Bem-vindo ao curso de Agentes de IA 🤗
Bem-vindo ao tema mais interessante da IA hoje: Agentes.
Este curso leva você do zero ao ponto de construir seus próprios agentes — entendendo o que são, como funcionam por dentro e como programá-los.
Esta primeira unidade serve para deixar sua máquina pronta:
- Conhecer o conteúdo do curso.
- Instalar o Python no Windows.
- Criar um ambiente virtual isolado para o curso.
- Instalar o Ollama e baixar um modelo de linguagem que roda na sua própria máquina.
- Verificar que está tudo funcionando antes da primeira aula prática.
Vamos começar.
O que esperar deste curso?
Neste curso você vai:
- 📖 Estudar Agentes de IA na teoria, no projeto e na prática.
- 🧑💻 Aprender a usar bibliotecas consolidadas de agentes, como smolagents, LlamaIndex e LangGraph.
- 🛠️ Construir agentes que usam Tools — buscar em documentos, consultar APIs, executar código.
- 🔒 Fazer tudo isso localmente, sem enviar dados para serviços externos.
Ao final, você vai entender como Agents funcionam e como construir os seus com as bibliotecas atuais.
Onde isso vai dar
Este curso tem um destino concreto. Ao final, você terá construído um Agent seu, especializado em um tema judicial que você escolher, rodando na sua máquina.
O exemplo que desenvolvemos juntos atende a um pedido assim:
"Alfred, traga os processos mais recentes sobre violência doméstica."
Para cumprir isso, o Agent precisa encadear várias etapas por conta própria: traduzir o assunto para um código, consultar a base, ordenar por data, buscar os detalhes de cada processo e apresentar o resultado. Nada disso é dito a ele — ele recebe apenas o objetivo e a lista de capacidades que tem.
Na Unidade 4, você troca "violência doméstica" pelo tema que for útil ao seu gabinete.
O que este Agent faz: encontra e organiza, reduzindo o tempo entre "preciso ver os processos sobre X" e ter a lista de processos à frente.
O que ele não faz: julgar, redigir decisão ou substituir a leitura dos autos. Ao longo do curso você vai entender, no nível do mecanismo, por que essa fronteira não é cautela institucional — é uma limitação técnica do que um modelo de linguagem é.
Terminologia: termos técnicos ficam em inglês ao longo do curso — Agent, Tool, Thought, Action, Observation, prompt, token. É o vocabulário da documentação, das mensagens de erro e dos nomes de função nas bibliotecas; traduzi-los criaria um dicionário que só existe nesta apostila. A explicação vem em português.
Como o curso é organizado?
O curso combina:
- Unidades de fundamento: os conceitos na teoria. Sem isso, usar um framework vira decoreba.
- Mão na massa: código que você roda na sua própria máquina, no seu próprio ambiente virtual.
- Quizzes: para você conferir sozinho se entendeu antes de seguir.
Qual é o conteúdo?
| Unidade | Tema | Descrição |
|---|---|---|
| 0 | Preparando o ambiente | Instalar Python, ambiente virtual, Ollama e o modelo. Garantir que tudo roda. |
| 1 | Fundamentos de Agents | Tools, Thoughts, Actions, Observations e seus formatos. LLMs, mensagens, tokens especiais e templates de chat. Um caso simples usando funções Python como Tools. |
| 2 | Frameworks | Como os fundamentos aparecem nas bibliotecas populares: smolagents, LangGraph, LlamaIndex. |
| 3 | Casos de uso | Construir casos reais, de ponta a ponta. |
| 4 | Projeto final | Construir um agente completo e defender as decisões de projeto. |
Quais são os pré-requisitos?
- Conhecimento básico de Python: variáveis, funções, listas, dicionários,
import. Você não precisa ser desenvolvedor. - Conhecimento básico de LLMs: não é obrigatório — a Unidade 1 tem uma seção que revisa o assunto do começo.
Você não precisa saber Linux, Docker ou aprendizado de máquina.
O que eu preciso ter?
Uma estação de trabalho Windows 10 ou 11 com:
| Requisito | Mínimo | Recomendado |
|---|---|---|
| Memória RAM | 8 GB | 16 GB |
| Espaço livre em disco | 15 GB | 25 GB |
| Processador | 4 núcleos | 8 núcleos |
| Acesso de administrador | Não é necessário | — |
| Internet | Necessária apenas na instalação | — |
O modelo que vamos usar (qwen2:7b) ocupa cerca de 4,4 GB em disco e usa por volta de 5 GB de RAM enquanto responde. Se sua máquina tem 8 GB de RAM, feche o navegador antes de rodar os exercícios. Na seção de problemas comuns há uma alternativa com um modelo menor.
Por que rodar o modelo localmente?
O curso original da Hugging Face usa a API de inferência deles — ou seja, o texto que você escreve é enviado pela internet para os servidores da Hugging Face.
Nesta versão, o modelo roda dentro da sua máquina, através do Ollama. Isso tem três consequências práticas:
- Nada sai do computador. Nenhum trecho de processo, documento ou dado de parte trafega para terceiros. Em um Tribunal, essa não é uma preferência estética — é o que torna o exercício viável com material real.
- Não precisa de conta, token nem cartão. Depois de instalado, funciona offline.
- É mais lento. Um modelo rodando em CPU responde em segundos, não em milissegundos. É o preço do item 1.
Qual é o ritmo recomendado?
Cada unidade foi pensada para uma semana, com 3 a 4 horas de trabalho. Você pode ir mais rápido — mas não pule os quizzes.
Como aproveitar melhor o curso?
- Digite o código, não copie e cole. Você aprende no erro de digitação.
- Faça os quizzes. São curtos e servem para você descobrir o que passou batido.
- Quebre o código de propósito. Troque um parâmetro, apague uma linha, veja a mensagem de erro. Entender o erro vale mais que ver funcionar.
Créditos
Este material é uma tradução e adaptação do Hugging Face AI Agents Course, licenciado sob Apache 2.0. Crédito aos autores originais:
- Joffrey Thomas e Thomas Simonini — escrita e desenvolvimento do curso.
- Ben Burtenshaw e Sergio Paniego — manutenção.
- Pedro Cuenca, Aymeric Roucher, Joshua Lochner, Quentin Gallouédec, David Berenstein — conteúdo, demos e revisão.
Adaptação para pt-BR e para o ambiente Windows/Ollama: TJRJ.
Agora vamos preparar a máquina. Siga para Instalando Python e criando o ambiente virtual.