Aula 1: Seu Primeiro Agente com LangChain

Video da aula

Video em breve. O conteudo completo em texto esta disponivel abaixo.

O que voce vai aprender

Nesta primeira aula, voce vai:

• Configurar um ambiente Python limpo com uv ou venv
• Instalar LangChain e configurar chaves de API
• Criar um agente conversacional basico
• Entender a arquitetura de agentes (LLM + Prompt + Chain)
• Executar seu primeiro agente e conversar com ele no terminal

Pre-requisitos

• Python 3.10+ instalado
• Uma chave de API da OpenAI ou Anthropic
• Terminal/VS Code

1. Configurando o ambiente

Crie uma pasta para o curso e configure o ambiente virtual:

mkdir ia-pratica && cd ia-pratica
python -m venv .venv
source .venv/bin/activate  # Linux/Mac
# .venv\Scripts\activate   # Windows

Se voce usa uv (recomendado, muito mais rapido):

uv init ia-pratica && cd ia-pratica
uv venv && source .venv/bin/activate

2. Instalando dependencias

pip install langchain langchain-openai langchain-anthropic python-dotenv

Crie um arquivo .env na raiz do projeto:

# .env
OPENAI_API_KEY=sk-...
# ou
ANTHROPIC_API_KEY=sk-ant-...

3. Seu primeiro agente

Crie o arquivo agente.py:

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage

load_dotenv()

# Inicializar o modelo
llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0.7,
)

# Mensagem de sistema define a personalidade do agente
system = SystemMessage(content="""
Voce e um assistente tecnico especializado em Python e IA.
Responda de forma clara e direta, com exemplos de codigo quando relevante.
Sempre em portugues.
""")

def chat(pergunta: str) -> str:
    """Envia uma pergunta ao agente e retorna a resposta."""
    messages = [system, HumanMessage(content=pergunta)]
    response = llm.invoke(messages)
    return response.content

# Loop de conversacao
if __name__ == "__main__":
    print("Agente IA iniciado. Digite 'sair' para encerrar.\n")
    while True:
        pergunta = input("Voce: ").strip()
        if pergunta.lower() in ("sair", "exit", "quit"):
            print("Ate mais!")
            break
        if not pergunta:
            continue
        resposta = chat(pergunta)
        print(f"\nAgente: {resposta}\n")

Execute:

python agente.py

Voce agora tem um agente conversacional funcional no terminal.

4. Usando Claude em vez de GPT

Se preferir usar Claude da Anthropic, troque o modelo:

from langchain_anthropic import ChatAnthropic

llm = ChatAnthropic(
    model="claude-sonnet-4-20250514",
    temperature=0.7,
)

O resto do codigo continua identico. Essa e a beleza do LangChain: trocar de modelo e uma linha.

5. Adicionando streaming (resposta em tempo real)

Para ver a resposta sendo gerada palavra por palavra:

def chat_stream(pergunta: str):
    """Envia pergunta e imprime a resposta em streaming."""
    messages = [system, HumanMessage(content=pergunta)]
    print("\nAgente: ", end="", flush=True)
    for chunk in llm.stream(messages):
        print(chunk.content, end="", flush=True)
    print("\n")

# No loop principal, troque chat() por chat_stream()
if __name__ == "__main__":
    print("Agente IA (streaming) iniciado.\n")
    while True:
        pergunta = input("Voce: ").strip()
        if pergunta.lower() in ("sair", "exit", "quit"):
            break
        if not pergunta:
            continue
        chat_stream(pergunta)

6. Entendendo a arquitetura

O que acontece quando voce chama llm.invoke():

1. Prompt: Suas mensagens (system + human) sao formatadas
2. LLM: O modelo processa e gera uma resposta
3. Output Parser: O LangChain converte a resposta para o formato desejado

Esse padrao simples e a base de tudo que vamos construir nas proximas aulas. Cada componente pode ser customizado e encadeado.

[System Message] + [Human Message]
        |
        v
    [LLM (GPT/Claude)]
        |
        v
    [AI Message (resposta)]

Exercicio pratico

1. Mude a mensagem de sistema para criar um agente com personalidade diferente (ex: “Voce e um chef de cozinha que explica receitas com analogias de programacao”)
2. Adicione um parametro --model para escolher entre GPT e Claude via linha de comando
3. Salve o historico de conversa em um arquivo JSON

Proximo passo

Na Aula 2, vamos fazer esse agente consultar documentos PDF usando RAG (Retrieval-Augmented Generation). Em vez de depender apenas do conhecimento do modelo, ele vai buscar informacoes em seus proprios documentos.