa para responder às perguntas.
  • SQL Database: banco de dados da Azion para armazenar o estado do chat e documentos.
  • Third Party LLM: serviço de LLM (ex.: OpenAI ou Anthropic).

Implementação

Utilize o LangGraph AI Agent Boilerplate para montar rapidamente um backend em LangGraph e uma base SQL que garante persistência confiável de estado e documentos.

Você pode obter e configurar seu template pelo Azion Console. Para implantá-lo facilmente no edge, clique no botão abaixo.

Implantar
  1. Acesse o Azion Console.
  2. Clique em + Create para abrir a página de templates.
  3. Selecione LangGraph AI Agent Boilerplate.
  4. Conecte seu GitHub, defina o nome do agente e informe as chaves necessárias (ex.: OpenAI API Key).
  5. Escolha o método de autenticação (No Auth, Basic, Clerk) e finalize com Deploy.
  6. Aguarde a propagação e acesse o domínio your-url.map.azionedge.net (ou seu domínio personalizado).

Upload de arquivos na plataforma

Uma vez o processo acima foi implementado, seu banco de dados já está configurado e pronto para uso. Vamos carregar os documentos que o agente utilizará como contexto.

  • Clone localmente o backend do template implementado na sua conta do Github.
  • Crie um arquivo .env com as configurações necessárias para o backend do template.
ZION_TOKEN='your_azion_personal_token'
OPENAI_API_KEY='API_KEY'
OPENAI_MODEL= 'model'
EMBEDDING_MODEL= 'embedding-model'
# SQL Database and table names. Usually, table names are not changed,
# and the database name is the name of your agent + database: agent_name_database
MESSAGE_STORE_DB_NAME='youragent-database'
MESSAGE_STORE_TABLE_NAME='messages'
VECTOR_STORE_DB_NAME='youragent-database'
VECTOR_STORE_TABLE_NAME='vectors'
# Optional: Langsmith to trace the requests and responses
LANGSMITH_API_KEY=
LANGCHAIN_PROJECT=
LANGCHAIN_TRACING_V2=false
# Optional: Clerk authentication with your frontend
CLERK_PUBLISHABLE_KEY=
CLERK_SECRET_KEY=
  • Insira os arquivos desejados na subpasta files do diretório migrations. Se a pasta não existir, crie-a. Atualmente, são suportados arquivos PDF, MD, JSON e TXT.
  • No terminal, vá para a pasta migrations e execute o comando yarn setup para criar as tabelas no banco de dados.
  • Em seguida, execute o comando yarn upload-docs para fazer upload dos arquivos para o Object Storage.

Este template usa Application Accelerator, Functions e SQL Database, e pode gerar custos relacionados ao uso. Verifique a página de preços para obter mais informações.

Guia de Referência

Documentação Relacionada