mangaba 3.2.0

Professional multi-agent AI framework with ReAct reasoning, RAG, memory, and function calling

🥭 Mangaba AI

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

Alternativa leve e completa a CrewAI + LangChain em um único pacote, agora com interoperabilidade real entre provedores e arquitetura resiliente.

✨ Destaques v3.2.0

• 🚀 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
• 🤖 5 Provedores LLM — Google Gemini, OpenAI GPT, Anthropic Claude, HuggingFace e OpenRouter
• 👥 4 Processos de Crew — Sequential, Hierarchical, Parallel (asyncio), Consensual
• 🔧 Tool System — @tool decorator, Pydantic schemas, 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 22+ tipos de evento, callbacks console/arquivo
• 🔄 Workflow Engine — Pipelines com stages sequenciais, paralelos e condicionais
• ⚡ Cache & 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 (NOVO v3.2.0)

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

# Carregar e dividir documentos
docs = TextLoader("data.txt").load()
chunks = RecursiveTextSplitter(chunk_size=500).split_documents(docs)

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

# RAG chain
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

# Curto prazo (últimas N interações)
short = ShortTermMemory(max_items=50)
short.add("User asked about Python")

# Longo prazo (SQLite)
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(),
)

Observabilidade com EventBus

from mangaba import EventBus
from mangaba.callbacks import ConsoleCallback, FileCallback

# Ativar logging de eventos
EventBus.register(ConsoleCallback())
EventBus.register(FileCallback("events.jsonl"))

# Todos os eventos (agent, task, tool, LLM, crew) são capturados automaticamente
result = crew.kickoff()

🏛️ Padrões de Projeto

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

Padrão	Onde é usado
Factory	create_llm_client() — instancia o provider correto por nome
Abstract Factory	BaseLLMProvider — interface comum; cada provider é uma família concreta
Facade	LLMClient — esconde a complexidade dos 4 providers atrás de uma API uniforme
Decorator	@tool — converte funções Python em BaseTool com schema automático
Composite	Crew — agrega múltiplos Agent + Task e os executa como unidade
Strategy	Process (sequential/hierarchical/parallel/consensual); providers como strategies
Observer	EventBus + callbacks (ConsoleCallback, FileCallback)
Template Method	BaseLLMProvider.generate/stream/generate_with_tools — subclasses implementam os passos
Chain of Responsibility	GuardrailChain — passa o output por validadores em sequência
Command	Task — encapsula instrução, agente e ferramentas
Iterator	stream() — retorna Iterator[str] token a token
Pipes & Filters	Pipeline → Stage[] → ParallelStage / ConditionalStage

🏗️ Arquitetura

mangaba/
├── core/               # Cérebro 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)
│   ├── guardrails.py       # Validação de outputs
│   ├── output_parsers.py   # JSON, Pydantic, List, Markdown
│   ├── planner.py          # Decomposição automática de tarefas
│   ├── types.py            # Tipos Pydantic v2
│   ├── exceptions.py       # Hierarquia de exceções
│   ├── events.py           # EventBus (22+ event types)
│   └── llm/                # Engine LLM multi-provider
│       ├── client.py           # 5 providers + OpenRouter + fallback + function calling + streaming
│       ├── retry.py            # Retry com backoff exponencial
│       ├── cache.py            # LRU (memória) + SQLite (disco)
│       ├── token_counter.py    # Contagem de tokens
│       └── prompt_templates.py # Templates de prompt
├── tools/              # Sistema de ferramentas
│   ├── base.py             # BaseTool + JSON schema automático
│   ├── decorator.py        # @tool decorator
│   ├── toolkit.py          # Agrupamento de ferramentas
│   ├── 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
│   ├── short_term.py       # Sliding window (deque)
│   ├── long_term.py        # SQLite + embeddings opcionais
│   └── entity.py           # Memória de entidades
├── embeddings/         # Provedores de embedding
│   ├── openai_embed.py     # text-embedding-3-small
│   └── google_embed.py     # text-embedding-004
├── vectorstores/       # Armazenamento vetorial
│   └── in_memory.py        # Cosine similarity
├── rag/                # Pipeline RAG
│   ├── document.py         # Modelo de documento
│   ├── loaders.py          # Text, CSV, WebPage
│   ├── splitters.py        # RecursiveTextSplitter
│   ├── retriever.py        # Embedding + vector store
│   └── chain.py            # RAGChain com fontes
└── callbacks/          # Observabilidade
    ├── console.py          # Print formatado de eventos
    └── file.py             # Log JSONL

🔄 Processos de Crew

Processo	Descrição	Uso
SEQUENTIAL	Tarefas executadas em ordem, uma após a outra	Workflows lineares
HIERARCHICAL	Primeiro agente é manager, delega e revisa	Equipes com líder
PARALLEL	Tarefas executadas concorrentemente (asyncio)	Tarefas independentes
CONSENSUAL	Todos os agentes executam cada tarefa, resultado sintetizado	Decisões críticas

🌐 Provedores LLM

Provedor	Function Calling	Streaming	Modelo Padrão
OpenRouter	✅ Nativo + Fallback	✅	Multi-model routing
Google Gemini	✅ Nativo	✅	gemini-2.5-flash
OpenAI	✅ Nativo	✅	gpt-4o-mini
Anthropic	✅ Nativo (tool_use)	✅	claude-3-haiku-20240307
HuggingFace	✅ Nativo (11 modelos) / ⚠️ Prompt (14 modelos)	✅ via chat_completion	mistralai/Mistral-7B-Instruct-v0.3

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 que suportam 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")

Categoria	Modelos incluídos
general (19)	Mistral 7B/Mixtral 8x7B/8x22B, Llama 3/3.1/3.2, Qwen 2.5, Phi-3/3.5, Gemma 2
code (4)	StarCoder2 15B, Qwen 2.5 Coder 7B/32B, DeepSeek Coder 33B
reasoning (2)	DeepSeek R1 Distill Qwen 7B, DeepSeek R1 Distill Llama 70B
embedding (3)	BGE-M3, all-MiniLM-L6-v2, Multilingual E5 Large

Cada modelo expõe: id, name, category, context (tokens), tool_calling, streaming, notes.

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

🧪 Testes

# Testes v3 (32 testes)
python -m pytest tests/test_v3.py -v

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

# Com cobertura
python -m pytest tests/ --cov=mangaba --cov-report=term-missing

📦 Dependências

Core:

• 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])
• duckduckgo-search>=3.9.0 — Busca web (pip install mangaba[tools])

🤝 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

---