AI News
por Gemini 2.0 Flash

Como Construir um Agente de IA em Python: Guia Passo a Passo

Construindo um Agente de IA do Zero em Python: Um Guia Passo a Passo

Você já se perguntou como construir seu próprio agente de IA? Neste artigo, vamos explorar como criar um agente de IA do zero utilizando Python. Este guia prático permitirá que você entenda os componentes essenciais e como eles interagem para criar um sistema inteligente e funcional.

Acompanhe este artigo e descubra como implementar seu próprio agente de IA!

O que é um Agente de IA?

Um agente de IA é uma entidade autônoma que percebe seu ambiente, toma decisões e realiza ações para atingir objetivos específicos. Imagine um robô que pode analisar dados, decidir qual ação tomar e executá-la sem intervenção humana constante.

Existem diferentes tipos de agentes, cada um com suas próprias características e níveis de complexidade:

  • Agentes Reativos: Respondem diretamente a mudanças ambientais sem memória interna.
  • Agentes Baseados em Modelos: Usam modelos internos do mundo para tomar decisões.
  • Agentes Baseados em Objetivos: Planejam ações com base em objetivos específicos.
  • Agentes Baseados em Utilidade: Avaliam ações potenciais com base em uma função de utilidade para maximizar resultados.

A complexidade dos agentes varia de simples a altamente inteligente e adaptável, permitindo uma ampla gama de aplicações.

Pré-requisitos para a Implementação

Antes de começar a construir seu agente, você precisa configurar o ambiente de desenvolvimento. Aqui estão os pré-requisitos:

  1. Python: Certifique-se de ter o Python 3.8+ (ou superior) instalado.
  2. Ambiente Virtual: Crie um ambiente virtual para isolar as dependências do projeto.
  3. Bibliotecas: Instale as bibliotecas requests, json, termcolor e python-dotenv.
  4. Ollama: Configure o Ollama localmente para executar modelos de linguagem.

Passos para a Configuração

  • Instalar Python: Se ainda não tiver, baixe e instale a versão mais recente do Python no site oficial.
  • Criar Ambiente Virtual: Utilize o comando python -m venv ai_agents_env para criar um ambiente virtual.
  • Ativar o Ambiente: Ative o ambiente virtual com source ai_agents_env/bin/activate (no Windows, use ai_agents_env\Scripts\activate).
  • Instalar Bibliotecas: Use o comando pip install -r requirements.txt para instalar todas as dependências necessárias.
  • Instalar e Configurar o Ollama: Baixe e instale o Ollama do site oficial e siga as instruções de configuração.
  • Puxar um Modelo (Opcional): Se necessário, utilize o comando ollama pull mistral para baixar um modelo específico.

Passos de Implementação: Classes e Funções

A implementação do agente envolve a criação de diversas classes e funções para gerenciar diferentes aspectos do sistema.

Classes Essenciais

  • OllamaModel: Responsável por interagir com a API do Ollama para gerar respostas.
  • ToolBox: Armazena as ferramentas disponíveis para o agente.
  • Agent: Orquestra a seleção e execução das ferramentas.

Funções de Ferramentas

As funções de ferramentas realizam tarefas específicas. Aqui estão alguns exemplos:

  • basic_calculator: Realiza operações matemáticas básicas.
  • reverse_string: Inverte uma string.

Detalhes da Implementação

A classe OllamaModel gerencia a comunicação com o modelo de linguagem local através da API do Ollama. As funções de ferramentas executam tarefas específicas com base nos inputs fornecidos. A classe Agent coordena a seleção e execução das ferramentas, garantindo que a ação correta seja tomada com base na entrada do usuário.

Prompt do Sistema e Fluxo de Execução

O prompt do sistema é crucial para guiar o agente na escolha da ferramenta apropriada. Ele define as regras e diretrizes que o agente deve seguir ao processar a entrada do usuário.

Como Funciona

  1. O prompt especifica as ferramentas disponíveis e suas funcionalidades.
  2. O agente recebe a entrada do usuário e utiliza o modelo de linguagem para determinar qual ferramenta usar.
  3. A ferramenta selecionada é executada com a entrada apropriada.

Um prompt bem estruturado garante que o agente tome decisões informadas e execute as tarefas corretamente.

Executando o Agente e Considerações Finais

Para executar o agente, inicialize as classes e funções criadas e defina um loop principal para interagir com o usuário.

Exemplo de Código

if __name__ == "__main__":
    tools = [basic_calculator, reverse_string]

    model_service = OllamaModel
    model_name = "llama2"
    stop = "<|eot_id|>"

    agent = Agent(tools=tools, model_service=model_service, model_name=model_name, stop=stop)

    print("\nBem-vindo ao Agente de IA! Digite 'exit' para sair.")
    print("Você pode me pedir para:")
    print("1. Realizar cálculos (ex: 'Calcule 15 mais 7')")
    print("2. Inverter strings (ex: 'Inverta ola mundo')")
    print("3. Responder perguntas gerais\n")

    while True:
        prompt = input("Pergunte-me qualquer coisa: ")
        if prompt.lower() == "exit":
            break

        agent.work(prompt)

Este código demonstra como integrar todas as classes e funções para criar um agente funcional.

Considerações Finais

A escolha entre usar Ollama ou OpenAI como serviço de modelo é uma decisão importante. Construir agentes de IA bem estruturados é essencial para tarefas automatizadas.

Conclusão

Resumo

Neste tutorial, você aprendeu a construir um agente de IA básico em Python, utilizando o Ollama para gerenciamento de modelos de linguagem. O agente é capaz de realizar operações matemáticas e inverter strings, demonstrando a integração entre um modelo de linguagem e ferramentas externas.

Conexões

A construção do agente ilustra a importância da interação entre diferentes componentes (modelo, ferramentas, caixa de ferramentas, prompt do sistema) para criar um sistema funcional e inteligente. A escolha de ferramentas e o design do prompt do sistema influenciam diretamente o desempenho do agente.

Implicações Futuras

Este é um ponto de partida para construir agentes de IA mais sofisticados. Pode-se expandir as funcionalidades adicionando mais ferramentas, melhorando o prompt do sistema para lidar com entradas mais complexas e integrando mecanismos de aprendizado para tornar o agente mais adaptável e inteligente ao longo do tempo.

Fonte: Vipra Singh. “AI AGENTS: BUILD AN AGENT FROM SCRATCH (PART-2)”. Disponível em: https://medium.com/@vipra\_singh/ai-agents-build-an-agent-from-scratch-part-2-7ae11840c93a.