💬 AutoGen / AG2

import autogen

# Configuração do LLM
config_list = [{"model": "gpt-4o", "api_key": "sk-..."}]
llm_config = {"config_list": config_list, "cache_seed": 42}

# AssistantAgent: usa LLM, gera respostas e código
assistente = autogen.AssistantAgent(
    name="Cientista_de_Dados",
    llm_config=llm_config,
    system_message="""Você é um cientista de dados experiente.
    Quando solicitado, escreva código Python comentado e executável.
    Sempre encerre com 'TERMINATE' quando a tarefa estiver completa."""
)

# UserProxyAgent: executa código, simula usuário
executor = autogen.UserProxyAgent(
    name="Executor",
    human_input_mode="NEVER",  # sem intervenção humana
    max_consecutive_auto_reply=10,
    is_termination_msg=lambda x: "TERMINATE" in x.get("content", ""),
    code_execution_config={
        "work_dir": "workspace",    # diretório de execução
        "use_docker": False,        # True para sandbox Docker
        "timeout": 120,             # timeout em segundos
        "last_n_messages": 3        # contexto de mensagens
    }
)

# Inicia a conversa — o loop acontece automaticamente
executor.initiate_chat(
    assistente,
    message="Analise o arquivo sales_data.csv e gere um gráfico das vendas por mês. "
            "Inclua média móvel de 3 meses."
)

# O que acontece automaticamente:
# 1. Executor envia a mensagem
# 2. Assistente gera código Python
# 3. Executor executa o código
# 4. Se erro: retorna stderr ao Assistente
# 5. Assistente corrige e tenta de novo
# 6. Quando bem-sucedido: Assistente encerra com TERMINATE

# 4 agentes especializados
pesquisador = autogen.AssistantAgent(
    name="Pesquisador",
    llm_config=llm_config,
    system_message="Você pesquisa informações e coleta dados relevantes."
)

analista = autogen.AssistantAgent(
    name="Analista",
    llm_config=llm_config,
    system_message="Você analisa dados e identifica padrões e insights."
)

critico = autogen.AssistantAgent(
    name="Critico",
    llm_config=llm_config,
    system_message="""Você critica construtivamente as análises dos outros.
    Aponte falhas de lógica, dados faltantes e conclusões precipitadas."""
)

executor = autogen.UserProxyAgent(
    name="Executor",
    human_input_mode="NEVER",
    code_execution_config={"work_dir": "ws", "use_docker": False}
)

# Cria o GroupChat
group_chat = autogen.GroupChat(
    agents=[pesquisador, analista, critico, executor],
    messages=[],
    max_round=20,                          # máximo de turnos
    speaker_selection_method="auto",        # LLM decide quem fala
    allow_repeat_speaker=False             # evita monólogo
)

# Manager coordena a conversa
manager = autogen.GroupChatManager(
    groupchat=group_chat,
    llm_config=llm_config  # usa LLM para escolher speaker
)

# Inicia o debate
executor.initiate_chat(
    manager,
    message="Pesquise e analise o impacto do GPT-4o em startups B2B SaaS. "
            "O Crítico deve questionar cada conclusão."
)

# Agente escritor
escritor = autogen.AssistantAgent(
    name="Escritor",
    llm_config=llm_config,
    system_message="""Você escreve análises técnicas claras e precisas.
    Quando receber crítica, melhore o texto e marque com [REVISADO vX]."""
)

# Agente crítico com rubrica clara
critico = autogen.AssistantAgent(
    name="Critico",
    llm_config=llm_config,
    system_message="""Avalie textos com esta rubrica (1-5 cada):
    1. Precisão técnica: dados e fatos corretos?
    2. Clareza: texto acessível ao público-alvo?
    3. Completude: todos os aspectos importantes cobertos?
    4. Estrutura: organização lógica e fluente?

    Se TODOS >= 4: responda com "APROVADO: [motivo]"
    Senão: liste melhorias específicas por critério."""
)

# Loop de reflexão controlado
proxy = autogen.UserProxyAgent(
    name="Proxy",
    human_input_mode="NEVER",
    max_consecutive_auto_reply=8,  # máximo 4 ciclos escritor+crítico
    is_termination_msg=lambda x: "APROVADO" in x.get("content", ""),
    code_execution_config=False
)

# Inicia com o tópico para o escritor
proxy.initiate_chat(
    autogen.GroupChatManager(
        groupchat=autogen.GroupChat(
            agents=[escritor, critico, proxy],
            messages=[],
            speaker_selection_method="round_robin"
        ),
        llm_config=llm_config
    ),
    message="Escreva uma análise de 300 palavras sobre LangGraph para CTOs de startup."
)