Neste tutorial, voc\u00ea aprender\u00e1 a construir agentes de Intelig\u00eancia Artificial (IA) totalmente localmente utilizando Ollama<\/strong> e os modelos DeepSeek R1<\/strong>. Descubra como configurar seu ambiente para rodar modelos de IA de alto desempenho, compar\u00e1veis ou superiores aos modelos da OpenAI, com uma diferen\u00e7a significativa de custo.<\/p>\n\n\n\n Antes de come\u00e7ar, certifique-se de ter o seguinte:<\/p>\n\n\n\n 4. **Execute o Modelo como Standalone:**<\/p>\n\n\n\n 5. **Interaja com o Modelo:**<\/p>\n\n\n\n Ap\u00f3s executar o comando, voc\u00ea poder\u00e1 interagir com o modelo diretamente no terminal.<\/p>\n\n\n\n **Exemplo de Conversa:**<\/p>\n\n\n\n 6. **Abra Editor de C\u00f3digo Cursor:**<\/p>\n\n\n\n 7. **Crie um Novo Projeto:**<\/p>\n\n\n\n – No Cursor, clique em **”New Project”** e nomeie sua equipe, por exemplo, **”DeepSeek”**.<\/p>\n\n\n\n 8. **No terminal, Inicialize a Equipe:**<\/p>\n\n\n\n Aten\u00e7\u00e3o: deepseek no comando anterior \u00e9 o nome que voc\u00ea est\u00e1 dando a sua nova crew. N\u00e3o confunda com o modelo deepseek.<\/p>\n\n\n\n – Siga as instru\u00e7\u00f5es para nomear e configurar sua equipe. 9. **Configure para Usar o Ollama:**<\/p>\n\n\n\n – Mesmo que o setup inclua refer\u00eancias a modelos da OpenAI, voc\u00ea ir\u00e1 substitu\u00ed-las para utilizar o Ollama. 10. **Edite o Arquivo `crew.py`:** 12. **Defina o Modelo LLM:**<\/p>\n\n\n\n – **Nota:** Assegure-se de que o Ollama esteja executando e que a porta especificada esteja correta.<\/p>\n\n\n\n 13. **Integre os Agentes:**<\/p>\n\n\n\n – Configure os agentes da equipe para utilizar o `deepseek_ollama` como o modelo de linguagem.<\/p>\n\n\n\n – Exemplo:<\/p>\n\n\n\n 14. **No arquivo main.py, na linha 7, delete deepseek** (que \u00e9 o nome da sua crew nesse exemplo) Elimine o deedseek.(o nome da sua crew)<\/p>\n\n\n\n 15. Ainda no arquivo main.py, na linha 30 adicione uma chamada para a fun\u00e7\u00e3o run:<\/p>\n\n\n\n 16. **No terminal, liste os diret\u00f3rios, usando o comando ls;<\/p>\n\n\n\n 17. Navegue para o diret\u00f3rio: deepseek, usando o comando: cd deepseek<\/p>\n\n\n\n 18. Execute o arquivo main.py, usando o comando: Parab\u00e9ns! Voc\u00ea configurou com sucesso uma equipe de agentes de IA localmente utilizando Ollama<\/strong> e os modelos DeepSeek R1<\/strong>.<\/p>\n\n\n\n Com este setup, voc\u00ea pode aproveitar um desempenho robusto e custos reduzidos em compara\u00e7\u00e3o com servi\u00e7os de IA na nuvem.<\/p>\n\n\n\n Pesquisa, Edi\u00e7\u00e3o, formata\u00e7\u00e3o e finaliza\u00e7\u00e3o:<\/em> Introdu\u00e7\u00e3o Neste tutorial, voc\u00ea aprender\u00e1 a construir agentes de Intelig\u00eancia Artificial (IA) totalmente localmente utilizando Ollama e os modelos DeepSeek R1. Descubra como configurar seu ambiente para rodar modelos de IA de alto desempenho, compar\u00e1veis ou superiores aos modelos da OpenAI, com uma diferen\u00e7a significativa de custo. Pr\u00e9-requisitos Antes de come\u00e7ar, certifique-se de ter o […]<\/p>\n","protected":false},"author":1,"featured_media":1662,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1,509,492,508],"tags":[],"class_list":["post-1661","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blog","category-cursor","category-deepseek","category-ollama"],"blocksy_meta":[],"brizy_media":[],"_links":{"self":[{"href":"https:\/\/portal7ia.com.br\/index.php\/wp-json\/wp\/v2\/posts\/1661","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/portal7ia.com.br\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/portal7ia.com.br\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/portal7ia.com.br\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/portal7ia.com.br\/index.php\/wp-json\/wp\/v2\/comments?post=1661"}],"version-history":[{"count":2,"href":"https:\/\/portal7ia.com.br\/index.php\/wp-json\/wp\/v2\/posts\/1661\/revisions"}],"predecessor-version":[{"id":1664,"href":"https:\/\/portal7ia.com.br\/index.php\/wp-json\/wp\/v2\/posts\/1661\/revisions\/1664"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/portal7ia.com.br\/index.php\/wp-json\/wp\/v2\/media\/1662"}],"wp:attachment":[{"href":"https:\/\/portal7ia.com.br\/index.php\/wp-json\/wp\/v2\/media?parent=1661"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/portal7ia.com.br\/index.php\/wp-json\/wp\/v2\/categories?post=1661"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/portal7ia.com.br\/index.php\/wp-json\/wp\/v2\/tags?post=1661"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Pr\u00e9-requisitos<\/h2>\n\n\n\n
\n
Passo a Passo Detalhado<\/h2>\n\n\n\n
Passo 1: Baixar e Instalar o Ollama<\/h3>\n\n\n\n
\n
\n
\n
\n
\n
\n
\n
\n
Passo 2: Baixar o Modelo DeepSeek R1<\/h3>\n\n\n\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
Passo 3: Executar o Modelo Localmente<\/h3>\n\n\n\n
\n
\n
\n
ollama pull deepseek-r1-1.5b<\/code><\/pre>\n\n\n\nollama run deepseek-r1-1.5b<\/code><\/pre>\n\n\n\n Voc\u00ea: Como voc\u00ea est\u00e1?\n IA: Estou funcionando bem! Como posso ajudar voc\u00ea hoje?<\/code><\/pre>\n\n\n\n
### Passo 4: Criar e Configurar uma Equipe (Crew) de IA<\/p>\n\n\n\ncrew AI create crew deepseek<\/code><\/pre>\n\n\n\n
<\/p>\n\n\n\n
<\/p>\n\n\n\n
– Navegue at\u00e9 o arquivo `crew.py` no seu projeto e abra-o para edi\u00e7\u00e3o.
11. **Importe o LLM do Ollama:**
– Que consiste simplesmente em adicionar LLM ao final da linha de c\u00f3digo abaixo:<\/p>\n\n\n\nfrom crewAI import agent, crew, process, task, LLM<\/code><\/pre>\n\n\n\ndeepseek_ollama = LLM(\nmodel=\"ollama\/deepseek-r1-1.5b\",\nbase_url=\"http:\/\/localhost:11434\" # Substitua 'port' pelo n\u00famero da porta usada pelo Ollama\n)<\/code><\/pre>\n\n\n\n @agent\n def researcher(self) -> Agent: \n return Agent(\n config-self.agents_config['researcher\u2019], \n verbose=True,\n llm=self.deepseek_ollama\n )\n @agent\n def reporting_analyst(self) -> Agent: \n return Agent(\n config=self.agents_config['reporting_analyst'],\n verbose=true,\n llm=self.deepseek_ollama\n )<\/code><\/pre>\n\n\n\n
A linha vai estar assim:<\/p>\n\n\n\nfrom deepseek.crew import DeepSeek<\/code><\/pre>\n\n\n\nfrom crew import DeepSeek<\/code><\/pre>\n\n\n\nrun()<\/code><\/pre>\n\n\n\n
<\/p>\n\n\n\npython src\/deepseek\/main.py<\/code><\/pre>\n\n\n\n\n
Conclus\u00e3o<\/h2>\n\n\n\n
Recursos Adicionais<\/h4>\n\n\n\n
\n
\n\n\n\n
Werney A. Lima, quinta-feira, 6 de fevereiro de 2025 \u2013 14:46 (quinta-feira)<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"