0Pricing
AI Agents · Aula

Agentes interativos no estilo REPL

Ciclos de entrada, histórico e conversas com várias interações em agentes de terminal.

Agentes interativos no estilo REPL é uma aula grátis de AI Agents no CoddyKit. Esta é a aula 2 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de AI Agents, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de AI Agents inclui 4 aulas no total.

O que é um agente no estilo REPL

Um REPL (ciclo de leitura, avaliação e impressão) é uma sessão interativa de terminal na qual você insere dados, obtém uma saída e continua. Os agentes de conversa no terminal funcionam exatamente assim: o usuário digita uma mensagem, o agente responde e a conversa continua até que o usuário saia.

O ciclo REPL básico

O REPL mais simples é um ciclo while True que lê a entrada do usuário com input(), processa-a e imprime o resultado. O ciclo é executado indefinidamente até que o usuário sinalize a saída.

def run_agent_repl(inputs):
    print('Agent started. Type /exit to quit.')
    conversation_history = []
    for user_input in inputs:
        user_input = user_input.strip()
        if not user_input:
            continue
        if user_input == '/exit':
            print('Goodbye!')
            break
        conversation_history.append({'role': 'user', 'content': user_input})
        agent_reply = f'[Agent reply to: {user_input}]'
        conversation_history.append({'role': 'assistant', 'content': agent_reply})
        print(f'Agent: {agent_reply}')

run_agent_repl(['Hello agent', 'What can you do?', '/exit'])

Tratando KeyboardInterrupt de forma adequada

Quando um usuário pressiona Ctrl+C, o Python gera uma KeyboardInterrupt. Capture-a no nível superior para imprimir uma mensagem cordial de despedida em vez de um rastreamento da pilha.

def run_agent_repl():
    print('Agent ready. Press Ctrl+C to exit.')
    conversation_history = []

    try:
        while True:
            user_input = input('You: ').strip()
            if not user_input:
                continue

            conversation_history.append({'role': 'user', 'content': user_input})
            reply = '[mocked agent response]'
            conversation_history.append({'role': 'assistant', 'content': reply})
            print(f'Agent: {reply}')

    except KeyboardInterrupt:
        print('\nSession ended. Goodbye!')
    except EOFError:
        # Triggered when stdin is closed (piped input ends)
        print('\nEnd of input. Exiting.')

if __name__ == '__main__':
    import builtins
    _demo_inputs = iter(['What agents can you build?', EOFError])
    def _fake_input(prompt=''):
        val = next(_demo_inputs)
        if val is EOFError:
            raise EOFError
        print(prompt + val)
        return val
    builtins.input = _fake_input
    run_agent_repl()

Mantendo o histórico de conversas com vários turnos

Para dar memória da conversa ao agente, mantenha uma lista de mensagens e passe o histórico completo ao LLM a cada turno. Comece com uma mensagem do sistema que defina a personalidade do agente.

import openai

client = openai.OpenAI(api_key='YOUR_API_KEY')

def run_chat_repl():
    history = [
        {'role': 'system', 'content': 'You are a helpful AI assistant.'}
    ]

    print('Chat started. Type /exit to quit.')

    try:
        while True:
            user_input = input('You: ').strip()
            if not user_input or user_input == '/exit':
                break

            history.append({'role': 'user', 'content': user_input})

            response = client.chat.completions.create(
                model='gpt-4o-mini',
                messages=history
            )

            reply = response.choices[0].message.content
            history.append({'role': 'assistant', 'content': reply})
            print(f'Agent: {reply}')

    except KeyboardInterrupt:
        print('\nGoodbye!')

readline: histórico e edição da entrada

O módulo readline (Unix/Mac) permite navegar pelas entradas anteriores usando as teclas de seta, como em um shell real. Os usuários podem pressionar a seta para cima para recuperar mensagens anteriores.

try:
    import readline  # available on Unix/Mac, not Windows
    # Enable persistent history between sessions
    import os
    HISTORY_FILE = os.path.expanduser('~/.agent_history')
    try:
        readline.read_history_file(HISTORY_FILE)
    except FileNotFoundError:
        pass

    import atexit
    atexit.register(readline.write_history_file, HISTORY_FILE)
    readline.set_history_length(500)
    print('History enabled (use up/down arrows)')
except ImportError:
    pass  # readline not available on Windows

# After this, input() automatically has history support

Comandos de barra integrados

Ofereça ao seu agente REPL comandos de barra integrados para operações comuns: /help, /exit e /clear para redefinir a conversa, além de /history para visualizar mensagens anteriores.

def handle_command(cmd: str, history: list) -> bool:
    'Returns True if the command was handled, False if it is a regular message'
    if cmd == '/exit' or cmd == '/quit':
        print('Goodbye!')
        raise SystemExit(0)

    elif cmd == '/help':
        print('Commands: /exit, /clear, /history, /help')
        return True

    elif cmd == '/clear':
        # Keep only the system message
        system = history[0] if history and history[0]['role'] == 'system' else None
        history.clear()
        if system:
            history.append(system)
        print('[Conversation cleared]')
        return True

    elif cmd == '/history':
        for i, msg in enumerate(history):
            if msg['role'] != 'system':
                print(f'  [{msg["role"]}] {msg["content"][:80]}')
        return True

    return False  # not a command, treat as regular message

if __name__ == '__main__':
    demo_history = [
        {'role': 'system', 'content': 'You are a helpful agent.'},
        {'role': 'user', 'content': 'Hi there'},
        {'role': 'assistant', 'content': 'Hello! How can I help?'},
    ]
    handle_command('/help', demo_history)
    handle_command('/history', demo_history)

Limitando o tamanho do histórico de conversas

Passar todo o histórico da conversa ao LLM a cada turno faz a contagem de tokens crescer linearmente. Reduza o histórico às últimas N mensagens, mantendo a mensagem do sistema, para controlar os custos.

def trim_history(history: list, max_turns: int = 10) -> list:
    system_messages = [m for m in history if m['role'] == 'system']
    non_system = [m for m in history if m['role'] != 'system']

    # Keep the last max_turns messages (each turn = 1 user + 1 assistant)
    max_messages = max_turns * 2
    trimmed = non_system[-max_messages:]

    return system_messages + trimmed

# Usage in the REPL loop:
# history.append({'role': 'user', 'content': user_input})
# trimmed = trim_history(history, max_turns=10)
# response = client.chat.completions.create(model='gpt-4o-mini', messages=trimmed)
print('Trimming history prevents token count from growing unboundedly')

Exibindo uma faixa de boas-vindas

Uma faixa de boas-vindas dá ao seu REPL uma aparência refinada. Exiba-a uma vez na inicialização, com o nome e a versão do agente e os comandos disponíveis. Use arte ASCII simples ou a biblioteca rich para adicionar cores.

def print_banner():
    banner = '''
====================================
  AI Research Agent v1.0
====================================
  Type your question to begin.
  Commands: /help  /clear  /exit
====================================
    '''
    print(banner)

# Or with rich colors:
# from rich.console import Console
# from rich.panel import Panel
# console = Console()
# console.print(Panel('[bold cyan]AI Research Agent[/] v1.0', subtitle='Type /help for commands'))

print_banner()

Exibindo indicadores de digitação

As chamadas ao LLM podem levar vários segundos. Mostre uma mensagem de 'pensando...' enquanto aguarda, para que os usuários saibam que o agente está processando. Remova-a quando a resposta chegar.

import sys
import threading
import time

def thinking_spinner(stop_event: threading.Event):
    frames = ['|', '/', '-', '\\']
    i = 0
    while not stop_event.is_set():
        sys.stdout.write(f'\rAgent is thinking... {frames[i % 4]}')
        sys.stdout.flush()
        time.sleep(0.1)
        i += 1
    sys.stdout.write('\r' + ' ' * 30 + '\r')  # clear the line
    sys.stdout.flush()

def call_agent_with_spinner(query: str) -> str:
    stop = threading.Event()
    spinner = threading.Thread(target=thinking_spinner, args=(stop,))
    spinner.start()

    # result = agent.run(query)  # the actual slow call
    time.sleep(1)  # simulating work
    result = 'The answer is 42.'

    stop.set()
    spinner.join()
    return result

if __name__ == '__main__':
    answer = call_agent_with_spinner('What is 6 * 7?')
    print(f'\nFinal answer: {answer}')

Salvando a sessão em um arquivo

Permita que os usuários salvem a conversa em um arquivo ao final de uma sessão. Isso é útil para sessões de pesquisa nas quais você deseja manter um registro do que o agente encontrou.

import json
import datetime
import os

def save_session(history: list, directory: str = 'sessions'):
    os.makedirs(directory, exist_ok=True)
    timestamp = datetime.datetime.now().strftime('%Y%m%d_%H%M%S')
    filename = os.path.join(directory, f'session_{timestamp}.json')

    with open(filename, 'w') as f:
        json.dump({
            'saved_at': timestamp,
            'messages': history
        }, f, indent=2)

    print(f'Session saved to {filename}')

# Usage in REPL on /save command:
# save_session(conversation_history)

if __name__ == '__main__':
    import tempfile
    demo_dir = tempfile.mkdtemp()
    demo_history = [
        {'role': 'user', 'content': 'Hello'},
        {'role': 'assistant', 'content': 'Hi! How can I help?'},
    ]
    save_session(demo_history, directory=demo_dir)

Modelo completo de agente REPL

Reunindo tudo: um modelo de REPL pronto para produção, com gerenciamento de histórico, comandos de barra, tratamento de interrupções do teclado e salvamento de sessões.

def run_repl(agent):
    history = [{'role': 'system', 'content': 'You are a helpful AI assistant.'}]
    print('Agent ready. Type /help for commands.')
    try:
        while True:
            user_input = input('You: ').strip()
            if not user_input:
                continue
            if user_input.startswith('/'):
                handle_command(user_input, history)
                continue
            history.append({'role': 'user', 'content': user_input})
            trimmed = trim_history(history, max_turns=10)
            reply = agent.run(trimmed)
            history.append({'role': 'assistant', 'content': reply})
            print(f'Agent: {reply}')
    except KeyboardInterrupt:
        print('\nSession ended.')
        save_session(history)

Verificação de conhecimento: agentes no estilo REPL

Verifique sua compreensão sobre agentes REPL interativos.

Recapitulação: agentes REPL interativos

Agora você já consegue criar um agente interativo completo para o terminal:

  • Use while True: input() como ciclo central de leitura
  • Capture KeyboardInterrupt para sair corretamente com Ctrl+C
  • Mantenha uma lista conversation_history para preservar a memória entre vários turnos
  • Use readline para o histórico de entradas acessível pelas teclas de seta
  • Implemente os comandos de barra /help, /clear e /exit
  • Reduza o histórico para evitar o crescimento ilimitado de tokens
  • Mostre um indicador giratório ou de progresso durante as chamadas ao LLM

Perguntas Frequentes

A aula “Agentes interativos no estilo REPL” é grátis?

Sim — o texto completo de “Agentes interativos no estilo REPL” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de AI Agents, atualize para CoddyKit PRO. O curso de AI Agents inclui 4 aulas no total.

O que vou aprender em “Agentes interativos no estilo REPL”?

Ciclos de entrada, histórico e conversas com várias interações em agentes de terminal. Você pratica AI Agents com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.

Preciso ter experiência prévia para começar AI Agents?

Nenhuma experiência prévia é necessária. AI Agents no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 2 de 4.

Quanto tempo leva a aula “Agentes interativos no estilo REPL”?

A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.

Posso escrever e executar código nesta aula de AI Agents?

Sim. Cada aula de AI Agents inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.

Todas as aulas deste curso

  1. Criando interfaces de agentes de linha de comando
  2. Agentes interativos no estilo REPL
  3. Análise de argumentos e texto de ajuda
  4. Transmitindo a saída em agentes de CLI
← Voltar para AI Agents