Hoje tu vai criar uma IA com múltiplos agentes (e todos rodando local)

@eusoudevx

5.7K followers · usually 2.9K views a post

Views

26.8K

Likes

1.9K

Comments

90

Shares

130

Selling · SaaS › AI Tool

Multi-Agents Orchestrator

Why it worked

The video provides a practical, local, and cost-effective solution for building a multi-agent AI system, addressing a common pain point for developers interested in AI implementation. The use of popular tools like Docker, FastAPI, and Ollama makes it accessible and relevant.

Summary

The creator demonstrates how to build a multi-agent AI system running locally using Docker, FastAPI, Redis, and Ollama. The system orchestrates multiple agents, each performing a specific task like summarization, title generation, and tagging, with results stored in Redis.

Structure

1Introduction to multi-agent AI
2Explaining the local setup with Docker, FastAPI, Redis, and Ollama
3Demonstrating the orchestration of three agents for different tasks
4Highlighting local execution and cost-effectiveness
5Discussing scaling and future enhancements like monitoring

Product placement

The video shows code snippets for a multi-agent orchestrator using Docker, FastAPI, Redis, and Ollama, implying these tools are used to build the promoted system.

Call to action

Comenta se quiser ver essa estrutura virar algo mais avançado, monitoramento, logs e retries. E entra no canal, tá no perfil.

Original caption

Chega de fingir que tá usando IA só porque encostou num GPT. Aqui tu monta um fluxo real com múltiplos agentes, com Docker, FastAPI, Redis e Ollama local. E se quiser escalar isso… tu já sabe pra onde ir. #programador #verdades #saas #startup #empreendedorismo #backend #fullstack #frontend #dicas #ia #ai #inteligenciaartificial

More from @eusoudevx

Their other posts in the index, biggest breakout first.

On-screen text

MULTI-AGENTS agent1 requirements.txt worker.py agent2 requirements.txt worker.py agent3 requirements.txt worker.py common __pycache__ ollama.py queue.py orchestrator __pycache__ main.py requirements.txt docker-compose.yml Dockerfile requirements.txt agent1: build: context: "./code" volumes: - ".:/code" environment: - REDIS_HOST=redis - QUEUE_NAME=agent1 - PROMPT="Crie um título atrativo para o resumo:" depends_on: - redis agent: build: context: "./code" volumes: - ".:/code" environment: - REDIS_HOST=redis - QUEUE_NAME=agent2 - NEXT_QUEUE=agent2 - PROMPT="Resuma o texto em no máximo 3 linhas:" depends_on: - redis, ollama agent2: build: context: "./code" volumes: - ".:/code" environment: - REDIS_HOST=redis orchestrator: build: context: "./code" command: "['python', '-m', 'uvicorn', 'orchestrator.main:app', '--host', '0.0.0.0', '--port', '8000']" volumes: - ".:/code" environment: - REDIS_HOST=redis ports: - "8000:8000" depends_on: - redis agent: build: context: "./code" volumes: - ".:/code" environment: - REDIS_HOST=redis - QUEUE_NAME=agent1 - PROMPT="Crie um título atrativo para o resumo:" depends_on: - redis agent2: build: context: "./code" volumes: - ".:/code" environment: - REDIS_HOST=redis - QUEUE_NAME=agent2 - NEXT_QUEUE=agent2 - PROMPT="Resuma o texto em no máximo 3 linhas:" depends_on: - redis, ollama agent3: build: context: "./code" volumes: - ".:/code" environment: - REDIS_HOST=redis - QUEUE_NAME=agent3 - NEXT_QUEUE=agent3 - PROMPT="Gere tags para o vídeo:" depends_on: - redis, ollama

Transcript

Hoje tu vai montar uma inteligência artificial de múltiplos agentes em sequência. E não, não é Notion, flowzinho de arrasta e roda, é rodando com Docker 100% local, tá? Ants, ninguém te mostra como encadear tarefa de verdade, fila com orquestrador e cada agente como uma etapa específica. Eu montei três agentes. O primeiro gera o resumo, o segundo gera o título e o terceiro gera as tags de um vídeo. Fila no Redis com Ollama orquestrado por uma Fast API. E cada agente é um worker separado. Tu define o prompt por variáveis de ambiente e ele escuta uma fila no Redis e processa, empurra o resultado pra próxima etapa. Ollama roda local, sem travar, custo zero. O prompt é solucionado na tua própria máquina. O resultado fica salvo no Redis depois. Tu pode colocar dez, vinte, mudar o modelo, mudar o pipeline e gerar um pipeline com automação real de A a Z, controle. Comenta se quiser ver essa estrutura virar algo mais avançado, monitoramento, logs e retries. E entra no canal, tá no perfil.