Topic outline

  • Nesse módulo vamos mostrar como construir um GPT personalizado passo a passo.

    Exemplo 19: Assista ao vídeo a seguir e refaça o exemplo. 



    Observe como inserir uma API no GPT personalizado

    API significa Interface de Programação de Aplicações (do inglês: Application Programming Interface). 



    Exemplo 20 - Criando agentes para redação de textos técnicos usando API SERPER e da OPENAI

    No site da Google criar uma API (mostrado no exemplo 17) da SERPER. Criar uma API da OPENAI.



    Executar o código a seguir passo a passo no GOOGLE COLAB. Comece criando um NOVO NOTEBOOK.

    Copie e cole as partes do código. Execute e observe os resultados. 


    📌 Parte 1 – Instalação das bibliotecas

    Comece sempre com a instalação das versões necessárias. Execute em uma célula separada:

    !pip install crewai==0.28.8 crewai_tools==0.1.6 langchain_community==0.0.29

    📌 Parte 2 – Importações

    Depois de instalar, importe os módulos principais:

    import os

from crewai_tools import tool, SerperDevTool, ScrapeWebsiteTool, WebsiteSearchTool
from crewai import Agent, Task, Crew, Process
from langchain_openai import ChatOpenAI

    📌 Parte 3 – Configuração das chaves de API

    Aqui organizamos a leitura das chaves que estão salvas em arquivos locais (API_OpenAI_SEPEI.txt e API_Serper.txt). Você deve fazer upload desses arquivos no Colab antes.

    # Função para ler a chave de API do OpenAI
def get_openai_api_key():
    with open('API_OpenAI_SEPEI.txt', 'r') as file:
        return file.read().strip()

# Função para ler a chave de API do Serper
def get_serper_api_key():
    with open('API_Serper.txt', 'r') as file:
        return file.read().strip()

# Configurar variáveis de ambiente
openai_api_key = get_openai_api_key()
serper_api_key = get_serper_api_key()

os.environ["OPENAI_API_KEY"] = openai_api_key
os.environ["SERPER_API_KEY"] = serper_api_key

    📌 Parte 4 – Configuração do LLM e Ferramentas

    Definimos o modelo de linguagem e as ferramentas que os agentes poderão usar.

    # Modelo LLM
gpt4o_mini_llm = ChatOpenAI(model="gpt-4o-mini", api_key=openai_api_key)

# Ferramentas
ferramenta_de_busca = SerperDevTool()
ferramenta_de_raspagem = ScrapeWebsiteTool()

    📌 Parte 5 – Definição dos Agentes

    Aqui configuramos os três agentes: Planejador, Escritor e Editor.

    planejador = Agent(
    role="Planejador de Conteúdo",
    goal="Planejar conteúdo envolvente e factualmente preciso sobre {tópico}",
    backstory=(
        "Você está trabalhando no planejamento de um artigo de blog "
        "sobre o tópico: {tópico}. "
        "Você coleta informações que ajudam o público a aprender algo "
        "e tomar decisões informadas. "
        "Seu trabalho é a base para que o Redator de Conteúdo escreva "
        "um artigo sobre este tópico."
    ),
    verbose=True,
    tools=[ferramenta_de_busca, ferramenta_de_raspagem],
    allow_delegation=False,
    llm=gpt4o_mini_llm
)

escritor = Agent(
    role="Redator de Conteúdo",
    goal="Escrever um artigo em português do Brasil, de opinião perspicaz e factualmente preciso sobre {tópico}",
    backstory=(
        "Você está trabalhando na escrita de um artigo de opinião sobre o tópico: {tópico}. "
        "Você baseia sua escrita no trabalho do Planejador de Conteúdo, que fornece um esboço e contexto. "
        "Você segue os principais objetivos e fornece insights apoiados em informações do Planejador. "
        "Reconhece quando uma afirmação é opinião e quando é fato."
    ),
    verbose=True,
    tools=[ferramenta_de_busca, ferramenta_de_raspagem],
    allow_delegation=False,
    llm=gpt4o_mini_llm
)

editor = Agent(
    role="Editor",
    goal="Editar um post de blog alinhado ao estilo da organização.",
    backstory=(
        "Você é um editor que recebe um post de blog do Redator de Conteúdo. "
        "Seu objetivo é revisar para garantir boas práticas jornalísticas, "
        "apresentar pontos de vista equilibrados e evitar polêmicas desnecessárias."
    ),
    verbose=True,
    tools=[ferramenta_de_busca, ferramenta_de_raspagem],
    allow_delegation=False,
    llm=gpt4o_mini_llm
)

    📌 Parte 6 – Definição das Tarefas

    Aqui estabelecemos as tarefas que cada agente deve executar.

    planejamento = Task(
    description=(
        "1. Priorizar as últimas tendências, principais players e notícias relevantes sobre {tópico}.\n"
        "2. Identificar o público-alvo, considerando interesses e pontos de dor.\n"
        "3. Desenvolver um esboço de conteúdo detalhado com introdução, pontos principais e call-to-action.\n"
        "4. Incluir palavras-chave de SEO e fontes relevantes."
    ),
    expected_output="Documento de plano de conteúdo com esboço, público-alvo, palavras-chave e recursos.",
    agent=planejador,
)

escrita = Task(
    description=(
        "1. Use o plano de conteúdo para criar um post de blog atraente sobre {tópico}.\n"
        "2. Incorpore palavras-chave de SEO de forma natural.\n"
        "3. Nomeie seções de maneira envolvente.\n"
        "4. Estruture com introdução, corpo e conclusão.\n"
        "5. Revise erros gramaticais e alinhe com público-alvo."
    ),
    expected_output="Post de blog em português, formato markdown, pronto para publicação.",
    agent=escritor,
)

edicao = Task(
    description="Revise o post de blog para corrigir erros e alinhar ao público-alvo.",
    expected_output="Post revisado, pronto para publicação, em português, com seções de 3-4 parágrafos.",
    agent=editor
)

    📌 Parte 7 – Montagem da Crew

    Aqui juntamos os agentes e tarefas.

    crew = Crew(
    agents=[planejador, escritor, editor],
    tasks=[planejamento, escrita, edicao],
    verbose=2
)

    📌 Parte 8 – Execução

    Finalmente, rodamos a orquestração da equipe, passando o tópico desejado.

    result = crew.kickoff(inputs={"tópico": "Seminário de Ensino, Pesquisa e Extensão do IFSC - SEPEI"})

from IPython.display import Markdown
Markdown(result)

    ==============================================
    Você pode alterar o tópico em vermelho para construir textos sobre outros assuntos.
    O importante nesse exemplo é você perceber que é possível usar a IA usando APIs.  

    =================================

    Se você chegou até aqui e realizou pelo menos 12 atividades práticas, parabéns !

    Você pode solicitar a emissão do certificado de participação com 8 horas de carga horária. 

    Para isso você deve enviar um PDF único comprovando a realização de pelo menos 12 atividades para o email: jesue@ifsc.edu.br com assunto: PRÁTICA DE IA - SOLICITAÇÃO DE CERTIFICADO. 

    Você também deve preencher o formulário a seguir com seus dados.

    https://forms.gle/zw1cdYrC3K7DHoHq5

    ============================================================================

    Prof. Jesué Graciliano da Silva


    Para saber mais: 

    https://wiki.sj.ifsc.edu.br/images/d/db/Apendice.pdf

    https://moodle.ifsc.edu.br/pluginfile.php/489695/mod_resource/content/4/ESTUDO%20COMPLEMENTAR%20CURSO%20EAD%20IA.pdf

    ==================

    
                                                    
    
                                                
    
                                
    
                                        
                                
                            
                        
    • 

            

                    

                        

                            
                                ◄Prática 6