A.I Agents

curl -fsSL https://ollama.ai/install.sh | sh

ollama --version

ollama serve
ollama pull llama3.2
ollama pull mxbai-embed-large
ollama list

python3 --version

brew install python

python --version

python3 -m venv venv source venv/bin/activate

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

pip install langchain langchain-ollama langchain-singlestore pandas

pip install poetry
poetry new ai_tutorial
cd ai_tutorial
poetry add langchain langchain-ollama langchain-singlestore pandas

brew install --cask docker

pizza_reviews.csv

main.py

import pandas as pd
from singlestoredb.server import docker
from langchain_ollama import OllamaLLM, OllamaEmbeddings
from langchain_singlestore import SingleStoreVectorStore
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.documents import Document
​
def setup_database(s2db):
    """Inicializa o banco de dados SingleStore."""
    with s2db.connect() as conn:
        with conn.cursor() as cursor:
            cursor.execute("CREATE DATABASE IF NOT EXISTS testdb")
​
def load_documents():
    """Carrega revisões de pizzas do CSV."""
    df = pd.read_csv("pizza_reviews.csv")
    documents = []
    for i, row in df.iterrows():
        content = f"{row['Title']} {row['Review']}"
        documents.append(
            Document(
                page_content=content,
                metadata={"rating": row["Rating"], "date": row["Date"]},
                id=str(i)
            )
        )
    return documents
​
def main():
    print("🚀 Iniciando SingleStoreDB para armazenamento vetorial...")
    with docker.start(license="") as s2db:
        setup_database(s2db)
        print("📂 Carregando e criando embeddings das revisões de pizzas...")
        documents = load_documents()
        embedding = OllamaEmbeddings(model="mxbai-embed-large")
        vector_store = SingleStoreVectorStore(
            embedding=embedding,
            host=s2db.connection_url,
            database="testdb",
            table_name="pizza_reviews",
        )
        vector_store.add_documents(documents)
        retriever = vector_store.as_retriever(search_kwargs={"k": 2})
        print("🧠 Inicializando modelo LLaMA 3.2...")
        model = OllamaLLM(model="llama3.2")
        template = """
        Você é um especialista em responder perguntas sobre um restaurante de pizzas. 🍕
        Revisões relevantes: {reviews}
        Pergunta: {question}
        """
        prompt = ChatPromptTemplate.from_template(template)
        chain = prompt | model
        print("\n--- Sistema de Perguntas e Respostas sobre Revisões de Pizzas ---")
        while True:
            user_input = input("\nDigite sua pergunta sobre pizzas (ou 'exit' para sair): ")
            if user_input.lower() == "exit":
                break
            print("\n🔍 Buscando revisões relevantes e gerando resposta...")
            reviews = retriever.invoke(user_input)
            result = chain.invoke({"reviews": reviews, "question": user_input})
            print("\n--- Resposta ---")
            print(result)
​
if __name__ == "__main__":
    main()
​

ollama serve

python main.py

poetry run python main.py

ollama serve
sudo lsof -i :11434 # Mac
netstat -aon | findstr :11434 # Windows

ollama list
ollama pull <modelo>

pip install -U langchain langchain-ollama langchain-singlestore pandas