Python e Gemini: Orquestrando LLMs com LangChain

📌 Sobre o projeto

Este projeto utiliza o LangChain como framework principal para orquestrar uma solução integrada de análise e organização de imagens enriquecidas com anotações inteligentes. O LangChain foi escolhido por sua capacidade de conectar e gerenciar fluxos complexos que combinam IA multimodal e modelos de linguagem, permitindo um desenvolvimento mais modular e escalável.

O projeto expõe um assistente via terminal, orquestrado por um agente central que decide, a partir da pergunta do usuário, se deve responder diretamente ou acionar ferramentas (como análise de imagens).

🔨 Funcionalidades

• Assistente conversacional via linha de comando
• Análise de imagens com IA multimodal (ex: "Faça uma análise da imagem exemplo_grafico.jpg")
• Respostas diretas a perguntas gerais via cadeias simples (ex: "Explique o que são desvios condicionais")
• Orquestração de agente com múltiplas ferramentas (Agente como Ferramentas)
• Suporte a múltiplos provedores de LLM: Google Gemini e Maritaca AI

✔️ Técnicas e tecnologias utilizadas

• Programação em Python
• API Gemini (Google) e API Maritaca
• Framework LangChain
  • Cadeias Simples
  • Agente Orquestrador
  • Agente como Ferramentas
• Pillow para manipulação de imagens
• python-dotenv para gerenciamento de variáveis de ambiente

📂 Estrutura do projeto

LLM-LangChain/
├── agente/            # Lógica do agente orquestrador
├── ferramentas/        # Ferramentas (tools) utilizadas pelo agente, ex: análise de imagem
├── imagem/              # Módulos relacionados ao processamento de imagens
├── langchain/           # Configurações e cadeias do LangChain
├── testes/               # Testes do projeto
├── img/                    # Imagens de exemplo e demonstração (ex: amostra.gif)
├── main.py                 # Ponto de entrada — assistente via terminal
├── my_helper.py             # Funções auxiliares
├── my_keys.py                # Carregamento das API keys a partir do .env
├── my_models.py               # Identificadores dos modelos utilizados (Gemini/Maritaca)
├── requirements.txt            # Dependências do projeto
└── .gitignore

🛠️ Como abrir e rodar o projeto

Após baixar o projeto, você pode abri-lo com o Visual Studio Code. Em seguida, é necessário preparar o ambiente.

1. Criar e ativar o ambiente virtual

Windows:

python -m venv venv-gemini-3
venv-gemini-3\Scripts\activate

Mac/Linux:

python3 -m venv venv-gemini-3
source venv-gemini-3/bin/activate

2. Instalar as dependências

pip install -r requirements.txt

🔑 Gerar API_KEY e associar ao .env

Crie um arquivo .env na raiz do projeto com suas chaves de API:

GEMINI_API_KEY="SUA_CHAVE_AQUI"
MARITACA_API_KEY="SUA_CHAVE_AQUI"

As chaves são carregadas automaticamente pelo my_keys.py através do python-dotenv.

⚠️ Nunca compartilhe suas chaves de API publicamente. Certifique-se de que o arquivo .env está listado no .gitignore.

▶️ Executando o projeto

python main.py

Isso inicia o assistente em modo interativo no terminal:

=== Assistente IA ===
Exemplos:
 - Explique o que são desvios condicionais
 - Faça uma análise da imagem exemplo_grafico.jpg

Digite 'sair' para encerrar.

📄 Licença

Este projeto está sob a licença MIT. Consulte o arquivo LICENSE para mais detalhes.