<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Kayky Matos Santana on Medium]]></title>
        <description><![CDATA[Stories by Kayky Matos Santana on Medium]]></description>
        <link>https://medium.com/@kaykymatos?source=rss-e582d6b5925e------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*Pav3Twz8g7wDX3VBsj9jHw.jpeg</url>
            <title>Stories by Kayky Matos Santana on Medium</title>
            <link>https://medium.com/@kaykymatos?source=rss-e582d6b5925e------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 08:47:41 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@kaykymatos/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Rodando uma IA local com Ollama e C#: Crie seu próprio agente desenvolvedor, sem nuvem e sem API…]]></title>
            <link>https://medium.com/@kaykymatos/rodando-uma-ia-local-com-ollama-e-c-crie-seu-pr%C3%B3prio-agente-desenvolvedor-sem-nuvem-e-sem-api-6827ab7e4168?source=rss-e582d6b5925e------2</link>
            <guid isPermaLink="false">https://medium.com/p/6827ab7e4168</guid>
            <category><![CDATA[local-llm]]></category>
            <category><![CDATA[dotnet]]></category>
            <category><![CDATA[csharp]]></category>
            <category><![CDATA[ollama]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Kayky Matos Santana]]></dc:creator>
            <pubDate>Fri, 23 Oct 2026 14:29:32 GMT</pubDate>
            <atom:updated>2026-10-23T14:29:32.796Z</atom:updated>
            <content:encoded><![CDATA[<h3>Rodando uma IA local com Ollama e C#: Crie seu próprio agente desenvolvedor, sem nuvem e sem API Key</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1X-DpHpZYwRDCuna2PQb3A.png" /></figure><h3>Como conectar modelos de linguagem open source ao ecossistema .NET usando Ollama e OllamaSharp, tudo rodando na sua própria máquina.</h3><p>Depois de explorar a integração de IA com o Microsoft Agent Framework e o Microsoft Foundry, surgiu uma pergunta natural: <strong>e se eu quisesse rodar tudo localmente?</strong> Sem conta na Azure, sem custo por token, sem enviar código para a nuvem e funcionando até sem internet.</p><p>Foi isso que me levou ao <strong>Ollama</strong>, uma ferramenta que permite baixar e executar modelos de linguagem open source (como Gemma, Llama e Qwen) com um simples comando. Neste artigo mostro como construí um agente de IA local, focado em desenvolvimento de software, usando <strong>.NET 10</strong>, <strong>C#</strong> e a biblioteca <strong>OllamaSharp</strong>.</p><h3>Por que rodar uma IA local?</h3><p>Antes do código, vale entender os motivos:</p><ul><li><strong>Privacidade:</strong> seu código e suas perguntas nunca saem da sua máquina. Isso é essencial em projetos com código proprietário ou dados sensíveis.</li><li><strong>Custo zero:</strong> não há cobrança por token nem assinatura.</li><li><strong>Funciona offline:</strong> depois de baixar o modelo, você não depende de internet.</li><li><strong>Aprendizado:</strong> entender como funciona a comunicação com um LLM, sem abstrações escondendo o que acontece.</li><li><strong>Sem autenticação:</strong> nada de API Keys, Azure CLI ou Managed Identity para configurar.</li></ul><p>Também existem trade-offs, e vale ser honesto sobre eles:</p><ul><li>Modelos locais, especialmente os pequenos, são <strong>menos capazes</strong> que os grandes modelos hospedados na nuvem.</li><li>O desempenho depende do <strong>seu hardware</strong> (CPU, RAM e, idealmente, GPU).</li><li>Você é responsável por gerenciar os modelos instalados.</li></ul><h3>A arquitetura da solução</h3><p>A arquitetura é bem mais enxuta que a versão com Foundry. Não há camada de autenticação nem projeto de biblioteca compartilhada, apenas a aplicação conversando com um servidor local:</p><ul><li><strong>.NET 10 e C#:</strong> runtime e linguagem do projeto.</li><li><strong>Ollama:</strong> servidor local que baixa, gerencia e executa os modelos, expondo uma API HTTP na porta 11434.</li><li><strong>OllamaSharp:</strong> biblioteca .NET que encapsula a API do Ollama, com suporte a streaming e gerenciamento de histórico de chat.</li><li><strong>Gemma 3 (1B):</strong> modelo open source do Google, leve o suficiente para rodar em praticamente qualquer computador.</li></ul><pre>        ┌────────────────────────────────────────────────────────┐<br>        │                   Aplicação Console                    │<br>        │                    (OllamaAgent)                       │<br>        └───────────────────────────┬────────────────────────────┘<br>                                    │  OllamaSharp<br>                                    ▼<br>        ┌────────────────────────────────────────────────────────┐<br>        │                    Servidor Ollama                     │<br>        │               (http://localhost:11434)                 │<br>        └───────────────────────────┬────────────────────────────┘<br>                                    │<br>                                    ▼<br>        ┌────────────────────────────────────────────────────────┐<br>        │                 Modelo Local (gemma3:1b)               │<br>        │               Executando na sua máquina                │<br>        └────────────────────────────────────────────────────────┘</pre><h3>Preparando o ambiente</h3><h4>1. Instale o Ollama</h4><p>Baixe o instalador em <a href="https://ollama.com/">ollama.com</a> (disponível para Windows, macOS e Linux). Após a instalação, o serviço fica rodando em segundo plano na porta 11434.</p><h4>2. Baixe o modelo</h4><p>Abra o terminal e execute:</p><pre>ollama pull gemma3:1b</pre><p>O modelo gemma3:1b tem cerca de 800 MB, o que o torna ótimo para testes e para máquinas mais modestas. Para conferir os modelos instalados:</p><pre>ollama list</pre><p>Se quiser testar o modelo direto no terminal antes de escrever qualquer código:</p><pre>ollama run gemma3:1b</pre><h4>3. Crie o projeto .NET</h4><pre>dotnet new console -n OllamaAgent<br>cd OllamaAgent<br>dotnet add package OllamaSharp</pre><p>O arquivo OllamaAgent.csproj fica assim:</p><pre>&lt;Project Sdk=&quot;Microsoft.NET.Sdk&quot;&gt;<br><br>  &lt;PropertyGroup&gt;<br>    &lt;OutputType&gt;Exe&lt;/OutputType&gt;<br>    &lt;TargetFramework&gt;net10.0&lt;/TargetFramework&gt;<br>    &lt;ImplicitUsings&gt;enable&lt;/ImplicitUsings&gt;<br>    &lt;Nullable&gt;enable&lt;/Nullable&gt;<br>  &lt;/PropertyGroup&gt;<br><br>  &lt;ItemGroup&gt;<br>    &lt;PackageReference Include=&quot;OllamaSharp&quot; Version=&quot;5.5.0&quot; /&gt;<br>  &lt;/ItemGroup&gt;<br><br>&lt;/Project&gt;</pre><p>Apenas <strong>uma dependência</strong>. Essa simplicidade é um dos grandes atrativos da abordagem local.</p><h3>Mão na massa: implementando o agente</h3><h4>1. Configuração e persona do agente</h4><p>No início do Program.cs definimos o modelo, o endereço do Ollama e o <strong>system prompt</strong>, a instrução que dá ao modelo sua persona e suas regras de comportamento:</p><pre>using OllamaSharp;<br><br>const string model = &quot;gemma3:1b&quot;;<br>const string ollamaUrl = &quot;http://localhost:11434&quot;;<br><br>const string systemPrompt = &quot;&quot;&quot;<br>    Você é um Desenvolvedor de Software Sênior especializado em C# e .NET.<br>    Quando perguntarem quem é você, responda que é um Desenvolvedor de Software Sênior especializado em C# e .NET.<br>    Suas responsabilidades:<br>    - Criar código limpo, seguro, legível e de fácil manutenção.<br>    - Aplicar SOLID, Clean Code e Clean Architecture quando apropriado.<br>    - Priorizar soluções simples e evitar complexidade desnecessária.<br>    - Explicar decisões técnicas e fornecer exemplos funcionais.<br>    - Identificar possíveis bugs, problemas de desempenho e riscos.<br>    - Não afirmar que executou ou testou código sem realmente fazê-lo.<br>    - Perguntar quando faltarem informações importantes.<br><br>    Responda em português brasileiro.<br>    Utilize nomes em inglês para classes, métodos e variáveis nos exemplos.<br>    &quot;&quot;&quot;;</pre><p>Dois detalhes do prompt merecem atenção:</p><ul><li><strong>“Não afirmar que executou ou testou código sem realmente fazê-lo”:</strong> modelos de linguagem tendem a “alucinar” que rodaram algo. Essa regra reduz o problema.</li><li><strong>“Perguntar quando faltarem informações”:</strong> incentiva o modelo a pedir contexto em vez de inventar premissas.</li></ul><h4>2. Conectando ao Ollama e validando o modelo</h4><p>Criamos o cliente OllamaApiClient apontando para o servidor local. Antes de iniciar a conversa, verificamos se o modelo realmente está instalado, o que evita um erro confuso mais adiante:</p><pre>var ollama = new OllamaApiClient(<br>    new Uri(ollamaUrl),<br>    model);<br><br>Console.WriteLine(&quot;Conectando ao Ollama...&quot;);<br><br>try<br>{<br>    var models = await ollama.ListLocalModelsAsync();<br><br>    if (!models.Any(m =&gt; m.Name.StartsWith(model, StringComparison.OrdinalIgnoreCase)))<br>    {<br>        Console.WriteLine($&quot;O modelo &#39;{model}&#39; não está instalado.&quot;);<br>        Console.WriteLine($&quot;Execute: ollama pull {model}&quot;);<br>        return;<br>    }<br><br>    var chat = new Chat(ollama, systemPrompt);<br>    // ...<br>}</pre><p>A classe Chat do OllamaSharp é a peça central: ela <strong>gerencia o histórico da conversa automaticamente</strong>. Cada mensagem enviada e cada resposta recebida são acumuladas, então o modelo mantém o contexto sem que precisemos manipular listas de mensagens manualmente. É o equivalente local ao AgentSession do Agent Framework.</p><h4>3. O loop de conversa com streaming</h4><p>Aqui está o coração da aplicação: um loop que lê a entrada do usuário e exibe a resposta <strong>token por token</strong>, como nos chats modernos:</p><pre>Console.WriteLine();<br>Console.WriteLine(&quot;======================================&quot;);<br>Console.WriteLine(&quot;       LOCAL DEVELOPER AGENT&quot;);<br>Console.WriteLine(&quot;======================================&quot;);<br>Console.WriteLine($&quot;Modelo: {model}&quot;);<br>Console.WriteLine(&quot;Digite &#39;/exit&#39; para encerrar.&quot;);<br>Console.WriteLine(&quot;Digite &#39;/new&#39; para reiniciar a conversa.&quot;);<br>Console.WriteLine();<br><br>while (true)<br>{<br>    Console.Write(&quot;Você: &quot;);<br><br>    var input = Console.ReadLine();<br><br>    if (string.IsNullOrWhiteSpace(input))<br>        continue;<br><br>    if (input.Equals(&quot;/exit&quot;, StringComparison.OrdinalIgnoreCase))<br>        break;<br><br>    if (input.Equals(&quot;/new&quot;, StringComparison.OrdinalIgnoreCase))<br>    {<br>        chat = new Chat(ollama, systemPrompt);<br><br>        Console.WriteLine(&quot;Histórico reiniciado.\n&quot;);<br>        continue;<br>    }<br><br>    Console.WriteLine();<br>    Console.Write(&quot;Desenvolvedor: &quot;);<br><br>    try<br>    {<br>        Console.ForegroundColor = ConsoleColor.Green;<br>        await foreach (var token in chat.SendAsync(input))<br>            Console.Write(token);<br><br>        Console.ResetColor();<br>        Console.WriteLine();<br>        Console.WriteLine();<br>    }<br>    catch (HttpRequestException ex)<br>    {<br>        Console.ForegroundColor = ConsoleColor.Red;<br>        Console.WriteLine($&quot;\nErro de comunicação com o Ollama: {ex.Message}\n&quot;);<br>        Console.ResetColor();<br>    }<br>    catch (OperationCanceledException)<br>    {<br>        Console.ForegroundColor = ConsoleColor.Red;<br>        Console.WriteLine(&quot;\nA operação foi cancelada ou excedeu o tempo limite.\n&quot;);<br>        Console.ResetColor();<br>    }<br>}</pre><p>O ponto-chave é chat.SendAsync(input), que retorna um IAsyncEnumerable&lt;string&gt;. Com await foreach, cada pedaço da resposta aparece no console assim que o modelo o gera, o que dá uma experiência muito mais fluida do que esperar a resposta completa. O comando /new simplesmente cria uma nova instância de Chat, descartando o histórico anterior.</p><h4>4. Tratamento de erros</h4><p>Um agente que depende de um serviço externo precisa lidar bem com falhas. No código há dois níveis de tratamento:</p><ul><li><strong>Dentro do loop:</strong> erros de comunicação ou timeouts durante uma resposta não derrubam a aplicação. O usuário vê a mensagem e pode continuar.</li><li><strong>No nível externo:</strong> se o Ollama não estiver rodando, mostramos uma mensagem clara indicando onde ele deveria estar.</li></ul><pre>catch (HttpRequestException ex)<br>{<br>    Console.ForegroundColor = ConsoleColor.Red;<br>    Console.WriteLine(&quot;Não foi possível conectar ao Ollama.&quot;);<br>    Console.WriteLine($&quot;Verifique se o serviço está em execução em {ollamaUrl}.&quot;);<br>    Console.WriteLine(ex.Message);<br>    Console.ResetColor();<br>}<br>catch (Exception ex)<br>{<br>    Console.ForegroundColor = ConsoleColor.Red;<br>    Console.WriteLine($&quot;Erro inesperado: {ex.Message}&quot;);<br>    Console.ResetColor();<br>}<br><br>Console.WriteLine(&quot;Agente encerrado.&quot;);</pre><p>Executando</p><pre>dotnet run</pre><p>Se tudo estiver certo, você verá o banner do agente e poderá conversar:</p><pre>======================================<br>       LOCAL DEVELOPER AGENT<br>======================================<br>Modelo: gemma3:1b<br>Digite &#39;/exit&#39; para encerrar.<br>Digite &#39;/new&#39; para reiniciar a conversa.<br><br>Você: Explique o princípio da responsabilidade única com um exemplo em C#.</pre><h3>Lições aprendidas</h3><p><strong>1. Tamanho do modelo importa.</strong> O gemma3:1b é ótimo para aprender, prototipar e rodar em hardware modesto, mas tem limitações em raciocínio complexo e em código mais elaborado. Se sua máquina permitir, experimente modelos maiores, como gemma3:4b ou gemma3:12b. Como o modelo é uma constante no código, a troca é trivial.</p><p><strong>2. O system prompt faz muita diferença.</strong> Em modelos pequenos, instruções claras, curtas e objetivas rendem mais resultado do que prompts longos e ambíguos.</p><p><strong>3. Streaming melhora muito a experiência.</strong> Modelos locais podem ser mais lentos. Ver a resposta aparecendo aos poucos evita a sensação de que a aplicação travou.</p><p><strong>4. Local não significa simples demais.</strong> Mesmo com apenas uma dependência, conseguimos histórico de conversa, streaming, validação de ambiente e tratamento de erros.</p><p><strong>5. Valide o ambiente antes de começar.</strong> Checar se o modelo está instalado e dar uma mensagem acionável (ollama pull ...) poupa muita frustração.</p><h3>Local ou nuvem? Não precisa escolher</h3><p>Cada abordagem tem seu lugar:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/751/1*64-B0pZKEHLkHfjGivEo6Q.png" /></figure><p>Uma boa estratégia é <strong>desenvolver e testar localmente</strong> e usar a nuvem em produção, ou mesmo manter os dois, escolhendo o modelo conforme a sensibilidade dos dados.</p><h3>Conclusão</h3><p>Rodar uma IA localmente com C# é muito mais acessível do que parece. Com o Ollama instalado, um modelo baixado e menos de 100 linhas de código, temos um agente conversacional funcional, privado e gratuito, rodando inteiramente na nossa máquina.</p><p>Se você já explorou a integração com serviços em nuvem, vale experimentar o caminho local: ele ajuda a entender o que acontece por trás das abstrações e abre muitas possibilidades para estudo e prototipagem.</p><p>📂 <strong>Repositório do projeto:</strong> <a href="https://github.com/kaykymatos/ollama-agent/tree/main"><em>Link repositório</em></a><br> 🌐 <strong>Redes sociais:</strong> <a href="https://linktr.ee/kaykymatos"><em>Link redes sociais</em></a></p><p>O que achou desta abordagem? Se o conteúdo foi útil, deixe seu clap 👏 e compartilhe suas ideias ou dúvidas nos comentários!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6827ab7e4168" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Criando Agentes de IA com Tools e .NET 10 usando Microsoft Foundry e ClosedXML/QuestPDF]]></title>
            <link>https://medium.com/@kaykymatos/criando-agentes-de-ia-com-tools-e-net-10-usando-microsoft-foundry-e-closedxml-questpdf-024de6e5fd80?source=rss-e582d6b5925e------2</link>
            <guid isPermaLink="false">https://medium.com/p/024de6e5fd80</guid>
            <category><![CDATA[csharp]]></category>
            <category><![CDATA[software-development]]></category>
            <category><![CDATA[foundry]]></category>
            <category><![CDATA[microsoft-foundry]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Kayky Matos Santana]]></dc:creator>
            <pubDate>Thu, 22 Oct 2026 16:02:51 GMT</pubDate>
            <atom:updated>2026-10-22T16:02:51.731Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gtX6B-JGgk0MAGYj4IhuXQ.png" /></figure><h3>Como capacitar um assistente em C# a executar tarefas reais, como gerar planilhas Excel e relatórios em PDF de forma automatizada.</h3><p>Recentemente, decidi explorar como levar os agentes de Inteligência Artificial além do mero bate-papo textual. O objetivo deste estudo foi construir um assistente em .NET capaz de entender comandos em linguagem natural e executar ações concretas no sistema de arquivos — especificamente, gerar relatórios corporativos formatados em Excel e PDF utilizando bibliotecas nativas C#.</p><p>Neste artigo, compartilho como estruturei essa solução utilizando o ecossistema moderno da Microsoft com <strong>.NET 10</strong>, <strong>Microsoft.Extensions.AI</strong> e <strong>Microsoft Foundry</strong>.</p><h3>A Arquitetura da Solução</h3><p>Para manter o código limpo, modular e preparado para evoluir, dividi a solução em dois projetos principais:</p><ul><li><strong>FoundryToolkit (Class Library):</strong> Uma biblioteca reutilizável que encapsula a lógica de fábrica dos agentes (AgentFactory) e o gerenciamento de sessões e opções.</li><li><strong>AgentWithTools (Console App):</strong> A aplicação executável que consome a toolkit, define as ferramentas de negócio (ReportTools) utilizando o ClosedXML e o QuestPDF, e gerencia o loop de chat interativo.</li></ul><p>O fluxo é direto: o usuário interage via console, o modelo de linguagem interpretado pelo Microsoft.Agents.AI identifica a necessidade de invocar uma ferramenta com base nos atributos [Description], executa o código C# correspondente de forma segura e devolve o resultado formatado.</p><h3>Mão na Massa: Implementando o Agente e as Ferramentas</h3><p>A grande sacada de integrar ferramentas em C# utilizando o Microsoft.Extensions.AI é a simplicidade com que transformamos métodos estáticos em capacidades executáveis pela IA através do AIFunctionFactory.</p><h4>1. Definindo as Ferramentas de Relatório (ReportTools)</h4><p>Abaixo está o exemplo de como estruturei a ferramenta de geração de planilhas Excel. O uso exato dos atributos [Description] garante que o modelo saiba exatamente quais parâmetros passar e como validar os dados:</p><pre>[Description(&quot;Gera uma planilha Excel formatada. Permite definir título, colunas, linhas, cores, tamanho da fonte, largura automática e filtros.&quot;)]<br>public static string GenerateSalesExcel(<br>    [Description(&quot;Nome do arquivo, incluindo .xlsx&quot;)] string fileName,<br>    [Description(&quot;Título exibido acima da tabela&quot;)] string title,<br>    [Description(&quot;Nomes das colunas&quot;)] string[] columns,<br>    [Description(&quot;Dados: cada elemento representa uma linha&quot;)] string[][] rows,<br>    [Description(&quot;Cor de fundo do cabeçalho em hexadecimal, como #1F4E78&quot;)] string headerColor = &quot;#1F4E78&quot;,<br>    [Description(&quot;Cor da fonte do cabeçalho em hexadecimal&quot;)] string headerFontColor = &quot;#FFFFFF&quot;,<br>    [Description(&quot;Tamanho da fonte, entre 8 e 20&quot;)] int fontSize = 11,<br>    [Description(&quot;Ajustar largura das colunas ao conteúdo&quot;)] bool autoFitColumns = true,<br>    [Description(&quot;Congelar a linha do cabeçalho&quot;)] bool freezeHeader = true,<br>    [Description(&quot;Habilitar filtros nas colunas&quot;)] bool enableFilter = true)<br>{<br>    if (columns.Length == 0)<br>        return &quot;Erro: informe ao menos uma coluna.&quot;;<br><br>    if (rows.Any(row =&gt; row.Length != columns.Length))<br>        return &quot;Erro: todas as linhas devem ter a mesma quantidade de valores das colunas.&quot;;<br><br>    fontSize = Math.Clamp(fontSize, 8, 20);<br>    fileName = Path.GetFileName(fileName);<br><br>    if (!fileName.EndsWith(&quot;.xlsx&quot;, StringComparison.OrdinalIgnoreCase))<br>        fileName += &quot;.xlsx&quot;;<br><br>    string directory = Path.Combine(Environment.GetFolderPath(Environment.SpecialFolder.UserProfile), &quot;Downloads&quot;);<br>    Directory.CreateDirectory(directory);<br>    string filePath = Path.Combine(directory, fileName);<br><br>    using XLWorkbook workbook = new XLWorkbook();<br>    IXLWorksheet worksheet = workbook.Worksheets.Add(&quot;Relatório&quot;);<br><br>    // Configuração do Título e Cabeçalho<br>    worksheet.Cell(1, 1).Value = title;<br>    worksheet.Range(1, 1, 1, columns.Length).Merge();<br>    worksheet.Cell(1, 1).Style.Font.Bold = true;<br>    worksheet.Cell(1, 1).Style.Font.FontSize = fontSize + 4;<br><br>    // Inserção de dados e salvamento<br>    workbook.SaveAs(filePath);<br>    return $&quot;Excel gerado com sucesso: {filePath}&quot;;<br>}</pre><h4>2. Configurando o Agent Factory e Registrando as Ferramentas</h4><p>No projeto principal, registramos as funções criadas por meio do AIFunctionFactory.Create e instanciamos o agente repassando as instruções de comportamento (<em>System Prompt</em>):</p><pre>// Registro das Tools baseadas em C#<br>AITool[] reportTools = new AITool[]<br>{<br>    AIFunctionFactory.Create(ReportTools.GenerateSalesExcel, &quot;GerarExcelVendas&quot;, &quot;Gera uma planilha Excel com dados de vendas e retorna o caminho do arquivo.&quot;),<br>    AIFunctionFactory.Create(ReportTools.GenerateSummaryPdf, &quot;GerarPdfResumo&quot;, &quot;Gera um documento PDF resumido com um título e conteúdo fornecidos.&quot;)<br>};<br><br>// Criação do Agente com System Instructions restritivas e direcionadas<br>AIAgent agent = agentFactory.Create(<br>    new AgentOptions<br>    {<br>        Model = deployment,<br>        Name = &quot;Desenvolvedor&quot;,<br>        Instructions = &quot;&quot;&quot;<br>            Você é um assistente de automação corporativa especializado na geração de relatórios e documentos.<br>            Sua função é ajudar o usuário a criar arquivos de forma prática, utilizando as ferramentas disponíveis.<br>            - Antes de gerar qualquer arquivo, se o usuário não informar o local, salve na pasta Downloads.<br>            - Não afirme que um arquivo foi criado sem que a ferramenta correspondente confirme a operação.<br>            &quot;&quot;&quot;,<br>        Tools = reportTools<br>    });<br><br>AgentSession session = await agent.CreateSessionAsync();<br>await Utils.RunChatLoopWithSession(agent, session);</pre><h3>Conclusão</h3><p>Construir agentes capazes de interagir com o mundo real utilizando o ecossistema .NET nunca foi tão acessível. A união do ecossistema Microsoft com bibliotecas robustas de manipulação de arquivos como ClosedXML e QuestPDF abre um leque gigantesco de automações corporativas.</p><p>Se este artigo foi útil para você, deixe seus <strong>claps</strong> 👏 e compartilhe com outros desenvolvedores .NET!</p><ul><li>Repositório do projeto no GitHub: <a href="https://github.com/kaykymatos/agent-examples/blob/main/src/AgentWithTools/Program.cs">Link</a></li><li>Linktree: <a href="https://linktr.ee/kaykymatos">Link</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=024de6e5fd80" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Construindo Agentes de IA com skills em .NET com Microsoft Foundry]]></title>
            <link>https://medium.com/@kaykymatos/construindo-agentes-de-ia-com-skills-em-net-com-microsoft-foundry-deff9338655f?source=rss-e582d6b5925e------2</link>
            <guid isPermaLink="false">https://medium.com/p/deff9338655f</guid>
            <category><![CDATA[software-architecture]]></category>
            <category><![CDATA[microsoft-foundry]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[dotnet]]></category>
            <category><![CDATA[csharp]]></category>
            <dc:creator><![CDATA[Kayky Matos Santana]]></dc:creator>
            <pubDate>Thu, 22 Oct 2026 15:46:24 GMT</pubDate>
            <atom:updated>2026-10-22T15:46:24.460Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FR-BbQpbpAVwf135ph4qaQ.png" /></figure><h3>Como criar um assistente inteligente em C# utilizando .NET 10, o ecossistema Microsoft Agents e injeção de comportamentos baseada em arquivos Markdown.</h3><p>Recentemente, decidi explorar a criação de agentes de IA locais utilizando o ecossistema .NET e o Microsoft Foundry. O meu objetivo principal era estruturar uma aplicação em C# capaz de instanciar agentes especializados não apenas por instruções de sistema estáticas, mas por meio de <strong>habilidades modulares</strong> (Skills) definidas externamente em arquivos Markdown.</p><p>Neste artigo, vou compartilhar como estruturei essa arquitetura, a organização do projeto e como o uso de provedores de habilidades (AgentSkillsProvider) eleva a flexibilidade do seu agente.</p><h3>A Arquitetura da Solução</h3><p>Para alcançar esse nível de modularidade, dividi a solução em duas partes principais:</p><ol><li><strong>FoundryToolkit</strong>: Uma biblioteca reutilizável focada em encapsular a criação de sessões, loops de chat e a injeção de contextos/habilidades utilizando pacotes como Microsoft.Agents.AI e Azure.AI.Projects.</li><li><strong>AgentSkill</strong>: A aplicação de console executável (.NET 10) que consome o toolkit e carrega dinamicamente as diretrizes e ferramentas dos arquivos de skill.</li></ol><p>As habilidades do agente são definidas de forma declarativa em arquivos .md contendo instruções, objetivos e regras de negócio. Por exemplo, utilizei uma skill para transformar o agente em um pirata amigável e outra focada em formatação de textos em letras maiúsculas.</p><h3>Mão na Massa: Implementando o Agente e as Habilidades</h3><p>A configuração inicial no Program.cs carrega as variáveis de ambiente, descobre o caminho absoluto onde as pastas de skills estão armazenadas e inicializa o AgentFactory.</p><pre>using Azure.AI.Projects;<br>using Azure.Identity;<br>using DotNetEnv;<br>using FoundryToolkit.Agents;<br>using FoundryToolkit.Shared;<br>using Microsoft.Agents.AI;<br>using Microsoft.Extensions.Configuration;<br><br>Env.NoClobber().TraversePath().Load();<br><br>IConfigurationRoot configuration = new ConfigurationBuilder()<br>    .AddEnvironmentVariables()<br>    .AddUserSecrets&lt;Program&gt;(optional: true)<br>    .Build();<br><br>Uri projectEndpoint = new Uri(configuration[&quot;FOUNDRY_PROJECT_ENDPOINT&quot;]!);<br>string deployment = configuration[&quot;AZURE_AI_MODEL_DEPLOYMENT_NAME&quot;]!;<br><br>AgentFactory agentFactory = new AgentFactory(<br>    new AIProjectClient(<br>        projectEndpoint,<br>        new AzureCliCredential()));<br><br>string skillsPath = Path.GetFullPath(Path.Combine(AppContext.BaseDirectory, &quot;..&quot;, &quot;..&quot;, &quot;..&quot;, &quot;..&quot;, &quot;AgentSkills&quot;, &quot;Skills&quot;));<br><br>AgentOptions options = new AgentOptions<br>{<br>    Model = deployment,<br>    Name = &quot;Desenvolvedor&quot;,<br>    Instructions = &quot;&quot;&quot;<br>        Você é um desenvolvedor C# Sênior, especialista em .NET e boas práticas de desenvolvimento.<br>        Escreva código limpo, seguro, eficiente e de fácil manutenção.<br>        Responda em português brasileiro.<br>        &quot;&quot;&quot;,<br>    SkillPaths = [skillsPath]<br>};<br><br>AIAgent agent = agentFactory.Create(options);<br>AgentSession session = await agent.CreateSessionAsync();<br>await Utils.RunChatLoopWithSession(agent, session);</pre><h4>O Papel das Skills em Markdown</h4><p>O grande diferencial dessa abordagem é que o comportamento do agente pode ser estendido sem alterar o código C# principal. Por exemplo, a skill de formatação define regras estritas de conversão de texto, enquanto a skill de pirata ajusta a persona para um tom lúdico e divertido.</p><p>No código do AgentFactory, mapeamos esses caminhos de skill configurando os provedores de contexto de IA do Foundry Toolkit:</p><pre>using Azure.AI.Projects;<br>using Microsoft.Agents.AI;<br>using Microsoft.Extensions.AI;<br><br>namespace FoundryToolkit.Agents;<br><br>public sealed class AgentFactory<br>{<br>    private readonly AIProjectClient _projectClient;<br><br>    public AgentFactory(AIProjectClient projectClient)<br>    {<br>        _projectClient = projectClient;<br>    }<br><br>    public AIAgent Create(AgentOptions options)<br>    {<br>        ArgumentNullException.ThrowIfNull(options);<br><br>        List&lt;AIContextProvider&gt; skills = new List&lt;AIContextProvider&gt;();<br>        if (options.SkillPaths is not null &amp;&amp; options.SkillPaths.Count &gt; 0)<br>            foreach (string item in options.SkillPaths)<br>                skills.Add(new AgentSkillsProvider(item, options: new AgentSkillsProviderOptions<br>                {<br>                    DisableReadSkillResourceApproval = true,<br>                    DisableRunSkillScriptApproval = true,<br>                    DisableLoadSkillApproval = true,<br>                }));<br><br>        return _projectClient.AsAIAgent(<br>            new ChatClientAgentOptions<br>            {<br>                Name = options.Name,<br>                ChatOptions = new()<br>                {<br>                    ModelId = options.Model,<br>                    Instructions = options.Instructions,<br>                    Tools = options?.Tools,<br>                },<br>                AIContextProviders = skills,<br>            }<br>        );<br>    }<br>}</pre><p>Nesse trecho, note como desabilito as aprovações manuais para leitura de recursos e execução de scripts de skills (DisableReadSkillResourceApproval, DisableRunSkillScriptApproval) para agilizar o fluxo de testes locais em ambiente de desenvolvimento.</p><h3>Conclusão</h3><p>Desenvolver soluções integradas de IA com C# nunca foi tão produtivo. A combinação do Microsoft Foundry com a flexibilidade de kits customizados permite criar agentes inteligentes robustos e altamente configuráveis.</p><p>Se este conteúdo foi útil para você, deixe um <strong>clap</strong> 👏 e compartilhe com outros desenvolvedores .NET!</p><ul><li>Repositório do projeto: <a href="https://github.com/kaykymatos/agent-examples/blob/main/src/AgentSkills/Program.cs">Link</a></li><li>Linktree: <a href="https://linktr.ee/kaykymatos">Link</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=deff9338655f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Orquestrando Múltiplos Agentes em C# com Microsoft Foundry e .NET 10]]></title>
            <link>https://medium.com/@kaykymatos/orquestrando-m%C3%BAltiplos-agentes-em-c-com-microsoft-foundry-e-net-10-2927712e3c3f?source=rss-e582d6b5925e------2</link>
            <guid isPermaLink="false">https://medium.com/p/2927712e3c3f</guid>
            <category><![CDATA[microsoft-foundry]]></category>
            <category><![CDATA[csharp]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[dotnet]]></category>
            <category><![CDATA[agents]]></category>
            <dc:creator><![CDATA[Kayky Matos Santana]]></dc:creator>
            <pubDate>Fri, 16 Oct 2026 17:08:23 GMT</pubDate>
            <atom:updated>2026-10-16T17:08:23.729Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*olkp2MONTq6sd6PrTtOGug.jpeg" /></figure><h3>Como construir um fluxo autônomo de geração, revisão e publicação de conteúdo utilizando agentes colaborativos em .NET.</h3><p>Recentemente, decidi aprofundar meus estudos na construção de sistemas de Inteligência Artificial mais avançados dentro do ecossistema .NET. Meu objetivo principal foi ir além da simples chamada de API para um modelo de linguagem (o tradicional chatbot) e explorar o conceito de <strong>sistemas multiagentes</strong>.</p><p>Em vez de depender de uma única instrução massiva para resolver um problema do início ao fim, criei um fluxo de trabalho (<em>workflow</em>) composto por <strong>três agentes especializados</strong> que colaboram, realizam controle de qualidade e executam ações de forma autônoma — simulando uma esteira completa de produção de conteúdo.</p><h3>A Arquitetura da Solução</h3><p>Para estruturar esse fluxo de forma limpa, sustentável e modular, dividi o projeto em duas frentes: uma biblioteca de infraestrutura reutilizável (FoundryToolkit) e o console de aplicação principal (AgentesFlow).</p><h4>📦 Bibliotecas e Pacotes Utilizados</h4><p>A solução utiliza as versões mais recentes dos pacotes oficiais de IA da Microsoft e da comunidade .NET:</p><ul><li><strong>Microsoft.Agents.AI (v1.25.0) &amp; </strong><strong>Microsoft.Agents.AI.Workflows</strong>: Fornecem as abstrações do <em>Microsoft Agent Framework</em> para criação de agentes com papéis definidos, gerenciamento de histórico de conversas e orquestração do grafo de execução.</li><li><strong>Microsoft.Agents.AI.Foundry.Hosting (v1.15.0-preview)</strong>: Permite a ponte direta com os serviços hospedados do Microsoft Foundry.</li><li><strong>Azure.AI.Projects (v2.1.0-beta.4)</strong>: Cliente oficial do SDK do Azure para conectar e autenticar a aplicação ao projeto do Microsoft AI Foundry.</li><li><strong>Azure.Identity</strong>: Garante autenticação segura utilizando as credenciais da Azure CLI (AzureCliCredential), eliminando a necessidade de expor chaves de API rígidas no código.</li><li><strong>Microsoft.Extensions.AI (v10.11.0)</strong>: Camada de abstração do .NET que unifica a manipulação de modelos de linguagem e ferramentas.</li><li><strong>DotNetEnv (v3.2.0)</strong>: Carregamento de variáveis de ambiente via arquivos .env para facilitar a execução local.</li></ul><h3>O Fluxo Multiagente</h3><p>A aplicação simula uma esteira de publicação composta por três personas:</p><pre>                     ┌──────────────────┐<br>                     │   User Input     │<br>                     └────────┬─────────┘<br>                              │<br>                              ▼<br>                     ┌──────────────────┐<br>                     │  1. Writer Agent │ ◄───────┐<br>                     └────────┬─────────┘         │<br>                              │                   │ REJECTED<br>                              ▼                   │ (com feedback)<br>                     ┌──────────────────┐         │<br>                     │ 2. Reviewer Agent├─────────┘<br>                     └────────┬─────────┘<br>                              │<br>                              │ APPROVED<br>                              ▼<br>                     ┌──────────────────┐<br>                     │3. Publisher Agent│<br>                     └────────┬─────────┘<br>                              │<br>                              ▼<br>                     ┌──────────────────┐<br>                     │   Output Final   │<br>                     └──────────────────┘</pre><ul><li><strong>Writer Agent (Escritor):</strong> Recebe o tema enviado pelo usuário e redige uma frase técnica sobre C#. Se receber uma notificação de rejeição anterior, lê o feedback do revisor e refatora o texto.</li><li><strong>Reviewer Agent (Revisor):</strong> Avalia rigidamente a precisão e a qualidade do texto. Se a frase for satisfatória, responde com o prefixo APPROVED acompanhado do texto. Se houver inconsistências, responde com o prefixo REJECTED: detalhando a justificativa.</li><li><strong>Publisher Agent (Publicador):</strong> Executa apenas quando a frase é aprovada pelo revisor, extraindo o conteúdo final e simulando sua publicação.</li></ul><h3>Mão na Massa: Implementando o Fluxo</h3><p>Abaixo estão os trechos principais de código da aplicação.</p><h4>1. Criando os Agentes com AgentFactory</h4><p>Isolamos a criação dos agentes em uma fábrica modular baseada no cliente do Azure AI Project (AIProjectClient):</p><pre>// Instanciação da fábrica conectada ao endpoint do Microsoft Foundry<br>AgentFactory agentFactory = new AgentFactory(<br>    new AIProjectClient(projectEndpoint, new AzureCliCredential()));<br><br>// Agente Escritor<br>AIAgent writer = agentFactory.Create(new AgentOptions<br>{<br>    Model = deployment,<br>    Name = &quot;Writer&quot;,<br>    Instructions = &quot;&quot;&quot;<br>        Você é um escritor especializado em programação C#.<br>        Escreva uma frase sobre o tema recebido.<br>        Se receber uma mensagem iniciada por REJECTED, corrija a frase conforme o feedback do Reviewer.<br>        Retorne somente a frase, sem explicações.<br>        &quot;&quot;&quot;<br>});<br><br>// Agente Revisor<br>AIAgent reviewer = agentFactory.Create(new AgentOptions<br>{<br>    Model = deployment,<br>    Name = &quot;Reviewer&quot;,<br>    Instructions = &quot;&quot;&quot;<br>        Você é um revisor de frases sobre programação C#.<br>        Analise a frase recebida.<br>        Se estiver correta, responda exatamente neste formato:<br>        APPROVED<br>        FRASE: &lt;frase original completa&gt;<br><br>        Se estiver incorreta, responda neste formato:<br>        REJECTED: &lt;explique brevemente o problema e como corrigir&gt;<br>        &quot;&quot;&quot;<br>});<br><br>// Agente Publicador<br>AIAgent publisher = agentFactory.Create(new AgentOptions<br>{<br>    Model = deployment,<br>    Name = &quot;Publisher&quot;,<br>    Instructions = &quot;&quot;&quot;<br>        Você é um publicador.<br>        Receberá a resposta do Reviewer contendo o status APPROVED e a frase aprovada.<br>        Extraia somente o conteúdo depois de &quot;FRASE:&quot; e simule a publicação dessa frase.<br>        Responda no formato: PUBLISHED: &lt;frase aprovada&gt;<br>        &quot;&quot;&quot;<br>});</pre><h4>2. Definindo o Grafo de Execução (Workflow)</h4><p>O segredo do ecossistema de agentes está no direcionamento dinâmico do fluxo com base no conteúdo gerado. Utilizamos o WorkflowBuilder para adicionar as transições condicionais (<em>Edges</em>):</p><pre>WorkflowFactory workflowFactory = new WorkflowFactory();<br>bool reviewerApproved = false;<br><br>Workflow workflow = workflowFactory.Create(<br>    writer, // Agente inicial<br>    builder =&gt;<br>    {<br>        // 1. Do Writer para o Reviewer<br>        builder.AddEdge(writer, reviewer);<br><br>        // 2. Do Reviewer de volta para o Writer (se for rejeitado)<br>        builder.AddEdge&lt;object&gt;(<br>            reviewer,<br>            writer,<br>            condition: message =&gt;<br>            {<br>                if (message is TurnToken)<br>                    return reviewerApproved == false;<br><br>                if (message is not List&lt;ChatMessage&gt; messages)<br>                    return false;<br><br>                ChatMessage? reviewerMessage = messages.LastOrDefault(m =&gt; m.AuthorName == &quot;Reviewer&quot;);<br>                string? text = reviewerMessage?.Text?.Trim();<br>                <br>                bool rejected = text?.Contains(&quot;REJECTED&quot;, StringComparison.OrdinalIgnoreCase) == true;<br>                if (rejected)<br>                    reviewerApproved = false;<br><br>                return rejected;<br>            });<br><br>        // 3. Do Reviewer para o Publisher (se for aprovado)<br>        builder.AddEdge&lt;object&gt;(<br>             reviewer,<br>             publisher,<br>             condition: message =&gt;<br>             {<br>                 if (message is TurnToken)<br>                     return reviewerApproved == true;<br><br>                 if (message is not List&lt;ChatMessage&gt; messages)<br>                     return false;<br><br>                 ChatMessage? reviewerMessage = messages.LastOrDefault(m =&gt; m.AuthorName == &quot;Reviewer&quot;);<br>                 string? text = reviewerMessage?.Text?.Trim();<br>                 <br>                 bool approved = text?.Contains(&quot;APPROVED&quot;, StringComparison.OrdinalIgnoreCase) == true;<br>                 if (approved)<br>                     reviewerApproved = true;<br><br>                 return approved;<br>             });<br><br>        // O resultado final exposto pelo workflow vem do Publisher<br>        builder.WithOutputFrom(publisher);<br>    });</pre><h4>3. Execução Assíncrona e Emissão em Stream</h4><p>Na ponta da execução, o processo ocorre de forma reativa via streaming, exibindo qual agente está com a palavra em cada momento no terminal:</p><pre>// Executa o workflow no processo local enviando o prompt do usuário<br>await using StreamingRun run = await InProcessExecution.RunStreamingAsync(<br>    workflow,<br>    new ChatMessage(ChatRole.User, input));<br><br>await run.TrySendMessageAsync(new TurnToken(emitEvents: true));<br>string currentAgent = string.Empty;<br><br>// Consome os eventos gerados pelos agentes no terminal<br>await foreach (WorkflowEvent evt in run.WatchStreamAsync())<br>{<br>    if (evt is WorkflowOutputEvent outputEvent)<br>    {<br>        if (outputEvent.ExecutorId != currentAgent)<br>        {<br>            currentAgent = outputEvent.ExecutorId;<br>            Console.WriteLine($&quot;\n[{currentAgent}]: &quot;);<br>        }<br>        Console.Write(outputEvent.Data);<br>    }<br>}</pre><h3>Lições Aprendidas e Desafios Superados</h3><ol><li><strong>A Importância dos Protocolos de Comunicação Inter-Agentes:</strong> Quando agentes conversam entre si sem supervisão humana direta, os <em>System Prompts</em> precisam agir como contratos de API. Definir termos estritos como APPROVED e REJECTED foi essencial para evitar ambiguidades no código C# ao inspecionar as mensagens.</li><li><strong>Ciclos Fechados (<em>Feedback Loops</em>):</strong> A capacidade do agente escritor retrabalhar a frase com base na crítica recebida e reenviar ao revisor demonstra a verdadeira utilidade dos workflows baseados em grafos em comparação aos pipelines sequenciais rígidos.</li><li><strong>Injeção e Gerenciamento de Credenciais:</strong> O uso do AzureCliCredential facilitou a transição do ambiente de desenvolvimento local para o Azure, mantendo as credenciais seguras e desacopladas do código-fonte.</li></ol><h3>Conclusão e Próximos Passos</h3><p>Trabalhar com fluxos multiagentes usando C# e o Microsoft Agent Framework abre infinitas possibilidades para automação corporativa avançada. Diferente do modelo conversacional tradicional, a criação de papéis bem delimitados e com validações automáticas eleva a confiabilidade das soluções baseadas em IA.</p><p>Se este artigo foi útil para você, deixe seu <strong>clap</strong> 👏, compartilhe com seus colegas de time e me conte nos comentários como você tem explorado agentes de IA na sua stack!</p><ul><li>🐙 <strong>Repositório do projeto no GitHub: </strong><a href="https://github.com/kaykymatos/agent-examples/tree/main/src/AgentesFlow">Link repositório</a></li><li>🌐<strong>Redes sosiais: </strong><a href="https://linktr.ee/kaykymatos">Link redes sociais</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2927712e3c3f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Integrando Agentes de IA Locais em .NET com Microsoft Foundry]]></title>
            <link>https://medium.com/@kaykymatos/integrando-agentes-de-ia-locais-em-net-com-microsoft-foundry-62fd03b742fb?source=rss-e582d6b5925e------2</link>
            <guid isPermaLink="false">https://medium.com/p/62fd03b742fb</guid>
            <category><![CDATA[dotnet]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[microsoft-foundry]]></category>
            <category><![CDATA[software-architecture]]></category>
            <category><![CDATA[csharp]]></category>
            <dc:creator><![CDATA[Kayky Matos Santana]]></dc:creator>
            <pubDate>Fri, 16 Oct 2026 11:56:54 GMT</pubDate>
            <atom:updated>2026-10-23T13:18:37.325Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mjqnaJf5u1xe5dwX2jR3kA.jpeg" /></figure><h3>Como conectar modelos de linguagem ao ecossistema C# utilizando o Microsoft Agent Framework, Azure CLI e fluxos modulares.</h3><p>Recentemente, decidi aprofundar meus estudos na integração de Inteligência Artificial nativa ao ecossistema .NET. O objetivo principal deste projeto foi entender como construir um agente de IA local focado em desenvolvimento de software — alguém capaz de responder a dúvidas técnicas, explicar conceitos complexos, orientar sobre boas práticas de Clean Architecture e auxiliar na refatoração de código.</p><p>A motivação surgiu da necessidade de conectar modelos de linguagem modernos hospedados no <strong>Microsoft Foundry</strong> com aplicações C# de forma limpa, segura e desacoplada. Em vez de depender de SDKs legados ou chamadas HTTP genéricas sem contexto de sessão, explorei as abstrações mais recentes trazidas pelo <strong>Microsoft Agent Framework</strong> para estruturar agentes conversacionais com contexto e suporte a <em>skills</em> dinâmicas.</p><h3>A Arquitetura da Solução</h3><p>Para construir uma base sólida e pronta para evoluções mais complexas (como orquestração de múltiplos agentes), dividi a solução em um projeto base de biblioteca compartilhada (FoundryToolkit) e aplicações executáveis focadas em cenários específicos:</p><ul><li><strong>.NET 10 &amp; C#</strong>: Runtime e linguagem base do projeto.</li><li><strong>Microsoft Foundry (</strong><strong>Azure.AI.Projects)</strong>: Plataforma de gerenciamento e <em>hosting</em> do modelo.</li><li><strong>Microsoft Agent Framework (</strong><strong>Microsoft.Agents.AI)</strong>: Abstração oficial para orquestração de agentes, sessões e <em>context providers</em>.</li><li><strong>Azure Identity (</strong><strong>AzureCliCredential)</strong>: Autenticação segura sem a necessidade de expor chaves sensíveis de API (<em>API Keys</em>) no código.</li><li><strong>FoundryToolkit</strong>: Biblioteca responsável por abstrair a criação de agentes via AgentFactory, registros de <em>skills</em> e gerenciamento do ciclo de vida das conversas.</li></ul><pre>┌────────────────────────────────────────────────────────┐<br>│                   Aplicação Console                    │<br>│             (DeveloperAgent / AgentesFlow)             │<br>└───────────────────────────┬────────────────────────────┘<br>                            │<br>                            ▼<br>┌────────────────────────────────────────────────────────┐<br>│                    FoundryToolkit                      │<br>│     (AgentFactory / SkillsProvider / AgentSession)     │<br>└───────────────────────────┬────────────────────────────┘<br>                            │<br>                            ▼<br>┌────────────────────────────────────────────────────────┐<br>│         Microsoft Foundry &amp; Azure AI Projects          │<br>│            (Modelo de Linguagem Implantado)            │<br>└────────────────────────────────────────────────────────┘</pre><h3>Mão na Massa: Implementando o Agente em C#</h3><p>A chave para manter o projeto limpo foi criar uma fábrica de agentes (AgentFactory) que encapsula o cliente do projeto Foundry (AIProjectClient).</p><h4>1. A Fábrica de Agentes (AgentFactory)</h4><p>A fábrica recebe o cliente autenticado da Azure e os parâmetros do agente (AgentOptions), injetando personas e conjuntos de <em>skills</em> dinamicamente:</p><pre>public sealed class AgentFactory<br>{<br>    private readonly AIProjectClient _projectClient;<br><br>    public AgentFactory(AIProjectClient projectClient)<br>    {<br>        _projectClient = projectClient;<br>    }<br><br>    public AIAgent Create(AgentOptions options)<br>    {<br>        ArgumentNullException.ThrowIfNull(options);<br>        ArgumentException.ThrowIfNullOrWhiteSpace(options.Name);<br>        ArgumentException.ThrowIfNullOrWhiteSpace(options.Model);<br>        ArgumentException.ThrowIfNullOrWhiteSpace(options.Instructions);<br><br>        List&lt;AIContextProvider&gt; skills = new();<br>        if (options.SkillPaths is not null &amp;&amp; options.SkillPaths.Count &gt; 0)<br>        {<br>            foreach (string path in options.SkillPaths)<br>            {<br>                skills.Add(new AgentSkillsProvider(path, options: new AgentSkillsProviderOptions<br>                {<br>                    DisableReadSkillResourceApproval = true,<br>                    DisableRunSkillScriptApproval = true,<br>                    DisableLoadSkillApproval = true,<br>                }));<br>            }<br>        }<br><br>        return _projectClient.AsAIAgent(<br>            new ChatClientAgentOptions<br>            {<br>                Name = options.Name,<br>                ChatOptions = new()<br>                {<br>                    ModelId = options.Model,<br>                    Instructions = options.Instructions,<br>                    Tools = options.Tools,<br>                },<br>                AIContextProviders = skills,<br>            }<br>        );<br>    }<br>}</pre><p>O método de extensão .AsAIAgent() transforma o cliente do Azure AI Projects em um agente de conversa de alto nível, pronto para receber sessões e context providers.</p><h4>2. Configurando o Agente Desenvolvedor (Program.cs)</h4><p>No ponto de entrada da aplicação, realizamos a leitura das configurações (suportando .env, variáveis de ambiente ou <em>User Secrets</em>), autenticamos via AzureCliCredential e configuramos a instrução de persona do agente:</p><pre>using Azure.AI.Projects;<br>using Azure.Identity;<br>using FoundryToolkit.Agents;<br>using FoundryToolkit.Shared;<br>using Microsoft.Agents.AI;<br>using Microsoft.Extensions.Configuration;<br><br>// Carrega as variáveis de ambiente e configurações da aplicação<br>IConfigurationRoot configuration = new ConfigurationBuilder()<br>    .AddEnvironmentVariables()<br>    .AddUserSecrets&lt;Program&gt;(optional: true)<br>    .Build();<br><br>Uri projectEndpoint = new Uri(configuration[&quot;FOUNDRY_PROJECT_ENDPOINT&quot;]!);<br>string deployment = configuration[&quot;AZURE_AI_MODEL_DEPLOYMENT_NAME&quot;]!;<br><br>// Inicialização com a credencial nativa da CLI do Azure<br>AgentFactory agentFactory = new AgentFactory(<br>    new AIProjectClient(projectEndpoint, new AzureCliCredential()));<br><br>// Criação do agente com a persona de C# Sênior<br>AIAgent agent = agentFactory.Create(new AgentOptions<br>{<br>    Model = deployment,<br>    Name = &quot;Desenvolvedor&quot;,<br>    Instructions = &quot;&quot;&quot;<br>        Você é um desenvolvedor C# Sênior, especialista em .NET e boas práticas de desenvolvimento.<br>        Escreva código limpo, seguro, eficiente e de fácil manutenção.<br>        Siga os princípios SOLID, Clean Code e Clean Architecture quando apropriados.<br>        Explique suas decisões técnicas de forma clara e objetiva.<br>        Responda em português brasileiro.<br>        &quot;&quot;&quot;<br>});<br><br>// Inicialização da sessão e início do loop de conversa<br>AgentSession session = await agent.CreateSessionAsync();<br>await Utils.RunChatLoopWithSession(agent, session);</pre><h3>Lições Aprendidas e Próximos Passos</h3><p>Durante a estruturação do projeto, alguns aprendizados se destacaram:</p><ol><li><strong>Gestão de Sessões e Estado</strong>: Manter a continuidade da conversa exige abstrações bem definidas para gerenciar AgentSession. O Microsoft Agent Framework simplifica o envio e recebimento do histórico sem exigir a manipulação manual da lista de mensagens.</li><li><strong>Autenticação passwordless</strong>: O uso de AzureCliCredential e Managed Identity evita a necessidade de gravar <em>connection strings</em> ou <em>API keys</em> em arquivos de configuração locais.</li><li><strong>Expansão com Skills e Workflows</strong>: O modelo desacoplado via FoundryToolkit permitiu estender o projeto para suportar habilidades carregadas via arquivos de marcação (SKILL.md) e até orquestrações complexas de múltiplos agentes em cadeia (como o fluxo <em>Writer $\rightarrow$ Reviewer $\rightarrow$ Publisher</em>).</li></ol><h3>Conclusão e Links</h3><p>Integrar IA generativa no ecossistema .NET com as bibliotecas oficiais da Microsoft provou ser uma experiência fluida e poderosa. Estruturar o projeto com boas práticas de arquitetura desde os primeiros testes abre portas para a criação de soluções robustas em produção.</p><p>Se você deseja explorar o código completo, testar o projeto localmente ou contribuir, acesse o repositório no GitHub:</p><ul><li>📂 <strong>Repositório do projeto:</strong> <a href="https://github.com/kaykymatos/agent-examples/tree/main/src/DeveloperAgent">Link repositório</a></li><li>🌐<strong>Redes sosiais: </strong><a href="https://linktr.ee/kaykymatos">Link redes sociais</a></li></ul><p>O que achou desta abordagem? Se este conteúdo foi útil para você, deixe seu <strong>clap</strong> 👏 e compartilhe suas ideias ou dúvidas nos comentários!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=62fd03b742fb" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>