Olá, Sergio! Tudo bem?
Sua sugestão é sensacional e extremamente pertinente. Muitas vezes, quem já está acostumado com o fluxo de desenvolvimento acaba esquecendo que o "primeiro passo" (configurar as chaves e o faturamento) pode ser o maior gargalo para quem está começando agora em Arquiteturas RAG.
O uso do Google Colab Secrets é, sem dúvida, a melhor prática para o ambiente educacional. Como você bem pontuou, ele evita que o aluno cometa o erro clássico de "subir" sua chave privada para o GitHub ou compartilhar o notebook com a chave exposta no código.
Por que sua dica é valiosa?
- Segurança de Dados: Utilizar
userdata.get() garante que apenas o dono do notebook (ou quem tem acesso autorizado) veja o valor da chave. - Gestão de Custos: Sua observação sobre os US$ 5 é encorajadora. Para projetos de estudo com modelos como o
gpt-3.5-turbo ou os modelos de embeddings, o custo por requisição é tão baixo que esse valor inicial realmente permite meses de experimentação sem sustos no cartão. - Organização: Manter chaves da OpenAI, Groq ou Gemini centralizadas no ícone da "chave" do Colab facilita a alternância entre diferentes provedores de LLM durante o curso.
Dica Extra para o "Agente de Futebol"
Já que você está no projeto do Agente de Futebol, uma aplicação prática da sua dica é criar um Secret chamado OPENAI_API_KEY. O LangChain, por padrão, tenta buscar essa variável de ambiente. Se você configurá-la assim no início do notebook:
import os
from google.colab import userdata
os.environ["OPENAI_API_KEY"] = userdata.get('api_key_openai')
O Agente conseguirá se autenticar automaticamente sem que você precise passar a chave manualmente em cada classe do LangChain.
Sergio, muito obrigado por contribuir para melhorar a jornada dos novos alunos! Você já chegou a testar o uso de chaves da Groq (como aparece no seu print) para rodar o Llama 3 no mesmo projeto de RAG?
