Phase 14: Agent Engineering

Tempo de execução da produção: fila, evento, cron

Type: Learn

Languages: Python (stdlib)

Prerequisites: Phase 14 · 13 (LangGraph), Phase 14 · 22 (Voice)

Time: ~60 minutes

Objetivos de aprendizagem

• Nomear as seis formas de execução da produção e combinar cada uma com um padrão de quadro / produto.
• Explique por que a execução duradoura (LangGraph) é importante para tarefas de longo prazo.
• Descreva o tempo de execução baseado no evento e quando Claude Managed Agents se encaixa.
• Explique a alegação de observabilidade como carga de carga para agentes em várias etapas.

O problema

Agentes de produção falham de maneiras que um notebook Jupyter não aparece: o timeout da rede no passo 37, o usuário pendura a chamada de voz no meio, o trabalho cron morre no reinicio da máquina, o trabalhador de fundo fica sem memória. A forma de tempo de execução determina quais falhas são susceptíveis de sobreviver.

O conceito

Requisito-resposta

• HTTP sincrono. O usuário espera a conclusão.
• Apenas viável para tarefas curtas (< 30 anos).
• Estacas: Agno (Python + FastAPI), Mastra (TypeScript + Express/Hono/Fastify/Koa).
• Observabilidade: registos de acesso HTTP padrão + intervalos OTel.

Transmissão

• SSE ou WebSocket para saída progressiva.
• O LiveKit estende isso ao WebRTC para voz/vídeo (Lessão 22).
• Stacks: qualquer framework com suporte de streaming + uma frontend que lida com SSE/WS.
• Observabilidade: tempo por peça, latença de primeiro token, latença de cauda.

Execução duradoura

• O estado está em checkpoint após cada passo, resume automaticamente em caso de falha.
• O modelo de atores do AutoGen v0.4 isola falhas em um agente (Lessão 14).
• O diferenciador central do LangGraph (Lessão 13).
• É essencial quando o número de etapas é desconhecido e o custo de recuperação é elevado.

Baseada em fila / fundo

• O trabalho entra em fila, os trabalhadores recolhem, os resultados fluem para trás através de webhooks ou pub/sub.
• Essenciais para agentes de longo horizonte (dezenas a centenas de passos por tarefa, por anúncio de uso do computador da Anthropic).
• Estacas: Celery (Python), BullMQ (Node), SQS + Lambda (AWS), personalizado.
• Observabilidade: profundidade da fila, distribuição de latência por trabalho, tamanho do DLQ.

Evento-driven

• Agentes assinam os gatilhos: novo e-mail, aberta PR, fogo cron.
• Claude Managed Agents cobre isto fora da caixa (Lessão 17).
• Os fluxos de CrewAI (Lessão 15) estruturam fluxos de trabalho deterministas orientados por eventos.
• Observabilidade: fonte de desencadeamento, latência do evento para o início, latência do agente.

Programação

• Agentes em forma de Cron que executam periodicamente.
• Combine com execução duradoura para que uma corrida noturna falha retoma na próxima vez.
• Stacks: Kubernetes CronJob + um framework durável; hospedado (Render cron, Vercel cron).

Modelos de implantação em 2026

• CrewAI Flowspara a produção orientada a eventos.
• AgnoFastAPI sem estado para microsserviços Python.
• MastraAdaptadores de servidor (Express, Hono, Fastify, Koa) para inserção.
• Pipecat Cloud / LiveKit Cloudpara a voz gerenciada (Lessão 22).
• Claude Managed Agentspara assincronização de longa duração hospedada.

Observabilidade é suportável

Sem OpenTelemetry GenAI (Lessão 23) mais um Langfuse / Phoenix / Opik backend (Lessão 24), você não pode depurar um agente multi-passo que falhou na etapa 40.

Quando os tempos de execução da produção falham

• Wrong shape choice.Escolher solicitações-resposta para uma tarefa de 5 minutos.
• No DLQ.Trabalhadores em fila sem letra morta.
• Opaque background work.Agente de fundo funciona sem rastro de exportação. falhas são invisíveis até o usuário relatá-los.
• Skipping durable state.Qualquer execução > 30 segundos em que não se pode permitir reiniciar requer execução duradoura.

Construí-lo

code/main.pyé uma demonstração multi-forma stdlib:

• O ponto final de resposta-requisito (função simples).
• Gestor de transmissão (generador).
• Trabalhador de fila com DLQ.
• Registro de desencadeamento de eventos.
• Agendador em forma de cron.

• É o que é ?

bashCopypython3 code/main.py

Output: cinco traços mostrando o comportamento de cada forma na mesma tarefa. A mesma lógica do agente, diferentes conchas externas. A execução duradoura (a sexta forma) é intencionalmente coberta na lição 13 com o ponto de verificação LangGraph.

Usá-lo

• Request-responsepara UX no estilo chat.
• Streamingpara respostas progressivas.
• Durablepara tarefas de longo prazo.
• Queuepara lote / async / de longa duração.
• Eventpara a reactividade do agente.
• Cronpara a manutenção da casa (consolidação de memória, avaliações, relatórios de custos).

Envia-o

outputs/skill-runtime-shape.mdseleciona uma forma de execução para uma tarefa e fixa os requisitos de observabilidade.

Exercícios

1. Portar a sua lição 01 ReAct loop para todas as seis formas em sua pilha.
2. Adicione um DLQ à demonstração baseada na fila. Simula 10% falha de trabalho; tamanho de DLQ de superfície.
3. Escreva um agente de avaliação com cron que corre todas as noites contra os 20 principais vestígios do dia.
4. Implementar o streaming com pressão de contração: se o cliente é lento, pause o agente. Como isso interage com um orçamento de turno?
5. Quando é que mudas um agente de longo horizonte para o de gestão?

Termos-chave

Mais leitura

• LangGraph overview Detalhes de execução duradoura
• Claude Managed Agents overview acomodação de longa data
• Anthropic, Introducing computer use "dezenas a centenas de passos por tarefa"
• AutoGen v0.4 (Microsoft Research) Isolamento de falhas de modelo de actor

This free lesson is part of the AI Engineering from Scratch curriculum. Read the full explanation, run the lesson code, and verify the result in the interactive reader or from the repository source.

Browse the complete course catalog or open this lesson on GitHub.