Skip to content

002-chat-simples-langchain.md

Latest commit

 

History

History
155 lines (104 loc) · 5.01 KB

002-chat-simples-langchain.md

File metadata and controls

155 lines (104 loc) · 5.01 KB

Um Chat Simples Com LangChain

Na maioria das aulas vamos usar pelo menos um LLM para executar qualquer tarefa que precisarmos.

Com o LangChain, você pode escolher qualquer LLM e provider de sua preferência, seja pago, gratuito, local ou online.

Ollama (local)

Quando estou testando alguma coisa com LLMs nos meus códigos, prefiro usar modelos locais com Ollama (ou similares). Isso me permite fazer testes mais complexos sem estourar o limite de tokens gratuitos ou gastar demais com APIs pagas.

Se você também quiser usar Ollama, já fiz um vídeo sobre isso no canal:

Google AI Studio (API gratuita)

Nem todo mundo tem hardware suficiente para rodar um modelo local. Geralmente isso exige uma boa CPU/GPU e bastante espaço em disco e memória. Mesmo quando o hardware dá conta, pode ser que o modelo não esteja otimizado para a sua máquina e acabe rodando de forma tão lenta que inviabiliza os testes.

Nesses casos, a alternativa são APIs externas (gratuitas ou pagas).

No momento em que escrevo este texto, a Google oferece uma API Key gratuita para desenvolvedores e entusiastas. Isso permite usar os modelos Gemini, suficientes para nossos testes. Você pode gerar a chave no link:

API paga

Se você não conseguir usar nenhuma das opções anteriores, sempre existe a possibilidade de usar uma API paga. Geralmente, o custo inicial não é alto (no momento em torno de 5 dólares de créditos mínimos).

Basta criar uma conta em um provider como Google, Anthropic, OpenAI ou outro, adicionar créditos e obter sua API Key.

Links diretos para geração de chave:

Variáveis de ambiente e o arquivo .env

Se optar por uma API externa (paga ou gratuita), é importante carregar suas variáveis de ambiente de forma segura.

Crie um arquivo chamado .env na raiz do seu projeto com o seguinte conteúdo:

ANTHROPIC_API_KEY="VALOR"
OPENAI_API_KEY="VALOR"
GOOGLE_API_KEY="VALOR"

Para carregar esse arquivo, você pode usar o pacote python-dotenv ou deixar o uv cuidar disso automaticamente:

uv run --env-file=".env" caminho/do/arquivo.py

Depois de carregar o .env, teste se as variáveis estão acessíveis com:

import os

print(f"{os.getenv('GOOGLE_API_KEY', 'Não configurado')=}")
print(f"{os.getenv('ANTHROPIC_API_KEY', 'Não configurado')=}")
print(f"{os.getenv('OPENAI_API_KEY', 'Não configurado')=}")

Se os valores aparecerem corretamente, está tudo certo.

IMPORTANTE: nunca versionar o arquivo .env nem expor suas API Keys no GitHub. Adicione o .env ao .gitignore do projeto para evitar problemas de segurança.

Chat simples com LangChain: Primeiro teste

A primeira coisa é instalar o LangChain (langchain) e os providers que você pretende usar. Esse pacote já depende de outros internos como langchain-core, langgraph, pydantic e vários outros.

Instalação do(s) pacote(s)

uv add "langchain[ollama]" -U --pre       # para usar Ollama local
uv add "langchain[google-genai]" -U --pre # para modelos Gemini (Google)
uv add "langchain[openai]" -U --pre       # para modelos da OpenAI
uv add "langchain[anthropic]" -U --pre    # para modelos da Anthropic

Sobre as flags:

  • -U - força upgrade se o pacote já estiver instalado.
  • --pre - necessário enquanto o LangChain está em transição para a versão 1 (pré-release no momento em que escrevo). Se a versão estável já tiver saído quando você ler isso, --pre pode ser omitido.

Você não precisa instalar todos os providers, apenas os que pretende usar. Se quiser instalar todos de uma vez:

uv add "langchain[ollama,google-genai,openai,anthropic]" -U --pre

Exemplo de como fica no pyproject.toml:

dependencies = [
    "langchain[anthropic,google-genai,ollama,openai]>=1.0.0a6",
]

Testando tudo e criando dois chats manualmente

Vou manter as partes de código em pastas separadas para as aulas. Essas pastas podem ter um ou vários arquivos.

A nomenclatura de pastas será src/examples/exNNN, onde NNN representa a sequência em que a aula foi criada (001, 002, 003, ..., 999). Espero que eu não passe de 999 exemplos haha.

Para essa aula, nada mais justo do que começarmos com ex001, então acesse:

Deixei os comentários no código.

E só para você não ficar na mão, também criei um segundo exemplo mostrando um chat com SystemMessage, HumanMessage e AIMessage. Isso nos permite montar um histórico bem rústico em um loop para conversarmos com o modelo sem que ele tenha amnésia (fique esquecendo do que estamos falando). Acesse: