Memória do Agente de Coaching de Carreira ADK

🎯 Coach de Carreira com IA e Memória (ADK Multiagente)

Esta aplicação Streamlit implementa um assistente de coaching de carreira multiagente, construído com o Agent Development Kit (ADK) da Google. Um agente orquestrador de carreira delega cada pergunta ao subagente especialista adequado (currículo, prática de entrevistas, roadmap de competências/aprendizagem ou salário), enquanto o Mem0 + Qdrant memoriza o histórico de carreira de cada candidato entre sessões.

O objetivo não é apenas o encaminhamento entre especialistas: é que os conselhos realmente mudam quanto mais tempo você utiliza a aplicação. Se perguntar "em que devo focar-me?" na primeira sessão, receberá conselhos genéricos. Se fizer a mesma pergunta dois meses depois, a aplicação já conhece as suas funções-alvo, a sua stack tecnológica e os tópicos de entrevista com que teve dificuldades, pelo que a resposta é específica para o seu caso em vez de genérica.

Funcionalidades

• career_orchestrator raiz (Google ADK LlmAgent) que delega automaticamente para os subagentes resume_agent, interview_agent, skills_roadmap_agent ou salary_agent, consoante a pergunta
• Cada especialista tem a sua própria ferramenta dedicada (get_candidate_resume, get_practice_question, get_learning_resource, get_salary_benchmark), suportada por dados simulados: substitua-os por integrações reais (um repositório real de currículos/perfis, uma base real de perguntas de entrevista, um catálogo de cursos, dados salariais ao estilo de Levels.fyi/Glassdoor)
• O Mem0 + Qdrant recupera o contexto passado relevante para o candidato atual antes de o orquestrador encaminhar a mensagem: anos de experiência, funções-alvo, stack tecnológica, pontos fracos em entrevistas anteriores e muito mais, dependendo do que surgiu em conversas anteriores
• Cada interação é escrita de volta no Mem0, para que a sessão seguinte (mesmo com uma sessão ADK completamente nova) comece com o contexto completo
• Opção "Ver a minha memória" na barra lateral para inspecionar o que foi memorizado para o email de um determinado candidato
• Funciona com uma única chave de API da Google: sem Docker, sem servidor Qdrant, sem chave da OpenAI. O Mem0 está configurado para utilizar o Gemini tanto no seu LLM interno (extração de factos) como nos seus embeddings, e o Qdrant é executado em modo incorporado no disco (./qdrant_storage/), e não como um serviço separado.

Como funciona

1. O candidato envia uma mensagem.
2. A aplicação consulta o Mem0 para obter memórias relevantes para essa mensagem e para esse user_id.
3. A mensagem, juntamente com o contexto de memória recuperado, é entregue ao career_orchestrator do ADK.
4. O LLM do orquestrador decide qual o subagente especialista que deve tratar da questão (currículo, entrevista, competências ou salário) e transfere o controlo.
5. O especialista chama a sua ferramenta, se necessário, e responde, utilizando as informações de perfil já conhecidas do candidato (por exemplo, a função-alvo ou as áreas fracas em entrevistas) quando a própria mensagem não as indica.
6. A mensagem do candidato e a resposta final são ambas escritas de volta no Mem0.

Como começar?

1. Clone o repositório do GitHub

git clone https://github.com/Shubhamsaboo/awesome-llm-apps.git
cd awesome-llm-apps/advanced_llm_apps/llm_apps_with_memory_tutorials/adk_career_coach_agent_memory

2. Instala as dependências necessárias:

Para instalar as dependências necessárias, executa o seguinte comando:

npm install

pip install -r requirements.txt

3. Obtenha uma chave de API do Google para o Gemini em Google AI Studio: vai colá-la na interface de utilizador da aplicação em tempo de execução. Esta é a única credencial de que a aplicação necessita.

4. Executar a aplicação Streamlit

streamlit run adk_career_coach_agent_memory.py

A primeira execução cria uma pasta qdrant_storage/ junto ao script: é o armazenamento de vetores embutido do Mem0, guardado em disco. Apague-a se quiser limpar todo o histórico de candidatos memorizado.

Experimente

• "Pode rever o meu currículo para uma vaga de engenheiro de backend?" (como demo@example.com) → o pedido é encaminhado para o resume_agent, que chama get_candidate_resume para obter o currículo registado e, em seguida, dá feedback adaptado ao nível real de experiência e às competências desse candidato, em vez de conselhos genéricos.
• "Tenho uma entrevista de system design na Amazon para breve, podemos treinar?" → o pedido é encaminhado para o interview_agent, que obtém uma pergunta de exemplo através de get_practice_question.
• "Ando sempre a falhar as rondas de system design, o que devo estudar?" → o pedido é encaminhado para o skills_roadmap_agent.
• "O que devo esperar de uma vaga de engenheiro de backend em Seattle?" → o pedido é encaminhado para o salary_agent.
• Faça uma pergunta aberta, como "no que devo focar-me?", depois de algumas das anteriores, numa nova sessão: a resposta deve referir a sua função-alvo específica e as suas áreas mais fracas, em vez de dar conselhos genéricos.

Usar um servidor Qdrant real em alternativa

O modo embutido apresentado acima é o predefinido, porque não exige nada para além dessa única chave de API. Se preferir apontar para uma instância Qdrant real (partilhada entre máquinas, ou simplesmente persistente/inspecionável através do dashboard do Qdrant), substitua o bloco vector_store em MEM0_CONFIG por:

"vector_store": {
    "provider": "qdrant",
    "config": {
        "collection_name": "adk_career_coach",
        "host": "localhost",  # or use "url"/"api_key" for Qdrant Cloud
        "port": 6333,
        "embedding_model_dims": 768,
    },
},

e inicie primeiro um servidor, seja via Docker (docker run -p 6333:6333 -p 6334:6334 -v $(pwd)/qdrant_storage:/qdrant/storage:z qdrant/qdrant), seja através do binário autónomo qdrant.exe para Windows, disponível na página de releases do Qdrant.

Notas / próximos passos

• Este é um esboço: MOCK_RESUMES, MOCK_INTERVIEW_QUESTIONS, MOCK_LEARNING_RESOURCES e MOCK_SALARY_DATA funcionam como substitutos de fontes de dados reais (um repositório real de CVs/perfis, uma base real de perguntas, um catálogo de cursos, um fornecedor de dados salariais).
• A API do google-adk é recente e evolui rapidamente: se algo não corresponder à sua versão instalada, consulte a documentação do ADK para ver as assinaturas atuais de LlmAgent / Runner / sub_agents.
• Extensões naturais: adicionar um "Agente de Negociação" para quando houver efetivamente uma oferta sobre a mesa, um sistema de acompanhamento de candidaturas (quais empresas, em que fase), ou dividir o interview_agent em especialistas separados de entrevistas comportamentais e de system design.