brad/LLM_Engineering_OLD
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
f3b1412abd847b4d5f05c32968708c8f38079f34
LLM_Engineering_OLD/week1/community-contributions/santclear/licoes-traduzidas-portugues-brasil/setup/SETUP-mac.md

11 KiB
Raw Blame History

LLM Engineering - Domine IA e LLMs

Instruções de configuração originais para Mac

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 Mac!

Preciso confessar logo de cara: configurar um ambiente poderoso para trabalhar na vanguarda da IA não é tão simples quanto eu gostaria. Para a maioria das pessoas, estas instruções funcionarão muito bem; mas, em alguns casos, por algum motivo, você pode encontrar um problema. Não hesite em pedir ajuda — estou aqui para colocar tudo em funcionamento rapidamente. Não há nada pior do que se sentir travado. Envie uma mensagem, um e-mail ou um recado pelo LinkedIn e eu destravo tudo sem demora!

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

Uso uma plataforma chamada Anaconda para configurar o ambiente. É uma ferramenta poderosa que monta um ecossistema científico completo. O Anaconda garante que você utilize a versão correta do Python e que todos os pacotes sejam compatíveis com os meus, mesmo que nossos sistemas sejam completamente diferentes. A configuração leva mais tempo e consome mais espaço em disco (mais de 5 GB), mas é muito confiável depois de instalada.

Dito isso: se tiver qualquer problema com o Anaconda, forneço uma abordagem alternativa. Ela é mais rápida e simples e deve colocá-lo para rodar rapidamente, com um pouco menos de garantia de compatibilidade.

Antes de começar

Se você ainda não tem tanta familiaridade com o Terminal, consulte este excelente guia com explicações e exercícios.

Se estiver iniciando o desenvolvimento no Mac, talvez seja necessário instalar as ferramentas de desenvolvedor do Xcode. Aqui estão as instruções.

Um ponto de atenção: se você usa antivírus, VPN ou firewall, eles podem interferir em instalações ou no acesso à rede. Desative-os temporariamente caso surjam problemas.

Parte 1: Fazer o clone do repositório

Isto garante que você tenha uma cópia local do código.

  1. Instale o Git caso ainda não esteja instalado (na maioria das vezes já estará).

    • Abra o Terminal (Aplicativos > Utilitários > Terminal).
    • Digite git --version. Se o Git não estiver instalado, o sistema pedirá a instalação automaticamente.
    • Depois da instalação, talvez seja necessário abrir uma nova janela do Terminal (ou até reiniciar) para utilizá-lo.

  2. Navegue até a pasta de projetos:

Se você já possui uma pasta específica para projetos, navegue até ela usando cd. Por exemplo:
cd ~/Documents/Projects

Se não tiver uma pasta de projetos, crie-a:

mkdir ~/Documents/Projects
cd ~/Documents/Projects
  1. Clone o repositório:

No Terminal, dentro da pasta Projects, digite:

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

Isso cria um novo diretório llm_engineering dentro da pasta Projects e baixa o código do curso. Execute cd llm_engineering para entrar nele. Esse diretório llm_engineering é o "diretório raiz do projeto".

Parte 2: Instalar o ambiente Anaconda

Se esta Parte 2 apresentar qualquer problema, você pode usar a Parte 2B alternativa logo abaixo.

  1. Instale o Anaconda:
  • Baixe o Anaconda em https://docs.anaconda.com/anaconda/install/mac-os/
  • Dê um duplo clique no arquivo baixado e siga as instruções de instalação. O processo ocupa vários gigabytes e leva algum tempo, mas fornecerá uma plataforma poderosa para você no futuro.
  • Após a instalação, abra um Terminal totalmente novo para poder usar o Anaconda (talvez seja até necessário reiniciar).
  1. Configure o ambiente:
  • Abra um novo Terminal (Aplicativos > Utilitários > Terminal).
  • Navegue até o "diretório raiz do projeto" com cd ~/Documents/Projects/llm_engineering (substitua pelo caminho real da sua cópia local). Execute ls e verifique se há subpastas para cada semana do curso.
  • Crie o ambiente: conda env create -f environment.yml
  • Aguarde alguns minutos até que todos os pacotes sejam instalados — se for a primeira vez com o Anaconda, isso pode levar 20 a 30 minutos ou mais, dependendo da conexão. Coisas importantes estão acontecendo! Se levar mais de 1 hora e 15 minutos ou se aparecerem erros, siga para a Parte 2B.
  • Agora você construiu um ambiente dedicado para engenharia de LLMs, vetores e muito mais! Ative-o com: conda activate llms
  • O prompt deve exibir (llms), indicando que o ambiente está ativo.
  1. Inicie o Jupyter Lab:
  • No Terminal, ainda dentro da pasta llm_engineering, digite: jupyter lab

O Jupyter Lab deve abrir no navegador. Se você nunca usou o Jupyter Lab, explicarei em breve! Por ora, feche a aba do navegador e o Terminal, e avance para a Parte 3.

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

Esta abordagem utiliza python -m venv para criar um ambiente virtual e instalar manualmente os pacotes necessários.

  1. Garanta que o Python 3.11 esteja instalado:
  • No macOS 13+ o Python 3 normalmente já está disponível via python3, mas recomendo instalar uma versão oficial em https://www.python.org/downloads/macos/
  • Execute o instalador e siga as instruções.
  • Após a instalação, abra um novo Terminal e rode python3 --version para confirmar.
  1. Crie e ative um ambiente virtual:
  • No Terminal, navegue até o diretório raiz do projeto (cd ~/Documents/Projects/llm_engineering, ajustando conforme o seu caminho).
  • Crie o ambiente: python3 -m venv llms
  • Ative o ambiente: source llms/bin/activate
  • Verifique se (llms) aparece no início do prompt.
  1. Atualize os instaladores e instale os pacotes necessários:
python -m pip install --upgrade pip
pip install -r requirements-mac.txt
  • Em seguida, instale o kernel do Jupyter vinculado ao ambiente: python -m ipykernel install --user --name llms --display-name "Python (llms)"
  1. Teste a instalação:
  • Execute python -c "import torch, platform; print('Torch version:', torch.__version__); print('Python version:', platform.python_version())"
  1. Inicie o Jupyter Lab:
  • Com o ambiente ainda ativo, rode jupyter lab
  • Abra a pasta week1 e clique em day1.ipynb.

Parte 3 - Configure suas contas de API (OpenAI, Anthropic, Google, etc.)

Ao longo do curso você precisará de chaves de API, começando pela OpenAI na semana 1. Mais adiante, adicionaremos Anthropic e Google. Organize isso com antecedência.

Para a semana 1, você só precisa da OpenAI; as demais chaves podem ser criadas posteriormente.

  1. Crie uma conta na OpenAI, se necessário:
    https://platform.openai.com/

  2. A OpenAI exige um crédito mínimo para liberar o uso da API. Nos EUA, são US$ 5. As chamadas à API descontarão desse valor. No curso, usaremos apenas uma fração dele. Recomendo fazer esse investimento, porque você aproveitará bastante. Caso prefira não pagar, apresento uma alternativa com o Ollama ao longo das aulas.

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

Desative o recarregamento automático, se desejar.

  1. Crie sua chave de API:

A página para criar a chave é https://platform.openai.com/api-keys — clique no botão verde "Create new secret key" e depois em "Create secret key". Guarde a chave em local seguro; não será possível recuperá-la depois. Ela deve começar com sk-proj-.

Na semana 2 criaremos também as chaves da Anthropic e da Google, quando for o momento.

Mais adiante usaremos a excelente plataforma HuggingFace; a conta gratuita está em https://huggingface.co — crie um token no menu do avatar >> Settings >> Access Tokens.

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

PARTE 4 - arquivo .env

Quando tiver as chaves, crie um arquivo chamado .env no diretório raiz do projeto. O nome precisa ser exatamente ".env" — nada de "minhas-chaves.env" ou ".env.txt". Veja como fazer:

  1. Abra o Terminal (Aplicativos > Utilitários > Terminal).

  2. Navegue até o "diretório raiz do projeto" com cd ~/Documents/Projects/llm_engineering (ajuste conforme o seu caminho).

  3. Crie o arquivo .env com:

nano .env

  1. Digite as suas chaves no nano, substituindo xxxx pela chave (que começa com sk-proj-):
OPENAI_API_KEY=xxxx

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

GOOGLE_API_KEY=xxxx
ANTHROPIC_API_KEY=xxxx
DEEPSEEK_API_KEY=xxxx
HF_TOKEN=xxxx
  1. Salve o arquivo:

Control + O
Enter (para confirmar a gravação)
Control + X para sair do editor

  1. Liste os arquivos no diretório raiz com:

ls -a

e confirme que o .env está lá.

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

Parte 5 - Hora do show!

  • Abra o Terminal (Aplicativos > Utilitários > Terminal).
  • Navegue até o "diretório raiz do projeto" com cd ~/Documents/Projects/llm_engineering (ajuste conforme o seu caminho). Execute ls e verifique se as subpastas semanais estão visíveis.
  • Ative o ambiente com conda activate llms (ou source llms/bin/activate se você usou a alternativa da Parte 2B).
  • (llms) deve aparecer no prompt — sinal de que tudo está pronto. Agora digite jupyter lab e o Jupyter Lab será aberto, pronto para começar. Abra a pasta week1 e dê um duplo clique em day1.ipynb.

E pronto: pé na estrada!

Sempre que iniciar o Jupyter Lab no futuro, siga novamente as instruções desta Parte 5: esteja dentro do diretório llm_engineering com o ambiente llms ativado antes de rodar jupyter lab.

Para quem é novo no Jupyter Lab / Jupyter Notebook, trata-se de um ambiente de Data Science muito amigável: basta pressionar Shift+Enter em qualquer célula para executá-la; comece do topo e vá seguindo! Incluí um notebook chamado "Guide to Jupyter" mostrando mais recursos. Quando migrarmos para o Google Colab na semana 3, você verá a mesma interface para executar Python na nuvem.

Se surgir qualquer problema, há um notebook na semana 1 chamado troubleshooting.ipynb para ajudar no diagnóstico.

Por favor, envie uma mensagem ou e-mail para ed@edwarddonner.com se algo não funcionar ou se eu puder ajudar de algum modo. Estou ansioso para saber como você está progredindo.

Reference in New Issue View Git Blame Copy Permalink