Etapa 1: Criar um arquivo.txt a partir de uma lista de perguntas vindas de uma lista Python.
lista_de_perguntas = [
"O que é um transistor?",
"O que é um resistor?",
"O que é um capacitor?",
"O que é um diodo?",
"O que é um circuito integrado",
]
with open('/content/drive/MyDrive/lista_de_perguntas.txt', 'w' , encoding='utf-8') as arquivo:
for resumo in lista_de_perguntas:
arquivo.write(resumo + "\n")
Etapa 2: Ler as perguntas deste arquivo.txt.
nova_lista_de_leitura2 = []
with open("/content/drive/MyDrive/lista_de_perguntas.txt", "r" , encoding="utf-8") as arquivo:
for linha in arquivo:
nova_lista_de_leitura2.append(linha)
Etapa 3: Obter respostas de uma LLM para cada uma.
def resumidor_de_perguntas(lista_de_perguntas1):
lista_de_respostas1 = []
for numero, pergunta in enumerate(lista_de_perguntas1):
resposta = client_groq.chat.completions.create(
model="openai/gpt-oss-20b",
messages=[
{"role": "user", "content": f"""Vou te mandar algumas perguntas. Quero que você responda em
apenas 2 linhas. Segue as perguntas:{pergunta}"""}
]
)
print(f"Pergunta {numero + 1}: {resposta.choices[0].message.content}")
lista_de_respostas1.append(f"Pergunta {numero + 1}: {resposta.choices[0].message.content}")
print("-" * 70)
return lista_de_respostas1
lista_de_respostas1 = resumidor_de_perguntas(lista_de_perguntas)
Etapa 4: Salvar os resultados em um novo arquivo.csv
df_respostas = pd.DataFrame(lista_de_respostas1, columns=['resposta'])
df_respostas.to_csv('/content/drive/MyDrive/respostas.csv', index=False, encoding='utf-8')
print('Arquivo respostas.csv salvo com sucesso!')
Etapa 5:
df_respostas_lido = pd.read_csv('/content/drive/MyDrive/respostas.csv')
display(df_respostas_lido.head())
Obs.: A duas últimas etapas tive que consultar a IA, porque não havia aprendido como salvar o arquivo .CSV.
