Provedores¶

Configure diferentes provedores de LLM via LangChain.

Providers Suportados¶

Provider	Identificador	Modelos Atuais (2025/2026)
Google	`google_genai`	gemini-3-flash-preview, gemini-2.5-flash, gemini-2.5-pro
OpenAI	`openai`	gpt-5.2, gpt-5.2-mini, gpt-4.1
Anthropic	`anthropic`	claude-sonnet-4-5, claude-opus-4-6, claude-haiku-4-5
Groq	`groq`	llama-3.3-70b-versatile, llama-3.1-8b-instant, openai/gpt-oss-120b, openai/gpt-oss-20b, groq/compound
Cohere	`cohere`	command-r, command-r-plus
Mistral	`mistral`	mistral-large, mistral-small

Google Gemini (Padrão)¶

pip install dataframeit[google]
export GOOGLE_API_KEY="sua-chave"

# Padrão - não precisa especificar
resultado = dataframeit(df, Model, PROMPT)

# Explícito
resultado = dataframeit(
    df, Model, PROMPT,
    provider='google_genai',
    model='gemini-3-flash-preview'
)

# Com parâmetros extras
resultado = dataframeit(
    df, Model, PROMPT,
    provider='google_genai',
    model='gemini-2.5-pro',
    model_kwargs={
        'temperature': 0.2,
        'top_p': 0.9
    }
)

Modelos Recomendados¶

Modelo	Uso	Custo
`gemini-3-flash-preview`	Uso geral, mais recente	Baixo
`gemini-2.5-flash`	Uso geral, rápido	Baixo
`gemini-2.5-pro`	Tarefas complexas, reasoning	Médio

OpenAI¶

pip install dataframeit[openai]
export OPENAI_API_KEY="sua-chave"

resultado = dataframeit(
    df, Model, PROMPT,
    provider='openai',
    model='gpt-5.2-mini'
)

# Com modelo mais avançado
resultado = dataframeit(
    df, Model, PROMPT,
    provider='openai',
    model='gpt-5.2',
    model_kwargs={
        'temperature': 0.2
    }
)

Modelos Recomendados¶

Modelo	Uso	Custo
`gpt-5.2-mini`	Uso geral, econômico	Baixo
`gpt-5.2`	Máxima qualidade	Alto
`gpt-4.1`	Coding, instruções precisas	Médio

Anthropic Claude¶

pip install dataframeit[anthropic]
export ANTHROPIC_API_KEY="sua-chave"

resultado = dataframeit(
    df, Model, PROMPT,
    provider='anthropic',
    model='claude-sonnet-4-5'
)

# Com max_tokens
resultado = dataframeit(
    df, Model, PROMPT,
    provider='anthropic',
    model='claude-opus-4-6',
    model_kwargs={
        'max_tokens': 4096
    }
)

Modelos Recomendados¶

Modelo	Uso	Custo
`claude-sonnet-4-5`	Uso geral, excelente qualidade	Médio
`claude-opus-4-6`	Máxima qualidade, agentic	Alto
`claude-haiku-4-5`	Rápido, econômico	Baixo

Groq¶

pip install dataframeit[groq]
export GROQ_API_KEY="sua-chave"

resultado = dataframeit(
    df, Model, PROMPT,
    provider='groq',
    model='llama-3.3-70b-versatile'
)

# Modelo mais rápido/econômico
resultado = dataframeit(
    df, Model, PROMPT,
    provider='groq',
    model='llama-3.1-8b-instant',
    model_kwargs={
        'temperature': 0.2
    }
)

# GPT-OSS para tarefas com raciocínio mais pesado
resultado = dataframeit(
    df, Model, PROMPT,
    provider='groq',
    model='openai/gpt-oss-120b'
)

Modelos Recomendados¶

Produção:

Modelo	Contexto	Throughput	Uso
`llama-3.3-70b-versatile`	131K	~280 t/s	Uso geral, boa qualidade
`llama-3.1-8b-instant`	131K	~560 t/s	Alta velocidade, econômico
`openai/gpt-oss-120b`	131K	~500 t/s	Raciocínio, tarefas complexas
`openai/gpt-oss-20b`	131K	~1000 t/s	Mais rápido que o 120b, custo baixo
`groq/compound`	-	~450 t/s	Sistema agêntico com web search e execução de código embutidos

Preview (podem mudar ou ser descontinuados):

Modelo	Uso
`meta-llama/llama-4-scout-17b-16e-instruct`	Llama 4 Scout, alta velocidade
`qwen/qwen3-32b`	Qwen3, bom para reasoning

Disponibilidade e free tier

O Groq oferece free tier com limites de requisições por minuto por modelo. A lista de modelos muda com frequência (especialmente os preview); verifique console.groq.com/docs/models para o catálogo atual e limites.

Cohere¶

pip install langchain-cohere
export COHERE_API_KEY="sua-chave"

resultado = dataframeit(
    df, Model, PROMPT,
    provider='cohere',
    model='command-r-plus'
)

Mistral¶

pip install langchain-mistralai
export MISTRAL_API_KEY="sua-chave"

resultado = dataframeit(
    df, Model, PROMPT,
    provider='mistral',
    model='mistral-large-latest'
)

Servidor no Brasil (São Paulo)¶

Os providers acima usam endpoints públicos globais. Para servir do Brasil — útil por latência, residência de dados ou exigência regulatória — use um dos três caminhos abaixo. Em todos eles, o dataframeit repassa o que vier em model_kwargs direto para o LangChain.

Vertex AI (Gemini em `southamerica-east1`)¶

Duas variantes. A primeira não exige instalar pacote novo:

# Variante A: usa langchain-google-genai (já é dep do provider 'google_genai')
resultado = dataframeit(
    df, Model, PROMPT,
    provider='google_genai',
    model='gemini-2.5-flash',
    model_kwargs={
        'vertexai': True,
        'project': '<id-do-projeto-gcp>',
        'location': 'southamerica-east1',
    },
)

# Variante B: usa langchain-google-vertexai (provider dedicado)
# pip install langchain-google-vertexai
resultado = dataframeit(
    df, Model, PROMPT,
    provider='google_vertexai',
    model='gemini-2.5-flash',
    model_kwargs={
        'project': '<id-do-projeto-gcp>',
        'location': 'southamerica-east1',
    },
)

Autenticação (qualquer variante):

gcloud auth application-default login
# OU
export GOOGLE_APPLICATION_CREDENTIALS=/caminho/service-account.json

AWS Bedrock (`sa-east-1`)¶

pip install langchain-aws
aws configure  # ou exporte AWS_ACCESS_KEY_ID, AWS_SECRET_ACCESS_KEY

resultado = dataframeit(
    df, Model, PROMPT,
    provider='bedrock_converse',
    model='anthropic.claude-3-5-sonnet-20240620-v1:0',
    model_kwargs={'region_name': 'sa-east-1'},
)

Os IDs de modelo disponíveis em sa-east-1 mudam — confira o console Bedrock antes. Para inferência cross-region, use o prefixo us. (ex.: us.anthropic.claude-...) e ajuste region_name ao que sua conta tiver habilitado.

Para a API Bedrock legada (não-converse), troque por provider='bedrock' mantendo o mesmo model_kwargs. A nova API (bedrock_converse) é recomendada para novos projetos.

Azure OpenAI (Brazil South)¶

pip install langchain-openai
export AZURE_OPENAI_API_KEY="sua-chave"
export AZURE_OPENAI_ENDPOINT="https://<seu-recurso>.openai.azure.com/"
export OPENAI_API_VERSION="2025-03-01-preview"

resultado = dataframeit(
    df, Model, PROMPT,
    provider='azure_openai',
    model='gpt-4o',  # ou o nome do deployment
    model_kwargs={'azure_deployment': '<nome-do-deployment>'},
)

A região é codificada no AZURE_OPENAI_ENDPOINT — provisione o recurso em "Brazil South" no portal Azure.

A versão da API (OPENAI_API_VERSION) muda com frequência. Confira a versão estável mais recente em aka.ms/azure-openai-api-versions.

Comparação de Preços (Aproximado - 2025)¶

Provider	Modelo	Input (1M tokens)	Output (1M tokens)
Google	gemini-3-flash-preview	$0.50	$3.00
Google	gemini-2.5-pro	$1.25	$5.00
OpenAI	gpt-5.2-mini	$0.30	$1.20
OpenAI	gpt-5.2	$5.00	$15.00
Anthropic	claude-sonnet-4-5	$3.00	$15.00
Anthropic	claude-haiku-4-5	$1.00	$5.00

Preços mudam

Verifique os preços atuais nos sites oficiais dos providers.

Passando API Key Diretamente¶

Se preferir não usar variáveis de ambiente:

resultado = dataframeit(
    df, Model, PROMPT,
    provider='openai',
    model='gpt-5.2-mini',
    api_key='sk-...'  # Sua chave diretamente
)

Segurança

Evite colocar API keys diretamente no código. Prefira variáveis de ambiente.

Parâmetros Comuns (model_kwargs)¶

Parâmetro	Descrição	Providers
`temperature`	Criatividade (0-1)	Todos
`top_p`	Nucleus sampling	Todos
`max_tokens`	Limite de saída	Todos

Provedores¶

Providers Suportados¶

Google Gemini (Padrão)¶

Modelos Recomendados¶

OpenAI¶

Modelos Recomendados¶

Anthropic Claude¶

Modelos Recomendados¶

Groq¶

Modelos Recomendados¶

Cohere¶

Mistral¶

Servidor no Brasil (São Paulo)¶

Vertex AI (Gemini em southamerica-east1)¶

AWS Bedrock (sa-east-1)¶

Azure OpenAI (Brazil South)¶

Comparação de Preços (Aproximado - 2025)¶

Passando API Key Diretamente¶

Parâmetros Comuns (model_kwargs)¶

Vertex AI (Gemini em `southamerica-east1`)¶

AWS Bedrock (`sa-east-1`)¶