Mangaba AI

Framework profissional de orquestração multi-agente com ReAct reasoning, function calling nativo, RAG, memória persistente, protocolos A2A/MCP, vector stores e suporte resiliente a múltiplos provedores LLM.

Execute o exemplo abaixo em 1 comando (veja examples/quickstart.py):

pip install mangaba
export GOOGLE_API_KEY="sua-chave"
python examples/quickstart.py

Alternativa leve e completa a CrewAI + LangChain em um único pacote, com interoperabilidade real entre provedores, arquitetura resiliente e comunicação entre agentes via protocolos padrão.

Destaques da v4.0.0

• Flows — Orquestração orientada a eventos com @start, @listen, @router, combinadores and_/or_, estado tipado em Pydantic, persistência em SQLite (@persist, com resume e fork) e gráfico de execução em HTML via flow.plot()
• Knowledge — Base de conhecimento separada da memória: PDF, DOCX, Excel, JSON, CSV, URL e diretórios inteiros, com score_threshold e escopo por agente ou por crew
• Memória unificada — Classe Memory com recall semântico composto (similaridade + recência + importância), extração automática de fatos, consolidação de duplicatas e gravação assíncrona
• CLI — mangaba create/run/test/train/chat/config/reset-memories/replay/install, com projetos declarados em agents.yaml / tasks.yaml
• Treino e avaliação — mangaba train (loop de feedback humano) e mangaba test (nota de qualidade 1–10 por tarefa e por agente)
• Modelos locais — Ollama e qualquer servidor OpenAI-compatible (vLLM, LM Studio, llama.cpp, LocalAI), com tool calling nativo e fallback automático
• MCP (Model Context Protocol) — Consuma ferramentas de servidores MCP externos como BaseTool nativas, via stdio ou HTTP
• Human-in-the-loop — human_input=True pausa e devolve o trabalho ao agente com as notas do revisor; revisores plugáveis para rodar fora do terminal
• Reasoning e Planning — Agent(reasoning=True) planeja e critica o próprio plano antes de agir; Crew(planning=True) planeja todas as tarefas antes de começar
• Manager dedicado — manager_agent / manager_llm delega dinamicamente ao especialista certo e devolve o trabalho quando reprova
• Guardrails com juiz LLM — Critérios em linguagem natural; a rejeição volta como feedback para o agente corrigir, em vez de repetir o mesmo prompt
• Multimodal — Agent(multimodal=True) aceita imagens junto do texto
• Observabilidade — OpenTelemetry, Langfuse, MLflow e Arize Phoenix; um trace_id único costura a execução inteira, inclusive entre threads

Compatibilidade com CrewAI

O Mangaba implementa as principais primitivas do CrewAI OSS, com a mesma nomenclatura quando aplicável:

• Crew — akickoff(), kickoff_for_each(), replay(task_id), train()/test(), before/after_kickoff_callbacks, output_log_file, usage_metrics/token_usage, CrewOutput(raw, pydantic, json_dict), function_calling_llm
• Task — output_pydantic/output_json, guardrail (singular), max_retries, depends_on, condition
• Agent — max_iter, max_retry_limit, kickoff() direto, step_callback por etapa
• Tools — arun() assíncrono, cache_function, max_retries, max_usage_count
• Memória multiusuário — Memory(user_id=..., namespace=...) com isolamento por usuário, remember/recall/forget/remember_many, recall profundo (depth="deep") e provedor externo Mem0Memory
• Enterprise leve — Redação de PII (redact_pii), auditoria em JSONL com RBAC (AuditLogger, Role) e estimativa de custo/métricas Prometheus (estimate_cost, CrewOutput.cost())

Funcionalidades consolidadas (desde v3.0)

• OpenRouter Native Support — Roteamento dinâmico com fallback automático entre modelos
• Multi-Provider Interoperability — Misture agentes de diferentes provedores (ex: Gemini + Llama) na mesma Crew
• ReAct Reasoning — Loop Thought, Action, Observation com function calling nativo
• 7 Provedores LLM — Google Gemini, OpenAI GPT, Anthropic Claude, HuggingFace, OpenRouter, Ollama e servidores OpenAI-compatible
• 4 Processos de Crew — Sequential, Hierarchical, Parallel (asyncio), Consensual
• Tool System — Decorator @tool, schemas Pydantic, JSON schema automático para LLM
• RAG Pipeline — Document loaders, text splitters, embeddings, vector store, retriever
• Memória — Curto prazo (sliding window), longo prazo (SQLite), entidades
• Guardrails — Validação de tamanho, filtro de conteúdo, schema validation
• Observabilidade — EventBus com mais de 20 tipos de evento, callbacks console/arquivo
• Workflow Engine — Pipelines com stages sequenciais, paralelos e condicionais
• Cache e Retry — Cache LRU + disco (SQLite), retry com backoff exponencial + fallback automático

Instalação

pip install mangaba

# Com RAG e embeddings
pip install mangaba[all]

# Desenvolvimento
pip install mangaba[dev]

Quick Start

Agente simples com ferramenta

from mangaba.core import Agent, Task, Crew, Process, tool
from mangaba.core.types import LLMConfig

@tool
def search(query: str) -> str:
    """Search the web for information."""
    return f"Results for: {query}"

researcher = Agent(
    role="Research Analyst",
    goal="Find accurate information",
    backstory="Expert researcher with 10 years of experience",
    tools=[search],
    llm_config=LLMConfig(provider="google", model="gemini-2.5-flash", api_key="sua-chave"),
)

task = Task(
    description="Research the latest AI trends in 2026",
    expected_output="A list of the top 5 trends with explanations",
    agent=researcher,
)

crew = Crew(
    agents=[researcher],
    tasks=[task],
    process=Process.SEQUENTIAL,
)

result = crew.kickoff()
print(result.final_output)

Multi-Provider Crew com fallback

from mangaba.core import Agent, Task, Crew
from mangaba.core.crew import Process
from mangaba.core.types import OpenRouterConfig, LLMConfig

pesquisador = Agent(
    role="Pesquisador",
    goal="Analisar vulnerabilidades",
    llm_config=OpenRouterConfig(
        provider="openrouter",
        model=[
            "google/gemini-2.5-flash",
            "anthropic/claude-3.5-sonnet"
        ],
        api_key="SUA_KEY"
    )
)

revisor = Agent(
    role="Revisor",
    goal="Revisar análise técnica",
    llm_config=LLMConfig(
        provider="hf",
        model="meta-llama/Meta-Llama-3-8B-Instruct",
        api_key="SUA_KEY"
    )
)

task = Task(
    description="Explique buffer overflow",
    expected_output="Análise técnica detalhada",
    agent=pesquisador,
)

review = Task(
    description="Revise a análise",
    expected_output="Pontos fortes e fracos",
    agent=revisor,
)

crew = Crew(
    agents=[pesquisador, revisor],
    tasks=[task, review],
    process=Process.SEQUENTIAL,
)

result = crew.kickoff()
print(result.final_output)

Pipeline com stages

from mangaba import Pipeline, Stage, ParallelStage

pipeline = Pipeline(stages=[
    Stage("research", [research_task]),
    ParallelStage("analysis", [task_a, task_b]),
    Stage("report", [write_task]),
])

result = pipeline.run({"topic": "AI"})

RAG (Retrieval-Augmented Generation)

from mangaba.rag import TextLoader, RecursiveTextSplitter, RAGChain, Retriever
from mangaba.embeddings import OpenAIEmbedding
from mangaba.vectorstores import InMemoryVectorStore

docs = TextLoader("data.txt").load()
chunks = RecursiveTextSplitter(chunk_size=500).split_documents(docs)

embedding = OpenAIEmbedding(api_key="YOUR_KEY")
store = InMemoryVectorStore(embedding)
store.add(chunks)
retriever = Retriever(embedding=embedding, vector_store=store)

from mangaba.core.llm import create_llm_client
llm = create_llm_client(provider="google", api_key="YOUR_KEY")
chain = RAGChain(llm=llm, retriever=retriever)
answer = chain.query("What are the main topics?")

Memória persistente

from mangaba.memory import ShortTermMemory, LongTermMemory

short = ShortTermMemory(max_items=50)
short.add("User asked about Python")

long_mem = LongTermMemory(storage_path="memory.db")
long_mem.add("User prefers concise answers")
results = long_mem.search("preferences")

Guardrails e Output Parsers

from mangaba import Agent, Task
from mangaba.core.guardrails import LengthGuardrail, GuardrailChain
from mangaba.core.output_parsers import JSONOutputParser

task = Task(
    description="List the top 3 programming languages",
    expected_output="JSON with name and reason",
    agent=agent,
    guardrails=[LengthGuardrail(max_length=2000)],
    output_parser=JSONOutputParser(),
)

Comunicação entre agentes (protocolo A2A interno)

from protocols.a2a import A2AProtocol, A2AMessage

protocolo = A2AProtocol()

# Enviar mensagem de um agente para outro
msg = A2AMessage(
    sender="pesquisador",
    recipient="revisor",
    content="Análise de vulnerabilidade concluída",
    msg_type="request"
)
protocolo.send(msg)

# Broadcast para todos os agentes
protocolo.broadcast(A2AMessage(
    sender="manager",
    recipient="*",
    content="Iniciando nova tarefa",
    msg_type="broadcast"
))

Vector store com ChromaDB

from mangaba.vectorstores import ChromaVectorStore, create_vectorstore
from mangaba.embeddings import OpenAIEmbedding

embedding = OpenAIEmbedding(api_key="KEY")

# Via factory
store = create_vectorstore("chroma", embedding=embedding, persist_directory="./chroma_db")

# Adicionar e buscar
store.add(chunks)
results = store.similarity_search("machine learning", k=5)

Flows — orquestração orientada a eventos

Crews coordenam agentes; Flows coordenam tudo o mais. Cada método reage ao
resultado de outro, o estado é tipado, e o progresso pode ser persistido para
retomar de onde parou.

from pydantic import BaseModel
from mangaba import Flow, start, listen, router, persist, and_

class Estado(BaseModel):
    texto: str = ""
    risco: str = ""

@persist                              # checkpoint a cada passo
class Triagem(Flow):
    state_model = Estado

    @start()
    def coletar(self):
        self.state.texto = "contrato para revisar"
        return self.state.texto

    @listen(coletar)
    def analisar(self, texto):
        return "alto" if "contrato" in texto else "baixo"

    @router(analisar)
    def rotear(self, risco):
        self.state.risco = risco
        return "juridico" if risco == "alto" else "arquivo"

    @listen("juridico")
    def escalar(self):
        return "enviado ao jurídico"

    @listen("arquivo")
    def arquivar(self):
        return "arquivado"

flow = Triagem()
print(flow.kickoff())        # "enviado ao jurídico"
print(flow.usage_metrics)    # tokens somados de tudo que rodou dentro
flow.plot("triagem.html")    # gráfico de execução, HTML autocontido

and_(a, b) dispara só quando ambos terminam, or_(a, b) quando qualquer um
terminar. Métodos podem ser async def. Para retomar após uma queda:

resultado = Triagem().resume("6f1c...")   # pula os passos já concluídos
ramo = Triagem().fork("6f1c...")          # ramifica a partir do checkpoint

Knowledge — fundamentar respostas em documentos

Diferente da memória (o que o agente viveu), a Knowledge é o que ele pode
consultar. Aceita PDF, DOCX, Excel, JSON, CSV, URL e diretórios inteiros.

from mangaba import Agent, Knowledge, PDFKnowledgeSource, DirectoryKnowledgeSource
from mangaba.embeddings import OpenAIEmbedding

conhecimento = Knowledge(
    embedding=OpenAIEmbedding(api_key="..."),
    sources=[
        PDFKnowledgeSource(file_path="normas/nr12.pdf"),
        DirectoryKnowledgeSource(path="politicas/", recursive=True),
    ],
    results_limit=3,
    score_threshold=0.35,
)

agente = Agent(role="Auditor", goal="Verificar conformidade",
               backstory="Especialista em segurança do trabalho",
               knowledge=conhecimento)

Passe knowledge= para a Crew e todos os agentes que não têm base própria
recebem a mesma.

Memória com recall semântico

A classe Memory pontua cada lembrança por similaridade, recência e
importância — não só por parecido.

from mangaba import Memory, MemoryScope

memoria = Memory(embedding=embedding, db_path=".mangaba/memoria.db")
memoria.add("O cliente prefere respostas curtas", metadata={"importance": 0.9})
memoria.add_interaction("Qual meu plano?", "Você está no plano Pro anual.")

memoria.consolidate()                    # funde duplicatas
memoria.search("preferências", scope=MemoryScope.AGENT)

agente = Agent(role="Suporte", goal="Atender bem", backstory="...", memory=memoria)

As classes antigas (ShortTermMemory, LongTermMemory, EntityMemory)
continuam funcionando sem mudanças.

Para produção multiusuário, isole por usuário e use recall profundo:

from mangaba.memory import Memory
from mangaba.memory.external import Mem0Memory

memoria = Memory(embedding=embedding, user_id="cliente-123", namespace="suporte")
memoria.remember("O cliente prefere respostas curtas")
memoria.recall("preferências do cliente", depth="deep")

# Memória externa (requer: pip install mem0ai)
externa = Mem0Memory(config={"user_id": "cliente-123"})
crew = Crew(agents=[...], tasks=[...], memory=externa)

Human-in-the-loop

human_input=True pausa de verdade: o revisor aprova, reescreve, ou devolve
com notas — e as notas voltam para o agente corrigir.

from mangaba import Task, CallbackHumanInput, HumanFeedback

def revisar_no_slack(descricao, saida, papel):
    resposta = slack.perguntar(f"{papel} respondeu:\n{saida}")
    return HumanFeedback(approved=resposta == "ok", feedback=resposta)

task = Task(
    description="Redigir a resposta ao cliente",
    expected_output="Um e-mail pronto para enviar",
    agent=redator,
    human_input=True,
    human_input_handler=CallbackHumanInput(revisar_no_slack),
    max_human_iterations=3,
)

Sem handler, usa o terminal — e aprova sozinho quando não há terminal, para
não travar execuções automatizadas.

Reasoning, Planning e manager dedicado

# O agente planeja e critica o próprio plano antes de agir
agente = Agent(role="Analista", goal="...", backstory="...",
               reasoning=True, max_reasoning_attempts=3)

# A crew planeja todas as tarefas antes de começar, e um manager
# dedicado escolhe quem faz o quê — e reprova o que não serve
crew = Crew(
    agents=[pesquisador, analista, redator],
    tasks=[t1, t2, t3],
    process=Process.HIERARCHICAL,
    planning=True,
    manager_llm=create_llm_client(provider="openai", api_key="..."),
)

Guardrails com juiz LLM

from mangaba import LLMGuardrail, FunctionGuardrail

task = Task(
    description="Resumir o relatório",
    expected_output="Um resumo com fontes",
    agent=agente,
    guardrails=[LLMGuardrail("Deve citar ao menos duas fontes com URL", llm=llm)],
    guardrail_max_retries=3,   # a rejeição volta como feedback, não como repetição
)

CLI

mangaba create crew pesquisa   # esqueleto com agents.yaml e tasks.yaml
cd pesquisa && cp .env.example .env
mangaba run --input topic="energia solar em Alagoas"

mangaba test -n 3              # nota de qualidade por tarefa e por agente
mangaba train -n 5             # loop de feedback humano, salvo em pickle
mangaba chat                   # REPL contra um agente
mangaba config                 # mostra provedor/modelo (nunca a chave)
mangaba reset-memories --all
mangaba replay -t <task_id>    # re-executa a partir de uma tarefa
mangaba install                # instala as dependências do projeto

MCP — ferramentas de servidores externos

from mangaba import Agent, MCPClient

with MCPClient(command=["npx", "-y", "@modelcontextprotocol/server-filesystem", "/dados"]) as mcp:
    agente = Agent(role="Analista", goal="...", backstory="...",
                   tools=mcp.get_tools())

Funciona por stdio ou HTTP, com o SDK oficial mcp quando disponível e um
transporte próprio sem dependências como fallback.

A2A — interoperar com agentes de outros frameworks

O protocolo aberto Agent2Agent. Não confundir com protocols/a2a.py, que é o
barramento interno de mensagens entre agentes do próprio processo.

from mangaba import A2AServer, A2AClient, agent_card_for

# Expor um agente (ou uma Crew) para o mundo
servidor = A2AServer(agente, host="127.0.0.1", port=0)
servidor.start()
print(agent_card_for(agente).model_dump_json(by_alias=True, indent=2))

# Consumir um agente remoto — de qualquer framework — como ferramenta local
cliente = A2AClient("https://parceiro.exemplo/agent")
meu_agente = Agent(role="Coordenador", goal="...", backstory="...",
                   tools=[cliente.as_tool()])

O card é servido em /.well-known/agent.json; as tarefas transitam por
submitted, working, completed ou failed.

Ferramentas incluídas

Resolva qualquer uma pelo nome curto no YAML (http_request, sql_query, …)
ou via ToolRegistry.

Antes de usar em produção

• CodeInterpreterTool executa código escrito pelo modelo. Exige
  enabled=True; usa Docker isolado quando disponível. unsafe_mode=True
  roda direto no host, com todos os privilégios do processo — inclusive acesso
  a arquivos e variáveis de ambiente com credenciais.
• A2AServer não tem TLS nem autenticação. O padrão é escutar em
  127.0.0.1. Quem alcançar a porta faz seu agente trabalhar e gasta seu
  orçamento de LLM. Coloque atrás de um proxy autenticado antes de expor.
• A2AClient.as_tool() traz a resposta de um agente de terceiros para
  dentro do seu contexto — é um canal de prompt injection. Aponte só para
  agentes em que você confia.
• HTTPRequestTool / ScrapeWebsiteTool recusam esquemas que não sejam
  http(s), mas não bloqueiam endereços privados por padrão. Use
  block_private_hosts=True contra SSRF e allowed_domains=[...] para fixar
  os destinos.
• SQLQueryTool valida a instrução, abre a conexão em modo somente
  leitura e sempre usa parâmetros — ainda assim, dê a ele um usuário de banco
  com privilégio mínimo.
• FileSearchTool sem root_dir lê qualquer coisa que o processo possa
  ler. Sempre passe root_dir quando o caminho puder vir do modelo.

Observabilidade

from mangaba import auto_configure_from_env, OpenTelemetryCallback, configure_observability

auto_configure_from_env()                          # liga o que estiver no ambiente
configure_observability(OpenTelemetryCallback())   # ou explicitamente

Integra com OpenTelemetry (OTLP), Langfuse, MLflow e Arize Phoenix. Cada
execução recebe um trace_id que sobrevive inclusive às threads de tarefas
paralelas, então a crew inteira aparece como um trace só.

Recursos adicionais para produção:

from mangaba import redact_pii, AuditLogger, AuditCallback, estimate_cost

limpo = redact_pii("contato [email protected], CPF 123.456.789-00")

logger = AuditLogger(path=".mangaba/audit.jsonl", actor="api")
configure_observability(AuditCallback(logger))

custo_usd = estimate_cost(result.token_usage, model="gpt-4o-mini")
print(result.cost("gpt-4o-mini"))   # estimativa direto no CrewOutput
print(result.prometheus())          # métricas em formato Prometheus

Vector Stores

Todas implementam BaseVectorStore e são intercambiáveis via create_vectorstore().

Protocolos de Comunicação

A2A (Agent-to-Agent)

Mensageria direta entre agentes com suporte a request/response e broadcast:

from protocols.a2a import A2AProtocol, A2AMessage

protocol = A2AProtocol()
protocol.send(A2AMessage(sender="agent_a", recipient="agent_b", content="..."))

MCP (Multi-Context Protocol)

Compartilhamento de contexto hierárquico entre agentes com prioridade, tags e busca por relevância:

from protocols.mcp import MCPProtocol, MCPContext

mcp = MCPProtocol()
ctx = MCPContext(content="Dados da análise", priority=8, tags=["analise", "vulnerabilidade"])
mcp.share_context("sessao_1", ctx)
resultados = mcp.query_context("sessao_1", "vulnerabilidade")

Prompt Templates

from mangaba.core.llm.prompt_templates import PromptTemplate, ChatPromptTemplate, SystemPromptBuilder

# Template simples
template = PromptTemplate("Responda em {idioma}: {pergunta}")
result = template.format(idioma="português", pergunta="o que é IA?")

# Template de chat
chat = ChatPromptTemplate([
    ("system", "Você é um especialista em {topico}"),
    ("user", "{pergunta}"),
])
messages = chat.format_messages(topico="segurança", pergunta="O que é XSS?")

# Builder pattern
builder = SystemPromptBuilder()
builder.add_role("Analista de Segurança")
builder.add_context("Você trabalha com pentest há 10 anos")
builder.add_instruction("Responda em markdown")
prompt = builder.build()

Padrões de Projeto

O Mangaba aplica padrões GoF de forma consistente em toda a base de código:

Arquitetura

mangaba/
├── core/                   # Núcleo do framework
│   ├── agent.py                # Agent com ReAct reasoning
│   ├── task.py                 # Tasks com guardrails e retry
│   ├── crew.py                 # Orquestração (4 processos)
│   ├── workflow.py             # Pipeline engine
│   ├── reasoning.py            # ReAct loop (Think, Act, Observe)
│   ├── planner.py              # Decomposição automática de tarefas
│   ├── guardrails.py           # LengthGuardrail, ContentFilter, Schema
│   ├── output_parsers.py       # JSON, Pydantic, List, Markdown
│   ├── types.py                # Tipos Pydantic v2 (LLMConfig, AgentState...)
│   ├── exceptions.py           # Hierarquia de exceções
│   ├── events.py               # EventBus (tipos de evento)
│   └── llm/                    # Engine LLM multi-provider
│       ├── client.py               # Providers + OpenRouter + fallback
│       ├── retry.py                # Retry com backoff exponencial
│       ├── cache.py                # LRU (memória) + SQLite (disco)
│       ├── token_counter.py        # TokenCounter + UsageTracker
│       └── prompt_templates.py     # PromptTemplate, ChatPromptTemplate, SystemPromptBuilder
├── tools/                  # Sistema de ferramentas
│   ├── base.py                 # BaseTool + JSON schema automático
│   ├── decorator.py            # @tool decorator
│   ├── toolkit.py              # BaseToolkit, FileToolkit, WebToolkit
│   ├── file_tools.py           # FileReader, FileWriter, DirectoryList
│   ├── web_search.py           # Serper, DuckDuckGo
│   ├── math_tools.py           # Calculadora segura (AST)
│   └── text_tools.py           # TextSplitter, WordCounter
├── memory/                 # Sistema de memória
│   ├── base.py                 # BaseMemory ABC
│   ├── short_term.py           # Sliding window (deque)
│   ├── long_term.py            # SQLite + embeddings opcionais
│   ├── entity.py               # Memória de entidades
│   ├── unified.py              # Memory: recall composto + consolidação
│   └── external.py             # Mem0Memory: provedor externo de memória
├── embeddings/             # Provedores de embedding
│   ├── base.py                 # BaseEmbedding ABC
│   ├── openai_embed.py         # text-embedding-3-small
│   ├── google_embed.py         # text-embedding-004
│   └── huggingface_embed.py    # Sentence-transformers
├── vectorstores/           # Armazenamento vetorial
│   ├── base.py                 # BaseVectorStore ABC
│   ├── factory.py              # create_vectorstore() + register_store()
│   ├── in_memory.py            # Cosine similarity (numpy)
│   ├── chroma_db.py            # ChromaDB
│   ├── postgres.py             # PostgreSQL + pgvector
│   ├── redis.py                # Redis + RediSearch
│   └── sqlite.py               # SQLite vector store
├── rag/                    # Pipeline RAG
│   ├── document.py             # Modelo de documento
│   ├── loaders.py              # Text, CSV
│   ├── splitters.py            # RecursiveTextSplitter
│   ├── retriever.py            # Embedding + vector store
│   └── chain.py                # RAGChain com fontes
├── flows/                  # Orquestração orientada a eventos
│   ├── flow.py                 # Flow, @start/@listen/@router/@persist, and_/or_
│   ├── state.py                # Estado livre (dict) ou tipado (Pydantic)
│   ├── persistence.py          # Checkpoints em SQLite, resume e fork
│   └── visualization.py        # plot(): grafo de execução em HTML
├── knowledge/              # Base de conhecimento (RAG de documentos)
│   ├── knowledge.py            # Knowledge: ingestão, query, threshold
│   └── sources.py              # PDF, DOCX, Excel, JSON, CSV, URL, diretório
├── observability/          # Tracing externo e governança
│   ├── otel.py                 # OpenTelemetry (OTLP)
│   ├── langfuse.py             # Langfuse
│   ├── mlflow.py               # MLflow
│   ├── phoenix.py              # Arize Phoenix
│   ├── pii.py                  # Redação de PII
│   ├── audit.py                # Auditoria JSONL + RBAC
│   └── metrics.py              # Custo estimado + Prometheus
├── training/               # Treino e avaliação
│   ├── trainer.py              # mangaba train — feedback humano iterativo
│   └── evaluator.py            # mangaba test — nota 1–10 por tarefa
├── cli/                    # Interface de linha de comando
│   ├── main.py                 # create/run/test/train/chat/config/reset/replay/install
│   └── templates/              # Esqueletos de projeto gerados
├── callbacks/              # Observabilidade local
│   ├── console.py              # Print formatado de eventos
│   └── file.py                 # Log JSONL
├── __init__.py              # API pública do pacote
├── config.py                # Config system (leitura .env)
├── config_loader.py         # agents.yaml / tasks.yaml → Agent/Task/Crew
└── exceptions.py            # (legado)

protocols/                 # Protocolos de comunicação entre agentes
├── a2a.py                     # Agent-to-Agent protocol
└── mcp.py                     # Multi-Context Protocol

utils/                     # Utilitários
└── logger.py                  # Logger colorido (Loguru)

docs/                       # Documentação completa
├── API-Reference.md
├── CHANGELOG.md
├── Core-Components.md
├── Events.md
├── Guardrails.md
├── LLM-Providers.md
├── Memory.md
├── RAG.md
├── Tools.md
├── Vector-Stores.md
├── Workflows.md
├── Getting-Started.md
├── CURSO_BASICO.md
├── Examples.md
├── FAQ.md
└── ...

examples/                  # Exemplos práticos
├── basic_example.py
├── crew_example.py
├── finance_example.py
├── legal_example.py
├── medical_example.py
├── marketing_example.py
├── text_analysis_example.py
├── translation_example.py
├── document_analysis_example.py
├── vectorstores_example.py
└── ...

Processos de Crew

Provedores LLM

Modelos locais

Nem Ollama nem os servidores OpenAI-compatible exigem API key:

from mangaba import create_llm_client, list_ollama_models

print(list_ollama_models())          # o que já está instalado localmente

llm = create_llm_client(provider="ollama", model="qwen2.5:7b")
llm = create_llm_client(provider="vllm", model="meta-llama/Llama-3.1-8B-Instruct",
                        base_url="http://localhost:8000/v1")

Configure via variáveis de ambiente:

LLM_PROVIDER=google
GOOGLE_API_KEY=sua_chave
# ou OPENAI_API_KEY, ANTHROPIC_API_KEY, HUGGINGFACE_API_KEY, OPENROUTER_API_KEY

Modelos open-source (HuggingFace)

O provider HuggingFace usa chat_completion (OpenAI-compatible) com detecção automática de tool calling: modelos com function calling nativo recebem tools=[...] direto na API; os demais usam prompt injection como fallback. Use hf_model_supports_tools(model_id) para verificar.

O Mangaba inclui um catálogo de 28 modelos open-source disponíveis via HuggingFace Inference API, organizados por categoria:

from mangaba import list_huggingface_models, HF_OPEN_MODELS

# Listar todos os modelos
todos = list_huggingface_models()

# Filtrar por categoria: general, code, reasoning, embedding
modelos_codigo  = list_huggingface_models(category="code")
modelos_reason  = list_huggingface_models(category="reasoning")
modelos_embed   = list_huggingface_models(category="embedding")

# Via classe do provider
from mangaba.core.llm.client import HuggingFaceLLMProvider
HuggingFaceLLMProvider.list_models(category="general")

from mangaba import hf_model_supports_tools

hf_model_supports_tools("mistralai/Mistral-7B-Instruct-v0.3")  # True  — nativo
hf_model_supports_tools("google/gemma-2-9b-it")                # False — prompt injection

Dependências

Núcleo:

• pydantic>=2.0.0 — Validação de tipos
• google-generativeai>=0.3.0 — Google Gemini
• openai>=1.6.0 — OpenAI GPT
• anthropic>=0.20.0 — Anthropic Claude
• huggingface-hub>=0.20.0 — HuggingFace
• tiktoken>=0.5.0 — Contagem de tokens
• requests>=2.25.0 — HTTP client
• loguru>=0.6.0 — Logging

Opcionais:

• numpy>=1.24.0 — RAG e embeddings (pip install mangaba[rag])
• sentence-transformers>=2.2.0 — Embeddings HF (pip install mangaba[embeddings])
• duckduckgo-search>=3.9.0 — Busca web (pip install mangaba[tools])
• redis>=5.0.0 — Redis vector store (pip install mangaba[redis])
• psycopg[binary]>=3.1.0 — Postgres vector store (pip install mangaba[postgres])
• chromadb>=0.4.0 — ChromaDB vector store (pip install mangaba[chroma])
• pypdf, python-docx, openpyxl, beautifulsoup4 — Loaders de documentos (pip install mangaba[documents])
• pyyaml>=6.0 — Projetos declarativos da CLI (pip install mangaba[yaml])
• mcp>=1.0.0 — SDK oficial do MCP; há fallback sem dependência (pip install mangaba[mcp])
• OpenTelemetry / Langfuse / MLflow / Phoenix — Tracing (pip install mangaba[otel], [langfuse], [mlflow], [phoenix], ou [observability])
• Tudo: pip install mangaba[all]

Modelos locais (Ollama, vLLM, LM Studio, llama.cpp, LocalAI) não precisam de
nenhum extra — usam o cliente openai, que já é dependência do núcleo.

Testes

# Todos os testes
python -m pytest tests/ -v

# Só os que não tocam a rede
python -m pytest -m "not network"

# Com cobertura (opt-in)
python -m pytest tests/ --cov=mangaba --cov-report=term-missing

Testes contra modelo real

tests/test_gateway_integration.py aponta o framework para o
Mangaba Gateway — modelos GGUF locais de verdade — em vez de stubs. Cobre
agente, crew, knowledge com embeddings reais, memória, guardrail com juiz LLM,
revisão humana e propagação de trace.

python -m pytest tests/test_gateway_integration.py -v

O arquivo inteiro é pulado automaticamente quando o gateway está fora do ar,
então rodar offline continua verde.

Contribuição

1. Fork o projeto
2. Crie sua branch (git checkout -b feature/nova-feature)
3. Commit (git commit -m 'Add nova feature')
4. Push (git push origin feature/nova-feature)
5. Abra um Pull Request

Licença

MIT License