Guia Completo: Como Criar Agentes de IA Locais para Desenvolvedores

Rodar Modelos de Linguagem de Grande Porte (LLMs) localmente tornou-se viável para qualquer desenvolvedor com uma máquina moderna. Graças a ferramentas como o Ollama, você pode baixar e executar modelos como Llama 3, Phi-3 ou Mistral diretamente na sua CPU/GPU sem enviar dados confidenciais para nuvens públicas.

Neste artigo, vamos aprender como instalar o Ollama, executar um modelo e construir um agente de IA simples em Python para automatizar revisões de código.

Por que Rodar Modelos Localmente?

• Privacidade Absoluta: O código e os dados de sua empresa nunca saem do seu computador.
• Custo Zero por Chamada de API: Sem preocupações com contas mensais salgadas de tokens consumidos.
• Funcionamento Offline: Continue desenvolvendo e integrando IA mesmo em aviões ou locais sem conexão estável de internet.

Passo 1: Instalando e Rodando o Ollama

O Ollama é incrivelmente simples de usar. Ele empacota o modelo e a runtime de inferência (llama.cpp) em um único executável ou container.

1. Acesse ollama.com e baixe a versão para seu sistema operacional (Windows, macOS ou Linux).
2. Abra seu terminal e rode o comando abaixo para baixar e executar o modelo Llama 3 (8B):

   ollama run llama3
   

3. O download será iniciado. Uma vez concluído, você poderá conversar diretamente com o modelo pelo terminal!

Passo 2: Construindo um Agente de IA para Code Review

Agora que o Ollama está rodando localmente, ele expõe uma API REST compatível por padrão no endereço http://localhost:11434.

Vamos criar um pequeno script em Python que lê as alterações de um arquivo de código e pede ao nosso modelo local para revisar a sintaxe e a arquitetura desse arquivo.

Pré-requisitos

Instale a biblioteca oficial do Ollama para Python:

pip install ollama

O Código do Agente (code_reviewer.py)

import ollama
import sys

def review_code(file_path):
    try:
        # 1. Ler o conteúdo do arquivo
        with open(file_path, 'r', encoding='utf-8') as file:
            code_content = file.read()
            
        print(f"[*] Analisando o arquivo {file_path} com Llama 3 local...")
        
        # 2. Definir as diretrizes do Agente
        system_prompt = (
            "Você é um engenheiro de software sênior revisor de código. "
            "Sua tarefa é ler o código fornecido, identificar potenciais bugs, "
            "problemas de performance ou falhas de segurança, e sugerir melhorias de legibilidade. "
            "Seja conciso e direto ao ponto. Responda em Português do Brasil."
        )
        
        # 3. Chamar a API local do Ollama
        response = ollama.chat(
            model='llama3',
            messages=[
                {'role': 'system', 'content': system_prompt},
                {'role': 'user', 'content': f"Revise o código abaixo:\n\n{code_content}"}
            ]
        )
        
        # 4. Imprimir o resultado
        print("\n=== REVISÃO DO AGENTE ===")
        print(response['message']['content'])
        print("=========================")
        
    except FileNotFoundError:
        print(f"[Erro] Arquivo não encontrado: {file_path}")
    except Exception as e:
        print(f"[Erro] Ocorreu uma falha: {e}")

if __name__ == "__main__":
    if len(sys.argv) < 2:
        print("Uso: python code_reviewer.py <caminho_do_arquivo>")
    else:
        review_code(sys.argv[1])

Executando o Code Reviewer

Para testar, crie um arquivo com algum código mal formatado ou com bugs e execute:

python code_reviewer.py meu_codigo.py

O Llama 3 local gerará uma análise detalhada e precisa das melhorias, rodando 100% de forma offline!

Conclusão

Ter um modelo local é o primeiro passo para criar assistentes integrados à sua IDE, geradores de documentação automática e agentes de teste integrados à sua pipeline de CI/CD local. O futuro do desenvolvimento é assistido por IA, e agora você tem as rédeas desse processo.