![WARNING] Refactoring in progress - let's rewrite it in Effect! Actually, the ultimate goal here is take the best of both worlds: BAML for the LLM-facing and prompt engineering part and Effect for orchestration and basically everything else. Let's see how far it goes!

Aknowledges:

• Kit Langton for his enlightening videos, specially this one on how to implement "Claude Code" in less than 150 lines of code.

Este projeto contém um agente de inteligência artificial bem simples que tem duas ferramentas: calculadora e acesso à base de dados do Instituto Nacional de Propriedade Intelectual (INPI).

Ele é capaz de lidar com cálculos que requerem diversas passos como "você consegue multiplicar 3x4 e depois dividir o resultado por dois e então adicionar 12 a esse resultado?" e também perguntas que exigem acesso à base de dados do INPI, como "quem detém a marca Nubank?"

O objetivo de publicar esse projeto em português é sobretudo aumentar a visibilidade da linguagem BAML na comunidade brasileira.

Isso, porque BAML apresenta paradigmas relevantes tanto para quem está buscando desenvolver aplicações sofisticadas e altamente integradas a modelos de linguagem, quanto para quem está começando a programar agora. Algumas características relevantes incluem:

1. Prompts são funções: O principal paradígma de BAML é que prompts são funções nas quais você define com clareza a estrutura de dados que um prompt recebe e qual a estrutura de dados que ele retorna. Isso permite um desenvolvimento focado em modelagem de domínio útil para profissionais de LLMOps/AI deployment que atuam em setores complexos como o jurídico, por exemplo.

2. Cada função é testável: Como modelos de linguagem são probabilísticos, é essencial testar diversas variações para garantir que o modelo se comporta de maneira consistente e da forma esperada. BAML tem uma extensão para VSCode que permite iterar facilmente sobre diferentes prompts e assim como em Rust é incentivado que ao final de cada arquivo escreva-se testes para as funções nele contidas.

3. Funciona com qualquer linguagem: O compilador de BAML é escrito em Rust, o que garante uma latência de compilação bem baixa, mas não só permite-se exportar para as principais linguages de programação, como também é possível facilmente configurar uma API REST.

4. Funciona com qualquer modelo: O termo 'Prompt Engineering' de alguma forma passou a ser usado para se referir à alquimia necessaria para extrair o que você precisa dos modelos. O compilador de BAML garante que você vai ter um output alinhado com as estruturas de dados definidas independentemente do comportamento do modelo, o que permite que você passe mais tempo se dedicando à engenharia propriamente dita - explorar diferentes arquiteturas, fluxo de dados, gerenciamento de contexto, ferramentas, etc.

• Typescript
• BAML

• Node
• Git

Caso você precise de ajuda para configurar o ambiente acima, você pode seguir as instruções presentes aqui

Por enquanto o ambiente para testagem está disponível apenas para VSCode e existe um syntax highlighter criado pela comunidade para Neovim. Suporte para JetBrains e Zed devem vir no futuro.

0. Clone o repositório e entre no diretório:

git clone https://github.com/oscaromsn/inpi-agent && cd inpi-agent

0. Faça uma cópia do .env.example e insira a API key do seu modelo de preferência em .env.local:

cp .env.example .env.local

1. Lembre-se de instalar as dependências necessárias:

pnpm install

O CLI tem dois modos: o principal contém apenas as mensagens finais do agente e você pode iniciar executando:

pnpm chat

Caso queira também exibir cada chamada ao LLM execute no modo de depuração:

pnpm chat -d

Para encerrar o agente amigavelmente digite /exit ou use seu atalho de saída habitual. Não há persistência entre as conversas, salve você mesmo a conversa conforme julgue necessário.

O objetivo do repositório é ser um boilerplate simples para prototipação e posterior integração em aplicações maiores. Caso queira se aprofundar no desenvolvimento de agentes usando BAML sugiro fortemente acompanhar o trabalho do Vaibhav Gupta e Dexter Horthy, especialmente a série de webnars que eles têm feito em conjunto. Os detalhes da arquitetura especificamente usada neste agente está descrita neste vídeo.