LLM_Engineering_OLD/week1/community-contributions/santclear/licoes-traduzidas-portugues-brasil/setup/SETUP-linux.md

LLM Engineering - Domine IA e LLMs

Instruções de configuração originais para Linux

Estas são as instruções originais correspondentes à versão original dos vídeos, anteriores a outubro de 2025. Para a nova versão, consulte SETUP-new.md.

Bem-vindas e bem-vindos, usuários de Linux!

Preciso admitir que pedi ao ChatGPT para gerar este documento com base nas instruções para Mac e depois revisei e ajustei algumas seções. Se alguma parte não funcionar na sua distro, avise-me — resolveremos juntos e atualizarei as instruções para o futuro.

---

Configurar um ambiente robusto para trabalhar na vanguarda da IA exige algum esforço, mas estas instruções devem guiá-lo sem dificuldades. Se encontrar qualquer problema, fale comigo. Estou aqui para garantir que tudo fique pronto sem dor de cabeça.

E-mail: ed@edwarddonner.com
LinkedIn: https://www.linkedin.com/in/eddonner/

Usaremos o Anaconda para criar um ambiente confiável para o seu trabalho com IA. Também ofereço uma alternativa mais leve, caso prefira evitar o Anaconda. Vamos lá!

Parte 1: Fazer o clone do repositório

Assim você obtém uma cópia local do código.

1. Instale o Git, caso ainda não esteja disponível:

• Abra um terminal.
• Execute git --version. Se o Git não estiver instalado, siga as instruções para sua distribuição:
  • Debian/Ubuntu: sudo apt update && sudo apt install git
  • Fedora: sudo dnf install git
  • Arch: sudo pacman -S git

2. Navegue até a pasta de projetos:

Se você já tem uma pasta específica para projetos, vá até ela com cd. Por exemplo:
cd ~/Projects

Se não tiver, crie uma:

mkdir ~/Projects
cd ~/Projects

3. Clone o repositório:

Execute: git clone https://github.com/ed-donner/llm_engineering.git

Isso cria um diretório llm_engineering dentro de Projects e baixa o código do curso. Entre nele com cd llm_engineering. Esse é o "diretório raiz do projeto".

Parte 2: Instalar o ambiente Anaconda

Se esta Parte 2 apresentar problemas, consulte a Parte 2B alternativa.

1. Instale o Anaconda:

• Baixe o instalador para Linux em https://www.anaconda.com/download.
• Abra um terminal e vá até a pasta onde o .sh foi salvo.
• Execute o instalador: bash Anaconda3*.sh e siga as instruções. Atenção: você precisará de mais de 5 GB de espaço em disco.

2. Configure o ambiente:

• No terminal, acesse o diretório raiz do projeto: cd ~/Projects/llm_engineering (ajuste conforme o seu caminho).
• Execute ls para confirmar a presença das subpastas semanais.
• Crie o ambiente: conda env create -f environment.yml

A instalação pode levar vários minutos (até uma hora para quem nunca usou Anaconda). Se demorar demais ou ocorrerem erros, use a Parte 2B.

• Ative o ambiente: conda activate llms.

Você deve ver (llms) no prompt, sinal de que a ativação deu certo.

Em algumas distribuições pode ser necessário garantir que o ambiente apareça no Jupyter Lab:

conda install ipykernel
python -m ipykernel install --user --name=llmenv

3. Inicie o Jupyter Lab:

Estando na pasta llm_engineering, execute jupyter lab.

O Jupyter Lab abrirá no navegador. Após confirmar que funciona, feche-o e siga para a Parte 3.

Parte 2B - Alternativa à Parte 2 se o Anaconda der trabalho

1. Instale o Python 3.11 (se necessário):

• Debian/Ubuntu: sudo apt update && sudo apt install python3.11
• Fedora: sudo dnf install python3.11
• Arch: sudo pacman -S python

2. Acesse o diretório raiz do projeto:

cd ~/Projects/llm_engineering e confirme o conteúdo com ls.

3. Crie um ambiente virtual:

python3.11 -m venv llms

4. Ative o ambiente virtual:

source llms/bin/activate

O prompt deve exibir (llms).

5. Instale os pacotes necessários:

Execute python -m pip install --upgrade pip e depois pip install -r requirements.txt.

Se surgir algum problema, tente o plano B: pip install --retries 5 --timeout 15 --no-cache-dir --force-reinstall -r requirements.txt

Usuários de Arch

Algumas atualizações quebram dependências (principalmente numpy, scipy e gensim). Para contornar:

sudo pacman -S python-numpy python-pandas python-scipy — não é a opção ideal, pois o pacman não se integra ao pip.

Outra alternativa, caso ocorram conflitos de compilação:

sudo pacman -S gcc gcc-fortran python-setuptools python-wheel

Observação: o gensim pode falhar com versões recentes do scipy. Você pode fixar o scipy em uma versão mais antiga ou remover temporariamente o gensim do requirements.txt. (Veja: https://aur.archlinux.org/packages/python-gensim)

Por fim, para que o kernel apareça no Jupyter Lab após o passo 6: python -m ipykernel install --user --name=llmenv ipython kernel install --user --name=llmenv

6. Inicie o Jupyter Lab:

Na pasta llm_engineering, execute jupyter lab.

Parte 3 - Chave da OpenAI (OPCIONAL, mas recomendada)

Nas semanas 1 e 2 você escreverá código que chama APIs de modelos de ponta.

Na semana 1 basta a OpenAI; as demais chaves podem vir depois.

1. Crie uma conta na OpenAI, se ainda não tiver:
   https://platform.openai.com/

2. A OpenAI exige um crédito mínimo para liberar a API. Nos EUA, são US$ 5. As chamadas descontarão desse valor. No curso usaremos apenas uma pequena parte. Recomendo fazer esse investimento, pois será útil para projetos futuros. Caso não queira pagar, ofereço uma alternativa com o Ollama ao longo das aulas.

Adicione crédito em Settings > Billing:
https://platform.openai.com/settings/organization/billing/overview

Sugiro desativar a recarga automática.

3. Gere sua chave de API:

Acesse https://platform.openai.com/api-keys, clique em "Create new secret key" (botão verde) e depois em "Create secret key". Guarde a chave em local seguro; não será possível recuperá-la posteriormente. Ela deve começar com sk-proj-.

Na semana 2 criaremos também chaves para Anthropic e Google:

• Claude API: https://console.anthropic.com/
• Gemini API: https://ai.google.dev/gemini-api

Mais adiante utilizaremos a ótima plataforma HuggingFace; a conta gratuita está em https://huggingface.co — gere um token em Avatar >> Settings >> Access Tokens.

Nas semanas 6/7 empregaremos o Weights & Biases em https://wandb.ai para monitorar os treinamentos. As contas também são gratuitas e o token é criado de modo semelhante.

PARTE 4 - Arquivo .env

Quando tiver as chaves, crie um arquivo .env no diretório raiz do projeto. O nome deve ser exatamente ".env" — nada de "minhas-chaves.env" ou ".env.txt". Passo a passo:

1. Abra um terminal.

2. Navegue até o diretório raiz do projeto com cd ~/Projects/llm_engineering (ajuste conforme necessário).

3. Crie o arquivo com:

nano .env

4. Digite suas chaves no nano, substituindo xxxx pelo valor correto (ex.: começa com sk-proj-):

OPENAI_API_KEY=xxxx

Se já tiver outras chaves, você pode incluí-las agora ou mais tarde:

GOOGLE_API_KEY=xxxx
ANTHROPIC_API_KEY=xxxx
DEEPSEEK_API_KEY=xxxx
HF_TOKEN=xxxx

5. Salve o arquivo:

Control + O
Enter (para confirmar)
Control + X para sair

6. Liste os arquivos, inclusive ocultos:

ls -a

Confirme que o .env está presente.

O arquivo não aparecerá no Jupyter Lab porque arquivos iniciados com ponto ficam ocultos. Ele já está no .gitignore, então não será versionado e suas chaves ficam protegidas.

Parte 5 - Hora do show!

1. Abra um terminal.
2. Vá até o diretório raiz do projeto: cd ~/Projects/llm_engineering.
3. Ative seu ambiente:
   • Com Anaconda: conda activate llms
   • Com a alternativa: source llms/bin/activate

Você deve ver (llms) no prompt. Execute jupyter lab para começar.

Aproveite a jornada rumo ao domínio de IA e LLMs!