Eu optei por adaptar a implementação para o Google Colab, em vez de seguir exatamente o ambiente demonstrado em aula no VS Code. Essa escolha foi feita porque o Colab já vinha sendo utilizado por mim em outros cursos da trilha, o que trouxe mais agilidade para configurar o ambiente, instalar dependências, testar integrações com LLMs e manter o foco no objetivo principal da atividade, que era compreender a lógica da comunicação com o modelo, a utilização do LangChain e a construção de prompt templates.
Inicialmente, a proposta era executar a atividade com a API da OpenAI, conforme apresentado pelo instrutor. Nessa etapa, foi configurada a chave da API, criado o ambiente com as bibliotecas necessárias e montada a chamada ao modelo. No entanto, durante os testes surgiram alguns problemas importantes. O primeiro deles foi um erro de autenticação, causado pelo uso incorreto da chave da API. Após análise, foi identificado que, em vez da chave secreta real, havia sido utilizado apenas o nome atribuído à chave. Esse problema foi corrigido com a substituição pelo valor correto.
Em seguida, a autenticação passou a funcionar, mas surgiu um novo erro relacionado à quota insuficiente da OpenAI. Isso indicou que, embora a chave estivesse correta, a conta da API não possuía créditos disponíveis para uso. Como a intenção era não adicionar fundos à OpenAI apenas para a conclusão da atividade, foi tomada a decisão de adaptar a solução para outro provedor de LLM já disponível no meu ambiente de estudos.
Nesse momento, a atividade foi migrada para uso com LangChain + Gemini, preservando os mesmos conceitos centrais da aula. Durante essa adaptação, também surgiram dificuldades. A primeira foi o uso de uma secret incorreta no Colab. Foi necessário validar as secrets existentes até identificar qual delas realmente correspondia a uma chave da API do Google/Gemini. Depois disso, apareceu um novo erro informando que o modelo inicialmente escolhido não estava disponível para aquela versão da API. A solução foi ajustar o identificador do modelo para uma versão compatível com o ambiente em uso.
Com isso, foi possível concluir a atividade mantendo a proposta técnica principal: configuração de ambiente, uso de secrets, integração com uma LLM via Python, utilização do LangChain e criação de um PromptTemplate com variáveis dinâmicas para geração modular de roteiros de viagem.
Dessa forma, mesmo com a adaptação de provedor e ambiente, a atividade cumpriu seu papel de consolidar os fundamentos apresentados em aula. Mais do que simplesmente executar um código, esse processo também foi importante para exercitar troubleshooting, validação de credenciais, interpretação de erros de API e tomada de decisão técnica diante de limitações reais do ambiente.
https://github.com/Moquiuti/LangChainePython/blob/main/API_LangChain_e_Prompt.ipynb
