Nexa AI Agents

Requisitos

• Python >=3.10
• Ollama

Instalação

Criação de um ambiente virtual

No Linux ou macOS:

python -m venv venv
source venv/bin/activate

No Windows:

python -m venv venv
.\venv\Scripts\activate

Instalação das dependências

pip install -r requirements.txt

Principais dependências:

• smolagents[litellm,toolkit]
• pydantic
• ollama - para execução dos modelos localmente.
• beautifulsoup4 - para pesquisas na web.
• wikipedia api

RAG (Retrieval-Augmented Generation):

• chromadb - para conexão com o banco de dados vetorial
• sentence-transformers para criar o embeddings para o BD vetorial
• pandas

Servidor web:

• flask
• redis
• pydantic

Configuração das Variáveis de Ambiente

Copie o arquivo .env.example para .env e altere os seus valores.

Os valores recomendados estão definidos no arquivo .env.example.

Configuração do Banco de Dados Vetorial - Sistema RAG

Recomendamos configurá-lo com docker com o seguinte comando:

docker compose up --build -d

Mas, também pode executá-lo diretamente do projeto, executando:

chroma run --host localhost --port 8000

Popular Banco de Dados com os NCMs

O agente de classificação espera que o banco de dados vetorial armazene os NCMs (Nomenclatura Comum do Mercosul) e EX (excessão) dos produtos. Assim, é necessário popular o BD com alguns dados relacionados ao NCM e EX.

Esses dados podem ser obtidos no site do Comércio Exterior COMEX. Em seguida, adicione os arquivos à pasta do projeto seguindo as seguintes regras:

• Os arquivos CSV devem ser colocados no diretório database/data e serem nomeados: ncm.csv e tipi.csv.
• Os arquivos devem possuir codificação UTF-8 e separador vírgula (,).
• O arquivo ncm.csv deve possuir os seguintes campos com estes nomes:
  1. CO_NCM: O código NCM
  2. NO_NCM_POR: A descrição em português
  3. NO_NCM_ING: A descrição em inglês
• O arquivo tipi.csv deve possuir os seguintes campos com estes nomes:
  1. NCM: O código NCM
  2. EX: O código EX

Veja mais sobre esses dados em Algumas informações importantes.

E execute o seguinte comando:

python database/create.py

Esse programa irá criar os embeddings dos dados contidos no arquivo CSV e guardá-los em uma coleção no banco de dados vetorial.

Algumas informações importantes

• Campo de Embedding: A descrição do NCM em inglês será o campo utilizado para a pesquisa no BD. Deve ser a coluna 3 do CSV.
• Campos retornados: Após encontrar resultados, o BD irá retornar
  • o código NCM
  • o código EX
  • a descrição do NCM em Português

Executar

python run.py

Exemplo de interação direta com um agente

A aplicação invoca os agentes automaticamente, se desejar executar os agentes manualmente, vocẽ pode executar:

python agent_example.py

• rodar docker.
• popular banco de dados vetorial
• testar banco de dados vetorial

Exemplo de interação direta com o banco de dados

A aplicação utiliza o banco de dados automaticamente, mas se desejar executar requisições contra o BD, você pode executar:

python databse/query.py