Feat: Added a new code that shows an AI Agent creation based on gemin…

artificial_agents/agentes de ia.py

@@ -0,0 +1,123 @@
+# %%
+import os
+from dotenv import load_dotenv
+from langchain_google_genai import ChatGoogleGenerativeAI
+
+load_dotenv()
+
+google_api_key = os.environ.get("API_KEY")
+
+# %%
+
+TRIAGEM_PROMPT = (
+    "Você é um triador de Service Desk para políticas internas da empresa Carraro Desenvolvimento. "
+    "Dada a mensagem do usuário, retorne SOMENTE um JSON com:\n"
+    "{\n"
+    '  "decisao": "AUTO_RESOLVER" | "PEDIR_INFO" | "ABRIR_CHAMADO",\n'
+    '  "urgencia": "BAIXA" | "MEDIA" | "ALTA",\n'
+    '  "campos_faltantes": ["..."]\n'
+    "}\n"
+    "Regras:\n"
+    '- **AUTO_RESOLVER**: Perguntas claras sobre regras ou procedimentos descritos nas políticas (Ex: "Posso reembolsar a internet do meu home office?", "Como funciona a política de alimentação em viagens?").\n'
+    '- **PEDIR_INFO**: Mensagens vagas ou que faltam informações para identificar o tema ou contexto (Ex: "Preciso de ajuda com uma política", "Tenho uma dúvida geral").\n'
+    '- **ABRIR_CHAMADO**: Pedidos de exceção, liberação, aprovação ou acesso especial, ou quando o usuário explicitamente pede para abrir um chamado (Ex: "Quero exceção para trabalhar 5 dias remoto.", "Solicito liberação para anexos externos.", "Por favor, abra um chamado para o RH.").'
+    "Analise a mensagem e decida a ação mais apropriada."
+
+    """
+    decisao: AUTO_RESOLVER 
+    ugencia: BAIXA
+    campos_faltantes: []
+    """
+)
+# %%
+
+from pydantic import BaseModel, Field
+from typing import Literal, List, Dict
+
+class TriagemOut(BaseModel):
+    decisao: Literal["AUTO_RESOLVER", "PEDIR_INFO", "ABRIR_CHAMADO"]
+    urgencia: Literal["BAIXA", "MEDIA", "ALTA"] 
+    campos_faltantes: List[str] = Field(default_factory=list)
+
+# %%
+
+llm_triagem = ChatGoogleGenerativeAI(model="gemini-2.5-flash", temperature=0.0, api_key=google_api_key)
+# %%
+
+from langchain_core.messages import SystemMessage, HumanMessage
+
+triagem_chain = llm_triagem.with_structured_output(TriagemOut)
+
+def triagem(mensagem: str) -> Dict:
+    saida: TriagemOut = triagem_chain.invoke([SystemMessage(content=TRIAGEM_PROMPT), HumanMessage(content=mensagem)])
+    return saida.model_dump()
+# %%
+
+testes = ["posso reembolsar a internet?", "Quero ter mais 5 dias remoto?", "Como sacar o pino do coquilho traseiro do guindaste zunlaine 75"]
+
+for msg_test in testes:
+    print(f"Pergunta: {msg_test}\n -> Resposta: {triagem(msg_test)}\n")
+
+# %%
+
+from pathlib import Path
+from langchain_community.document_loaders import PyMuPDFLoader
+
+docs = [];
+
+for n in Path(".").glob("*.pdf"):
+    try:
+        loader = PyMuPDFLoader(str(n))
+        docs.extend(loader.load()) 
+        print(f"carregado arquivo com sucesso: {n.name}")
+    except Exception as a:
+            print(f"Erro ao carregar arquivo {n.name}: {a}")
+# %%
+
+from langchain_text_splitters import RecursiveCharacterTextSplitter
+
+splitter = RecursiveCharacterTextSplitter(chunk_size=100, chunk_overlap=30)
+
+chunks = splitter.split_documents(docs)
+
+# %%
+
+for chunk in chunks:
+    print(chunk);
+    print("--------------------------")
+# %%
+
+from langchain_google_genai import GoogleGenerativeAIEmbeddings
+
+embedding = GoogleGenerativeAIEmbeddings(model="models/gemini-embedding-001", google_api_key=google_api_key)
+
+# %%
+
+from langchain_community.vectorstores import FAISS
+
+vectorstoe = FAISS.from_documents(chunks, embedding)
+
+retriever = vectorstoe.as_retriever(search_type="similarity_score_threshold", search_kwargs={"score_threshold": 0.3, "k": 4})
++
+# %%
+
+from langchain_core.prompts import ChatPromptTemplate
+from langchain.chains.combine_documents import create_stuff_documents_chain
+
+prompt_rag = ChatPromptTemplate.from_messages([
+    ("system",
+     "Você é um Assistente de Políticas Internas (RH/IT) da empresa Carraro Desenvolvimento. "
+     "Responda SOMENTE com base no contexto fornecido. "
+     "Se não houver base suficiente, responda apenas 'Não sei'."),
+
+    ("human", "Pergunta: {input}\n\nContexto:\n{context}")
+])
+
+document_chain = create_stuff_documents_chain(llm_triagem, prompt_rag)
+
+# %%
+
+def askPolitic_rag(pergunta: str) -> Dict:
+
+
+