# Solução completa
ollama pull llama3.2:3b
ollama run llama3.2:3b
# No modo interativo, escreve: "Olá! Explica-me o que és."
# Para sair: /bye ou Ctrl+D

from langchain_community.llms import Ollama
from langchain.agents import initialize_agent, AgentType
from langchain.tools import Tool

# Criar o LLM
llm = Ollama(model="llama3.2:3b")

# Definir ferramenta de cálculo
def calculadora(expressao: str) -> str:
    """Calcula uma expressão matemática."""
    try:
        return str(eval(expressao))
    except Exception as e:
        return f"Erro: {e}"

ferramenta = Tool(
    name="Calculadora",
    func=calculadora,
    description="Útil para cálculos matemáticos. Input: expressão matemática."
)

# Criar o agente
agente = initialize_agent(
    [ferramenta],
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

# Testar
resultado = agente.run("Quanto é 25 * 48?")
print(resultado)  # Deve imprimir: 1200

# Instalar SDK
# pip install claude-agent-sdk

import asyncio
from claude_agent_sdk import query, ClaudeAgentOptions, Tool

# Definir ferramenta customizada
def consultar_clima(cidade: str) -> str:
    """Consulta o tempo atual para uma cidade."""
    # Em produção, chamaria uma API real
    return f"Tempo em {cidade}: 22°C, parcialmente nublado"

ferramenta_clima = Tool(
    name="consultar_clima",
    description="Consulta o tempo atual. Input: nome da cidade.",
    func=consultar_clima
)

async def main():
    async for message in query(
        prompt="Qual está o tempo em Lisboa?",
        options=ClaudeAgentOptions(
            allowed_tools=["consultar_clima"],
            custom_tools=[ferramenta_clima]
        )
    ):
        if hasattr(message, "result"):
            print(message.result)

asyncio.run(main())

from langchain_community.llms import Ollama
from langchain.agents import initialize_agent, AgentType
from langchain.tools import DuckDuckGoSearchRun

llm = Ollama(model="llama3.2:3b")
pesquisa = DuckDuckGoSearchRun()

ferramenta_pesquisa = Tool(
    name="PesquisaWeb",
    func=pesquisa.run,
    description="Pesquisa na web por informações."
)

agente = initialize_agent(
    [ferramenta_pesquisa],
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

resultado = agente.run(
    "Pesquisa sobre as últimas novidades em IA generativa e resume em 3 pontos"
)
print(resultado)

from langchain_community.llms import Ollama
from langchain.tools import Tool
from langchain.agents import initialize_agent, AgentType

llm = Ollama(model="llama3.2:3b")

# Agente Pesquisador
def pesquisa_info(topico: str) -> str:
    # Simulação de pesquisa
    return f"Informações sobre {topico}: ..."

agente_pesquisador = initialize_agent(
    [Tool(name="Pesquisa", func=pesquisa_info, description="Pesquisa informações.")],
    llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION
)

# Agente Escritor
def escrever_artigo(info: str) -> str:
    # Usar LLM para escrever
    return llm.invoke(f"Escreve um artigo baseado em: {info}")

# Agente Revisor
def revisar(texto: str) -> str:
    return llm.invoke(f"Melhora este texto: {texto}")

# Pipeline
def pipeline(topico: str):
    info = agente_pesquisador.run(f"Pesquisa sobre: {topico}")
    artigo = escrever_artigo(info)
    final = revisar(artigo)
    return final

resultado = pipeline("Inteligência Artificial em 2026")