Extra Inteligência Artificial • Trilha Progressiva em 4 Níveis

🧭 Navegação Pedagógica

🎯 Nível 1: Fundamentos

Problema 12.1 — Modelo Pydantic para Extração de Faturas

Contexto: Construir um esquema de dados Pydantic rigoroso para validar informações extraídas de notas fiscais por um modelo de IA.

Requisitos de Execução:

  1. Definir o modelo FaturaExtraida com os campos: numero_nf (str), cnpj_emissor (str com validação de 14 dígitos), valor_total (float estritamente positivo) e itens (lista de strings com no mínimo 1 item).
  2. Testar a validação com um payload JSON válido e um inválido (valor negativo).
  3. Exibir o objeto instanciado com sucesso.

Resultado Esperado

Validação Pydantic Concluída:
NF: 2026-9901 | Emissor: 12345678000199 | Total: R$ 1580.50 | Itens: 2

📤 Instruções de Entrega (Microsoft Teams)

  1. Salve o arquivo como: Atividade_12_1_SeuNome
  2. Envie na tarefa: Atividade Cap 12 - Structured Outputs e Pydantic
🔑 Gabarito de Código & Solução Comentada 
# pydantic_invoice.py
from pydantic import BaseModel, Field, field_validator
from typing import List

class FaturaExtraida(BaseModel):
    numero_nf: str
    cnpj_emissor: str = Field(..., min_length=14, max_length=14)
    valor_total: float = Field(..., gt=0.0)
    itens: List[str] = Field(..., min_length=1)

if __name__ == "__main__":
    dados_validos = {
        "numero_nf": "2026-9901",
        "cnpj_emissor": "12345678000199",
        "valor_total": 1580.50,
        "itens": ["Licença Software", "Suporte Cloud"]
    }
    fatura = FaturaExtraida(**dados_validos)
    print("Validação Pydantic Concluída:")
    print(f"NF: {fatura.numero_nf} | Emissor: {fatura.cnpj_emissor} | Total: R$ {fatura.valor_total:.2f} | Itens: {len(fatura.itens)}")

🎯 Nível 2: Prática

Problema 12.2 — Extração com Enums e Campos Opcionais

Crie um modelo para classificação de tickets de suporte com CategoriaEnum (BUG, DUVIDA, FINANCEIRO), urgencia (1 a 5) e sugestao_solucao opcional.

🔑 Gabarito de Código & Solução Comentada 
# ticket_classification.py
from enum import Enum
from typing import Optional
from pydantic import BaseModel, Field

class CategoriaTicket(str, Enum):
    BUG = "BUG"
    DUVIDA = "DUVIDA"
    FINANCEIRO = "FINANCEIRO"

class TicketSuporte(BaseModel):
    resumo: str
    categoria: CategoriaTicket
    urgencia: int = Field(..., ge=1, le=5)
    sugestao_solucao: Optional[str] = None

🎯 Nível 3: Integração

Problema 12.3 — Loop de Auto-Correção de JSON com Instructor

Simule a lógica da biblioteca Instructor: quando o LLM devolve um JSON com erro de validação (ex: email sem @), o sistema captura o ValidationError, monta um novo prompt corretivo e obtém a versão corrigida.

🔑 Gabarito de Código & Solução Comentada 
# instructor_retry_loop.py
from pydantic import BaseModel, EmailStr, ValidationError

class UsuarioExtraido(BaseModel):
    nome: str
    email: EmailStr

def extrair_com_auto_correcao(tentativas_mock):
    for i, payload in enumerate(tentativas_mock, 1):
        try:
            user = UsuarioExtraido(**payload)
            print(f"Sucesso na tentativa {i}: {user.email}")
            return user
        except ValidationError as err:
            print(f"Tentativa {i} falhou: {err.errors()[0]['msg']}. Solicitando correção ao LLM...")
    return None

🎯 Nível 4: Desafio

Problema 12.4 — Schema Generation para Injeção em Function Calling

Escreva uma função que receba dinamicamente qualquer classe Pydantic e gere o esquema JSON Schema compatível com a API de ferramentas da OpenAI/Anthropic (tools=[{"type": "function", "function": ...}]).

🔑 Gabarito de Código & Solução Comentada 
# pydantic_to_tool_schema.py
from pydantic import BaseModel

def converter_pydantic_para_ferramenta_llm(modelo: type[BaseModel]):
    schema = modelo.model_json_schema()
    return {
        "type": "function",
        "function": {
            "name": modelo.__name__,
            "description": modelo.__doc__ or f"Extrai estrutura {modelo.__name__}",
            "parameters": schema
        }
    }