Skip to content

README.md

Latest commit

 

History

History
154 lines (115 loc) · 4.54 KB

README.md

File metadata and controls

154 lines (115 loc) · 4.54 KB

Introdução à criação de agentes de IA com bancos de vetores

📋 Visão Geral do Curso

O minicurso tem como objetivo instruir os participantes na construção de um agente de IA capaz de responder a perguntas sobre documentos específicos.

Para tal, será utilizada uma Large Language Model (LLM) para gerar respostas inteligentes, integrada a um banco de dados vetorial (FAISS), responsável por fornecer o contexto preciso a partir dos documentos. O framework LangChain será empregado para orquestrar a aplicação de forma eficiente.

É pré-requisito para o minicurso possuir noções básicas da linguagem de programação Python

🎯 Objetivos do Curso

  • Criar um chatbot usando framework langchain e API gratuita do Gemini
  • Introduzir a criação de agentes de IA
  • Fundamentos de Retrieval Augmentation Generation (RAG) e bancos de dados de vetores

👥 Público-Alvo

  • Interessados em IA Generativa
  • Estudantes de Sistemas de Informação que participaram do Minicurso na SEINFO 2025

🚀 Preparação do Ambiente

1. Clonando o repositório

git clone https://github.com/JosianaSilva/seinfo-minicurso-criacao-agentes-ia.git
cd seinfo-minicurso-criacao-agentes-ia

2. Criando e ativando o ambiente virtual

No Windows (PowerShell):

python -m venv venv
.\venv\Scripts\Activate.ps1

No Windows (CMD):

python -m venv venv
venv\Scripts\activate

No Git Bash:

python -m venv venv
source venv/Scripts/activate

No Linux/macOS:

python -m venv venv
source venv/bin/activate

3. Configurando variáveis de ambiente

  1. Copie o arquivo de exemplo:

    cp .env.example .env

  2. Edite o arquivo .env e configure sua chave da API do Google:

    GOOGLE_API_KEY=sua_chave_aqui

    💡 Dica: Para obter sua chave da API do Google Gemini, acesse Google AI Studio

4. Instalando as dependências

pip install -r requirements.txt

5. Executando o exemplo básico

Para testar se tudo está funcionando corretamente, execute o chat básico:

python exemplos/chat-basic.py

Você também pode explorar outros exemplos disponíveis na pasta exemplos/:

  • vector-store-basic.py - Exemplo básico de banco de vetores
  • pdf-document-loader.py - Carregamento de documentos PDF
  • tool-basic.py - Exemplo de ferramenta básica
  • E muitos outros!

🏆 Desafio Final

Após explorar os exemplos, implemente um chatbot que combine pelo menos uma tool (ferramenta) e um vector store (banco de vetores). O objetivo é criar um agente inteligente que possa:

  • Responder perguntas usando conhecimento armazenado em um banco de vetores
  • Executar ações através de ferramentas personalizadas
  • Integrar ambas as funcionalidades de forma harmoniosa

📋 Requisitos do Desafio

  1. Modelo: Utilizar o modelo Gemini para geração de respostas
  2. Vector Store: Implementar um banco de vetores usando FAISS para armazenar e recuperar informações
  3. Tool: Criar pelo menos uma ferramenta customizada que o agente possa utilizar
  4. Interface (Opcional): Utilizar a interface já desenvolvida com Streamlit para conectar o chatbot.

🚀 Executando o Desafio

O desafio deve ser executável em uma das de duas formas:

Opção 1: Interface Web com Streamlit (Recomendado)

streamlit run app.py

Opção 2: Chatbot via Terminal

python desafio/chatbot.py

💡 Dicas para o Desenvolvimento

  • Explore os exemplos na pasta exemplos/ para entender como implementar tools e vector stores
  • Use o arquivo app.py como base para a interface Streamlit
  • Implemente sua lógica principal no arquivo desafio/chatbot.py
  • Teste diferentes combinações de ferramentas e tipos de documentos

👥 Autores

Gabriel
Gabriel Alencar Gomes 		Josiana
Josiana Silva 		Rosemelry
Rosemelry Mendes