> ## Documentation Index
> Fetch the complete documentation index at: https://aibootcamp.kabum.digital/llms.txt
> Use this file to discover all available pages before exploring further.

# A.I Agents

> Bem-vindo ao guia definitivo para configurar um ambiente local para criar e usar agentes de IA com Ollama e LangChain no Windows e MacOS!

Este tutorial passo a passo vai te guiar para montar um setup robusto, perfeito para rodar modelos de linguagem localmente e construir pipelines **RAG (Retrieval-Augmented Generation)** com **SingleStore** ou **ChromaDB**. Tudo isso com privacidade total e sem custos de API!

## Guia de Configuração: AI Agents com Ollama e LangChain

### **Objetivo**

Configurar um ambiente funcional para desenvolver e testar agentes de IA localmente, com suporte para modelos de linguagem (LLMs) e armazenamento vetorial.   Ideal para iniciantes e experts!

### Pré-requisitos

**Sistema Operacional**

* Windows 11/10 ou MacOS (Ventura ou posterior recomendado).

**Hardware**

* Mínimo: 8 GB de RAM
* Recomendado: 16 GB de RAM
* Espaço livre: 10 GB

**Software**

* Python 3.9+ instalado.
* Docker Desktop instalado e em execução (para SingleStore, se desejar).
* Terminal: PowerShell (Windows) ou Terminal (MacOS).
* Conexão à internet para baixar modelos e dependências (após configuração, tudo roda offline!).

## **Passo a Passo**

### Passo 1: Instalar o Ollama

O Ollama permite rodar modelos de linguagem localmente com facilidade.

**Download e Instalação**

**MacOS**

```shellscript theme={null}
curl -fsSL https://ollama.ai/install.sh | sh
```

[******Ou baixe o instalador em ollama.com e siga as instruções.******](http://ollama.com)

**Verificar instalação**

```shellscript theme={null}
ollama --version
```

**Deve retornar 0.1.x ou superior**

**Baixar Modelos**

```shellscript theme={null}
ollama serve
ollama pull llama3.2
ollama pull mxbai-embed-large
ollama list
```

### Passo 2: Configurar o Ambiente Python

Um ambiente virtual mantém tudo organizado e isolado.

**Verificar Python**

**MacOS**

```shellscript theme={null}
python3 --version
```

**Se não instalado:**

```shellscript theme={null}
brew install python
```

**Windows**

```
python --version
```

[******Se não instalado, baixe de python.org.******](http://python.org)

Criar diretório do projeto mkdir ai-agent-project cd ai-agent-project

Criar e ativar ambiente virtual

**MacOS**

```shellscript theme={null}
python3 -m venv venv source venv/bin/activate
```

**Windows**

```shellscript theme={null}
python -m venv venv
.\venv\Scripts\Activate.ps1
```

**Instalar dependências**

```shellscript theme={null}
pip install langchain langchain-ollama langchain-singlestore pandas
```

**Opcional (usando Poetry)**

```shellscript theme={null}
pip install poetry
poetry new ai_tutorial
cd ai_tutorial
poetry add langchain langchain-ollama langchain-singlestore pandas
```

### Passo 3: Configurar o SingleStore (Opcional para RAG)

**Instalar Docker**

**MacOS**

```shellscript theme={null}
brew install --cask docker
```

[******Windows Baixe em docker.com.******](http://docker.com)

Inicie o Docker Desktop

**O script no Passo 4 já inicializa o SingleStore automaticamente.**

### Passo 4: Criar o Agente de IA

Criar arquivo de dados (opcional)

```shellscript theme={null}
pizza_reviews.csv
```

**Title,Date,Rating,Review "Best Pizza in Town!","2025-01-06",1,"The crust was perfectly crispy and the toppings were fresh." "Delicious and Affordable","2024-08-12",1,"A bit overpriced, but overall a decent meal."**

**Criar script Python**

```shellscript theme={null}
main.py
```

```python theme={null}
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()
​
```

**Executar**

**Certifique-se de que o Ollama está rodando:**

```shellscript theme={null}
ollama serve
```

**Depois:**

```shellscript theme={null}
python main.py
```

**Ou com Poetry:**

```shellscript theme={null}
poetry run python main.py
```

### Passo 5: Testar e Personalizar

Testar exemplo

Digite: **O que as pessoas acham da crosta da pizza?**

Personalizar

Trocar modelo (llama3.2 → mistral, qwen2:7b etc.).

Adicionar mais dados ao pizza\_reviews.csv.

Integrar ferramentas externas (acesso web, arquivos, etc.).

### Passo 6: Solução de Problemas

**Ollama não conecta**

```shellscript theme={null}
ollama serve
sudo lsof -i :11434 # Mac
netstat -aon | findstr :11434 # Windows
```

**Modelo não encontrado**

```shellscript theme={null}
ollama list
ollama pull <modelo>
```

**Erro de módulo Python**

```shellscript theme={null}
pip install -U langchain langchain-ollama langchain-singlestore pandas
```

### Passo 7: Próximos Passos

Adicionar interface web com Streamlit

Testar com ChromaDB

Implementar multi-agentes

Adicionar memória de conversação

## Notas Finais

100% Local: Privacidade garantida, sem APIs externas.

<Card title="Recursos Úteis Documentação Ollama" icon="link">
  LangChain Docs

  SingleStore Tutorials

  Documentação do Ollama

  Documentação do LangChain

  Tutoriais da SingleStore

  Agora você está pronto para construir agentes de IA incríveis! 🎉
</Card>