VeículosLLM

Teste prático contendo uma arquitetura MCP utilizando uma LLM da OLLAMA

O sistema recebe um input do usuário e realiza uma query em um banco SQLite que é iniciado ao iniciar a aplicação, com isso você terá o retorno em forma de tabela no CMD o output com base nos dados que foram solicitado pelo usuário, o sistema continua ativo até que você digite para sair

├── Dockerfile
├── LICENSE
├── Makefile
├── README.md
├── docker-compose.yml
├── main.py
├── requirements.txt
├── scripts
│   └── entrypoint.sh
├── src
│   ├── __init__.py
│   ├── agent
│   │   ├── __init__.py
│   │   └── virtual_agent.py
│   ├── client
│   │   ├── __init__.py
│   │   ├── llm_integration.py
│   │   └── main.py
│   ├── database
│   │   ├── __init__.py
│   │   ├── db_session.py
│   │   └── models.py
│   ├── models
│   │   ├── __init__.py
│   │   └── vehicle_model.py
│   └── server
│       ├── __init__.py
│       ├── mcp_server.py
│       └── process_request.py
├── utils
│   ├── __init__.py
│   └── fetch_vehicles_data.py
└── vehicles.db

Checklist do Desafio Técnico – Vaga de Desenvolvedor Python | C2S

Tarefas Específicas:

1. Modelagem de Dados:

   • Criar um esquema de banco de dados para representar automóveis.
   • Incluir pelo menos 10 atributos relevantes (ex: Marca, modelo, ano, motorização, tipo de combustível, cor, quilometragem, número de portas, transmissão, preço, etc.).

2. Popular o Banco com Dados Fictícios:

   • Desenvolver um script para inserir dados fictícios no banco de dados.
   • Inserir no mínimo 100 veículos simulados (fakes).
   • Usar bibliotecas como Faker, SQLAlchemy, Pandas, ou outras de preferência.

3. Comunicação Cliente-Servidor via Protocolo MCP:

   • Implementar a comunicação entre um cliente e um servidor usando um "Protocolo de Contexto de Modelo" (MCP) customizado.
   • O cliente deve enviar filtros (como marca, ano, tipo de combustível) para o servidor.
   • O servidor deve interpretar os filtros.
   • O servidor deve consultar o banco de dados com base nos filtros.
   • O servidor deve retornar os resultados para o cliente.
   • Garantir que não haja consultas diretas ao banco de dados pelo cliente; o fluxo deve ser Cliente -> Servidor -> Banco de Dados.

4. Aplicação no Terminal com Agente Virtual:

   • Criar uma aplicação que roda diretamente no terminal.
   • Implementar um agente virtual interativo.
   • O agente deve iniciar a conversa ao iniciar a aplicação (sem "menuzão" de IF/ELSE).
   • O agente deve entender o que o usuário está procurando.
   • O agente deve fazer perguntas para esclarecer a busca (ex: marca, modelo, ano, combustível, faixa de preço).
   • As perguntas não devem seguir um padrão engessado tipo formulário; permitir interação mais fluida.
   • O agente deve receber os veículos compatíveis do servidor.
   • O agente deve exibir os resultados em uma resposta amigável.
   • Os resultados exibidos devem incluir: marca, modelo, ano, cor, quilometragem e preço (ou outros atributos relevantes definidos na etapa 1).

Ferramentas necessárias

• Python 3.12
• Docker

Variáveis de Ambiente

Para rodar esse projeto, você vai precisar adicionar das seguintes variáveis de ambiente no seu .env

• OLLAMA_MODEL

essa variável contem o nome do modelo llama a ser usado, caso queria encontrar modelos a para utilizar você pode procurar no próprio site do ollama

Inicialmente ja esta tudo preparado caso não queira modificar nada rode o seguinte comando:

Para isso foi utilizada para testes apenas o modelo: llama3.1:8b

• OLLAMA_HOST

Essa variável armazena o host do ollama

Inicialmente ja esta tudo preparado caso não queira modificar nada rode o seguinte comando:

   cp .env.sample .env

Execução

Primeiro baixe o o repositório:

  git clone https://github.com/VitorManoel0/VeiculosLLM.git

Entre no diretório do projeto

  cd VeiculosLLM

Iniciar a aplicação:

  make run-all

caso você tenha saido da aplicação e queria voltar rode o seguinte comando:

  make run-app

Ao finalizar tudo para remover os containêrs:

  docker-compose down -v