DevPulseAI - Inteligência de Sinal Multi-Agente

Uma implementação de referência que demonstra como construir um pipeline multi-agente que agrega sinais técnicos de múltiplas fontes, classifica-os em termos de relevância, avalia riscos e sintetiza um resumo de inteligência acionável.

Filosofia de Design: Os agentes são utilizados apenas onde é necessário raciocínio. Operações determinísticas (coleta, normalização, deduplicação) são implementadas como utilitários simples - não como agentes.

Arquitetura

┌─────────────────────────────────────────────────────────┐
│                    DATA SOURCES                         │
│  GitHub · ArXiv · HackerNews · Medium · HuggingFace     │
└──────────────────────┬──────────────────────────────────┘
                       │ raw signals
                       ▼
┌──────────────────────────────────────────────────────────┐
│  SignalCollector (UTILITY - no LLM)                      │
│  • Normalizes to unified schema                          │
│  • Deduplicates via source:id composite key              │
│  • Filters incomplete signals                            │
└──────────────────────┬───────────────────────────────────┘
                       │ normalized signals
                       ▼
┌──────────────────────────────────────────────────────────┐
│  RelevanceAgent (AGENT - gpt-4.1-mini)                   │
│  • Scores each signal 0–100 for developer relevance      │
│  • Considers: novelty, impact, actionability, timeliness  │
│  • Falls back to heuristics if no API key                 │
└──────────────────────┬───────────────────────────────────┘
                       │ scored signals
                       ▼
┌──────────────────────────────────────────────────────────┐
│  RiskAgent (AGENT - gpt-4.1-mini)                        │
│  • Assesses security vulnerabilities                      │
│  • Flags breaking changes and deprecations                │
│  • Rates risk: LOW / MEDIUM / HIGH / CRITICAL             │
└──────────────────────┬───────────────────────────────────┘
                       │ risk-assessed signals
                       ▼
┌──────────────────────────────────────────────────────────┐
│  SynthesisAgent (AGENT - gpt-4.1)                        │
│  • Cross-references relevance + risk data                 │
│  • Produces executive summary                             │
│  • Generates actionable recommendations                   │
└──────────────────────┬───────────────────────────────────┘
                       │
                       ▼
              📄 Intelligence Digest

Porque a Coleta de Sinais Não É um Agente

Esta é uma escolha de design intencional e opinativa - não é um atalho.

A coleta de sinais envolve:

• Obter dados de APIs HTTP (determinístico)
• Normalizar campos para um esquema unificado (transformação mecânica)
• Deduplicar por chave composta (comparação de hash)

Nenhuma destas tarefas requer raciocínio, julgamento ou compreensão da linguagem.

Encapsular a coleta numa classe Agent seria _decorativo_ - teria uma importação de LLM que nunca seria chamada. Isto engana os leitores a pensar que um LLM é necessário, quando a lógica real é um laço for com um set().

Regra prática: Se consegues escrever a lógica como uma função pura sem ambiguidade, é uma utilidade. Se a saída depende da compreensão do contexto, de fazer julgamentos ou de gerar linguagem natural, é um agente.

Funções dos Agentes & Seleção de Modelos

Fornecedor único por defeito (OpenAI) para reduzir a fricção de integração. Substitui por agente através de variáveis de ambiente:

export MODEL_RELEVANCE=gpt-4.1-nano    # cheaper, faster
export MODEL_RISK=o4-mini               # deeper reasoning for risk
export MODEL_SYNTHESIS=gpt-4.1          # default, strongest

Como Executar

Verificação Rápida (Sem Chave de API Necessária)

cd advanced_ai_agents/multi_agent_apps/devpulse_ai
python verify.py

Pipeline Completo

Este executa o pipeline completo com dados simulados em <1 segundo. Sem chamadas de rede, sem chaves de API.

Instalação

Para instalar as dependências, executa o seguinte comando:

pip install -r requirements.txt

Execução

Para executar o pipeline, utiliza o seguinte comando:

python main.py

Estrutura do Projeto

A estrutura do projeto é a seguinte:

/projeto

│

├── main.py

├── requirements.txt

└── src

├── __init__.py

├── module1.py

└── module2.py

## Contribuição

Se quiseres contribuir, por favor, segue estas etapas:

1. Faz um fork do repositório.
2. Cria uma nova branch (`git checkout -b feature/nome-da-feature`).
3. Faz as tuas alterações e commit (`git commit -m 'Adiciona nova feature'`).
4. Faz push para a branch (`git push origin feature/nome-da-feature`).
5. Abre um Pull Request.

## Licença

Este projeto está licenciado sob a Licença MIT. Vê o ficheiro [LICENSE](LICENSE) para mais detalhes.

[OK] DevPulseAI reference pipeline executed successfully

Pipeline Completo (Com Chave de API)

# Instalação das dependências
pip install -r requirements.txt

1. Configuração da Chave de API

• Cria um ficheiro .env na raiz do projeto.
• Adiciona a tua chave de API no formato:

```

API_KEY=your_api_key_here

```

2. Execução do Pipeline

• Para executar o pipeline, utiliza o seguinte comando:

```bash

python main.py

```

3. Estrutura do Projeto

├── main.py
├── requirements.txt
├── .env
└── src/
    ├── module1.py
    └── module2.py

4. Descrição dos Módulos

• module1.py: Contém funções para a pré-processamento dos dados.
• module2.py: Contém funções para a análise dos dados.

5. Exemplo de Uso

• Após a execução do pipeline, os resultados serão armazenados na pasta results/.

6. Notas Finais

• Certifica-te de que a chave de API é válida e que tens as permissões necessárias para aceder aos recursos.

pip install -r requirements.txt
export OPENAI_API_KEY=sk-...
python main.py

Sem uma chave de API, os agentes recorrem automaticamente à pontuação heurística.

Painel Streamlit

streamlit run streamlit_app.py

Estrutura do Projeto

devpulse_ai/
├── agents/
│   ├── __init__.py              # Package exports + design docs
│   ├── signal_collector.py      # UTILITY - normalize & dedup
│   ├── relevance_agent.py       # AGENT  - score relevance (gpt-4.1-mini)
│   ├── risk_agent.py            # AGENT  - assess risks (gpt-4.1-mini)
│   └── synthesis_agent.py       # AGENT  - produce digest (gpt-4.1)
├── adapters/
│   ├── github.py                # GitHub trending repos
│   ├── arxiv.py                 # ArXiv recent papers
│   ├── hackernews.py            # HackerNews top stories
│   ├── medium.py                # Medium AI/ML blogs
│   └── huggingface.py           # HuggingFace trending models
├── workflows/
│   └── signal-intelligence-pipeline.json
├── main.py                      # Full pipeline runner
├── verify.py                    # Mock-data verification (<1s)
├── streamlit_app.py             # Interactive dashboard
└── requirements.txt             # Minimal deps (single provider)

Extensões Opcionais (Utilizadores Avançados)

Estas não são necessárias para a implementação de referência, mas mostram como a arquitetura se estende:

1. Modelos multi-fornecedor - Troca RelevanceAgent para usar Anthropic Claude ou Google Gemini atualizando a configuração do modelo. O framework agno suporta múltiplos fornecedores.

2. Pesquisa vetorial - Adiciona um adaptador Pinecone ou Qdrant para armazenar e recuperar sinais semanticamente para deteção de padrões a longo prazo.

3. Resumos em streaming - Usa streaming WebSocket a partir de SynthesisAgent para feeds de inteligência em tempo real.

4. Adaptadores personalizados - Adiciona novas fontes de sinal implementando uma função fetch_* que retorna List[Dict] com o esquema padrão (id, source, title, description, url, metadata).

5. Ciclo de feedback - Armazena feedback dos utilizadores (👍/👎) no Supabase e usa-o para ajustar a pontuação de relevância ao longo do tempo.

Dependências

agno              # Agent framework
openai            # LLM provider (single default)
httpx             # HTTP client for adapters
feedparser        # RSS/Atom parsing for Medium
streamlit>=1.30   # Interactive dashboard

Compromissos de Design

_Construído como uma implementação de referência para awesome-llm-apps._