Agente Meteorológico Completo
Nesta página
Criar um Agente Meteorológico Completo do Zero
Nesta lição, vai reunir tudo o que aprendeu para construir um agente meteorológico completo. Este agente ilustra o ciclo completo de chamada de funções: definição de ferramentas, gestão de múltiplas interações, tratamento de erros e respostas em linguagem natural.
Arquitetura do Agente
O agente meteorológico dispõe de três ferramentas:
- get_weather — obter o estado atual do tempo numa cidade
- get_forecast — obter previsões para vários dias
- get_alerts — verificar alertas meteorológicos ativos
import json
from openai import OpenAI
client = OpenAI(
api_key="your-xai-key",
base_url="https://api.x.ai/v1"
)
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "Get current weather for a city. "
"Returns temperature, humidity, wind, and conditions.",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "City name (e.g., Paris, Lyon, Marseille)"
},
"unit": {
"type": "string",
"enum": ["celsius", "fahrenheit"],
"default": "celsius"
}
},
"required": ["city"]
}
}
},
{
"type": "function",
"function": {
"name": "get_forecast",
"description": "Get weather forecasts for multiple days. "
"Returns day-by-day conditions.",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "City name"
},
"days": {
"type": "integer",
"description": "Number of forecast days (1-7)",
"default": 3
}
},
"required": ["city"]
}
}
},
{
"type": "function",
"function": {
"name": "get_alerts",
"description": "Check active weather alerts (storms, heatwaves, "
"floods) for a city or region.",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "City or region name"
}
},
"required": ["city"]
}
}
}
]
Implementação das Funções
Num ambiente de produção, estas funções chamariam uma API meteorológica real. Aqui, simulamos as respostas:
def get_weather(city, unit="celsius"):
# In production: call OpenWeatherMap, WeatherAPI, etc.
data = {
"Paris": {"temp": 18, "humidity": 65, "wind": 12, "conditions": "Cloudy"},
"Lyon": {"temp": 21, "humidity": 55, "wind": 8, "conditions": "Sunny"},
"Marseille": {"temp": 24, "humidity": 70, "wind": 15, "conditions": "Clear"},
}
result = data.get(city, {"error": f"City {city} not found"})
if "error" not in result:
result["city"] = city
result["unit"] = unit
return result
def get_forecast(city, days=3):
return {
"city": city,
"forecast": [
{"day": f"Day+{i+1}", "temp_max": 20+i, "temp_min": 12+i,
"conditions": "Variable"}
for i in range(days)
]
}
def get_alerts(city):
alerts = {
"Marseille": [{"type": "Strong Wind", "severity": "orange",
"message": "Gusts up to 90 km/h expected"}],
}
return {"city": city, "alerts": alerts.get(city, [])}
Ciclo Principal do Agente
def execute_function(name, args):
functions = {
"get_weather": get_weather,
"get_forecast": get_forecast,
"get_alerts": get_alerts,
}
fn = functions.get(name)
if not fn:
return {"error": f"Unknown function {name}"}
try:
return fn(**args)
except Exception as e:
return {"error": str(e)}
def weather_agent(user_message):
messages = [
{
"role": "system",
"content": "You are an expert weather assistant. "
"Use the available tools to provide "
"accurate weather information. Always "
"check alerts when asked about the "
"weather for a city."
},
{"role": "user", "content": user_message}
]
for _ in range(5): # Max 5 turns
response = client.chat.completions.create(
model="grok-4.5",
messages=messages,
tools=tools
)
message = response.choices[0].message
messages.append(message)
if not message.tool_calls:
return message.content
for tc in message.tool_calls:
args = json.loads(tc.function.arguments)
print(f" → Calling: {tc.function.name}({args})")
result = execute_function(tc.function.name, args)
messages.append({
"role": "tool",
"tool_call_id": tc.id,
"content": json.dumps(result, ensure_ascii=False)
})
return "Sorry, too many turns required."
Testar o Agente
# Test 1: simple question
print(weather_agent("What's the weather like in Paris?"))
# Test 2: forecast
print(weather_agent("Give me the forecast for Lyon for 5 days"))
# Test 3: multi-city (parallel calls)
print(weather_agent("Compare the weather between Paris, Lyon, and Marseille"))
# Test 4: complex question
print(weather_agent("I'm going to Marseille this weekend, what do you recommend?"))
O Teste 3 desencadeia chamadas paralelas: o modelo chama get_weather três vezes simultaneamente. O Teste 4 é o mais interessante — o modelo deve chamar get_forecast E get_alerts para Marselha e, em seguida, sintetizar os resultados em conselhos práticos.
Possíveis Melhorias
Para um agente pronto para produção, adicione:
- Cache: evite chamar a API meteorológica para a mesma cidade num intervalo de 10 minutos
- Geocodificação: converta nomes de cidades em coordenadas para maior precisão
- Histórico: guarde as preferências do utilizador (unidades, cidades favoritas)
- Internacionalização: suporte a nomes de cidades em todos os idiomas
Pontos-chave
- Um agente completo combina várias ferramentas com responsabilidades distintas
- O prompt do sistema orienta o comportamento do modelo (verificar alertas sistematicamente)
- O ciclo de múltiplas interações com
max_iterationsprevine loops infinitos - O dispatcher
execute_functioncentraliza a execução e o tratamento de erros - Teste com consultas variadas: simples, multi-cidade e complexas
- Em produção, adicione cache, geocodificação e histórico do utilizador