Repolode
Enviar
langchain-ai

langchain-ai/data-enrichment

Template do LangGraph Studio para um agente LLM que pesquisa tópicos na web e preenche um schema JSON definido pelo usuário.

Ver no GitHub
Estrelas
258
Forks
62
Issues abertas
15
Último commit
anteontem

O que é?

Este template oferece um agente LangGraph pronto para uso para enriquecimento de dados: com um tópico de pesquisa e um schema JSON, o agente busca na web, lê as páginas relevantes, extrai informações e as organiza na estrutura solicitada. Ele é útil quando os resultados precisam preencher uma tabela de banco de dados ou uma planilha, mas as informações de origem precisam ser coletadas por meio de pesquisas abertas na web.

O grafo do agente é definido em src/enrichment_agent/graph.py e executado no LangGraph Studio, onde você pode informar o tópico e o extraction_schema, ajustar o modelo e o prompt pela configuração e executar novamente a partir de estados anteriores. A busca na web usa Tavily, e o modelo padrão é o Anthropic Claude 3.5 Sonnet, com modelos de chat da OpenAI disponíveis por meio de uma configuração de provedor e nome do modelo.

O código foi estruturado para facilitar extensões: novas ferramentas são funções Python simples em tools.py, e etapas adicionais podem ser incluídas no grafo. O repositório também inclui um notebook que mostra como chamar o grafo pela LangGraph API.

Recursos principais

  • 01Transforma um tópico de pesquisa e um schema JSON em uma saída estruturada que segue o schema.
  • 02Pesquisa na web com Tavily e extrai informações das páginas consultadas.
  • 03É executado no LangGraph Studio com hot reload e permite executar novamente a partir de estados anteriores.
  • 04Permite escolher o modelo de chat e personalizar o prompt pela configuração.
  • 05Permite adicionar ferramentas personalizadas como funções Python simples e incluir etapas extras no grafo.

Casos de uso

  • Criar uma lista de empresas ou fornecedores com atributos para um banco de dados de vendas ou pesquisa de mercado.
  • Preencher linhas de planilhas com informações coletadas de fontes públicas na web.
  • Prototipar um agente de pesquisa que retorna dados em um formato JSON fixo.

Início rápido

  1. 1

    Crie um arquivo .env a partir do exemplo

    cp .env.example .env
  2. 2

    Adicione ao arquivo .env sua chave de API da Tavily e a chave do provedor do modelo (Anthropic ou OpenAI)

  3. 3

    Abra a pasta no LangGraph Studio e informe topic e extraction_schema

Antes de usar

  • É necessária uma chave de API da Tavily paga ou vinculada a uma conta, além de uma chave de API do provedor do modelo (Anthropic ou OpenAI).
  • A configuração depende do LangGraph Studio, que deve ser instalado separadamente.

Tópicos

#langgraph#llm-agent#web-research#data-extraction#structured-output#json-schema#tavily#langgraph-python#langgraph-template

Perguntas frequentes

O que é data-enrichment?
Template do LangGraph Studio para um agente LLM que pesquisa tópicos na web e preenche um schema JSON definido pelo usuário. Este template oferece um agente LangGraph pronto para uso para enriquecimento de dados: com um tópico de pesquisa e um schema JSON, o agente busca na web, lê as páginas relevantes, extrai informações e as organiza na estrutura solicitada. Ele é útil quando os resultados precisam preencher uma tabela de banco de dados ou uma planilha, mas as informações de origem precisam ser coletadas por meio de pesquisas abertas na web.
data-enrichment é gratuito? Qual é a licença?
data-enrichment é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.
data-enrichment ainda é mantido?
Manutenção ativa. O último commit de data-enrichment foi em 5 de nov. de 2026.
Para que posso usar data-enrichment?
Criar uma lista de empresas ou fornecedores com atributos para um banco de dados de vendas ou pesquisa de mercado. Preencher linhas de planilhas com informações coletadas de fontes públicas na web. Prototipar um agente de pesquisa que retorna dados em um formato JSON fixo.
Como instalar data-enrichment?
Crie um arquivo .env a partir do exemplo: cp .env.example .env Adicione ao arquivo .env sua chave de API da Tavily e a chave do provedor do modelo (Anthropic ou OpenAI) Abra a pasta no LangGraph Studio e informe topic e extraction_schema
Onde consigo data-enrichment?
O código-fonte e as instruções de instalação estão no GitHub: https://github.com/langchain-ai/data-enrichment

Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.

Projetos relacionados