{ "cells": [ { "cell_type": "code", "execution_count": 1, "id": "7474e4ec-63c1-47cd-a1f3-3cb3488a7580", "metadata": {}, "outputs": [ { "ename": "AttributeError", "evalue": "module 'vanna' has no attribute 'VannaDefault'", "output_type": "error", "traceback": [ "\u001b[31m---------------------------------------------------------------------------\u001b[39m", "\u001b[31mAttributeError\u001b[39m Traceback (most recent call last)", "\u001b[36mCell\u001b[39m\u001b[36m \u001b[39m\u001b[32mIn[1]\u001b[39m\u001b[32m, line 5\u001b[39m\n\u001b[32m 1\u001b[39m \u001b[38;5;28;01mimport\u001b[39;00m vanna \u001b[38;5;28;01mas\u001b[39;00m vn\n\u001b[32m 2\u001b[39m \n\u001b[32m 3\u001b[39m \u001b[38;5;66;03m# 1. Configura o modelo usando o Vanna Hosted + Gemini\u001b[39;00m\n\u001b[32m 4\u001b[39m \u001b[38;5;66;03m# Substitua 'seu_email@gmail.com' pelo e-mail que você usa no Google AI Studio\u001b[39;00m\n\u001b[32m----> \u001b[39m\u001b[32m5\u001b[39m vn_app = vn.VannaDefault(\n\u001b[32m 6\u001b[39m model=\u001b[33m'modelo-empresa-gemini'\u001b[39m, \u001b[38;5;66;03m# Escolha um nome de identificação para o seu modelo\u001b[39;00m\n\u001b[32m 7\u001b[39m api_key=vn.get_api_key(\u001b[33m'davidvalni930@gmail.com'\u001b[39m) \u001b[38;5;66;03m# O Vanna enviará um código de 6 dígitos para o seu e-mail\u001b[39;00m\n\u001b[32m 8\u001b[39m )\n", "\u001b[31mAttributeError\u001b[39m: module 'vanna' has no attribute 'VannaDefault'" ] } ], "source": [ "import vanna as vn\n", "\n", "# 1. Configura o modelo usando o Vanna Hosted + Gemini\n", "# Substitua 'seu_email@gmail.com' pelo e-mail que você usa no Google AI Studio\n", "vn_app = vn.VannaDefault(\n", " model='modelo-empresa-gemini', # Escolha um nome de identificação para o seu modelo\n", " api_key=vn.get_api_key('davidvalni930@gmail.com') # O Vanna enviará um código de 6 dígitos para o seu e-mail\n", ")\n", "\n", "# 2. Configura a sua chave do Gemini (copiada do AI Studio)\n", "vn_app.config['api_key'] = 'AQ.Ab8RN6KA3PTiWVWhFcO5aQgbjbB6xiCV5YxJSqFu9Sm3MUImoA'\n", "vn_app.config['model'] = 'gemini-1.5-flash'\n", "\n", "# 3. Conecta ao seu banco Postgres local ou do servidor\n", "try:\n", " print(\"Tentando conectar ao banco Postgres...\")\n", " vn_app.connect_to_postgres(\n", " host='192.168.1.80', # Endereço do seu banco\n", " dbname='bdps55', # Nome do banco de dados\n", " user='postgres', # Seu usuário do banco\n", " password='ps@web', # Sua senha\n", " port=5432\n", " )\n", " \n", " # 4. Teste de fogo da conexão\n", " df = vn_app.run_sql(\"SELECT 1 AS status_conexao;\")\n", " if not df.empty and df['status_conexao'].iloc[0] == 1:\n", " print(\"✅ SUCESSO ABSOLUTO! Sem erros de pacotes, Gemini pronto e Postgres conectado!\")\n", " \n", "except Exception as e:\n", " print(f\"❌ Erro ao conectar ao Postgres: {e}\")" ] }, { "cell_type": "code", "execution_count": 2, "id": "a345c8c9-781f-494c-bcb8-d92fffb7c512", "metadata": {}, "outputs": [ { "ename": "ModuleNotFoundError", "evalue": "No module named 'vanna.vannadb'", "output_type": "error", "traceback": [ "\u001b[31m---------------------------------------------------------------------------\u001b[39m", "\u001b[31mModuleNotFoundError\u001b[39m Traceback (most recent call last)", "\u001b[36mCell\u001b[39m\u001b[36m \u001b[39m\u001b[32mIn[2]\u001b[39m\u001b[32m, line 2\u001b[39m\n\u001b[32m 1\u001b[39m \u001b[38;5;28;01mimport\u001b[39;00m vanna \u001b[38;5;28;01mas\u001b[39;00m vn\n\u001b[32m----> \u001b[39m\u001b[32m2\u001b[39m \u001b[38;5;28;01mfrom\u001b[39;00m vanna.vannadb \u001b[38;5;28;01mimport\u001b[39;00m VannaDB_VectorStore\n\u001b[32m 3\u001b[39m \u001b[38;5;28;01mfrom\u001b[39;00m vanna.google \u001b[38;5;28;01mimport\u001b[39;00m GoogleGeminiChat\n\u001b[32m 4\u001b[39m \n\u001b[32m 5\u001b[39m \u001b[38;5;66;03m# 1. Criamos a classe usando o banco de vetores gratuito do próprio Vanna (VannaDB) + Gemini\u001b[39;00m\n", "\u001b[31mModuleNotFoundError\u001b[39m: No module named 'vanna.vannadb'" ] } ], "source": [ "import vanna as vn\n", "from vanna.vannadb import VannaDB_VectorStore\n", "from vanna.google import GoogleGeminiChat\n", "\n", "# 1. Criamos a classe usando o banco de vetores gratuito do próprio Vanna (VannaDB) + Gemini\n", "class MyVanna(VannaDB_VectorStore, GoogleGeminiChat):\n", " def __init__(self, config=None):\n", " # Aqui você coloca o nome do seu modelo e a sua chave de e-mail do Vanna\n", " VannaDB_VectorStore.__init__(self, vanna_model='modelo-empresa-gemini', vanna_api_key=config.get('vanna_api_key'))\n", " GoogleGeminiChat.__init__(self, config=config)\n", "\n", "# 2. Obtemos a chave de API gratuita do Vanna para guardar os treinamentos na nuvem deles\n", "# (O Vanna vai enviar um código de 6 dígitos para o seu e-mail na primeira execução)\n", "vanna_key = vn.get_api_key('davidvalni930@gmail.com') \n", "\n", "# 3. Inicializamos o aplicativo com as duas chaves\n", "vn_app = MyVanna(config={\n", " 'api_key': 'AQ.Ab8RN6KA3PTiWVWhFcO5aQgbjbB6xiCV5YxJSqFu9Sm3MUImoA',\n", " 'model': 'gemini-1.5-flash',\n", " 'vanna_api_key': vanna_key\n", "})\n", "\n", "# 4. Conectamos ao seu banco Postgres local ou do servidor\n", "try:\n", " print(\"Tentando conectar ao banco Postgres...\")\n", " vn_app.connect_to_postgres(\n", " host='192.168.1.80', # Endereço do seu banco\n", " dbname='bdps55', # Nome do banco de dados\n", " user='postgres', # Seu usuário do banco\n", " password='ps@web', # Sua senha\n", " port=5432\n", " )\n", " \n", " # 5. Teste de fogo da conexão\n", " df = vn_app.run_sql(\"SELECT 1 AS status_conexao;\")\n", " if not df.empty and df['status_conexao'].iloc[0] == 1:\n", " print(\"✅ SUCESSO ABSOLUTO! Sem erros de pacotes, Gemini pronto e Postgres conectado!\")\n", " \n", "except Exception as e:\n", " print(f\"❌ Erro ao conectar ao Postgres: {e}\")" ] }, { "cell_type": "code", "execution_count": 3, "id": "4168bb1c-7824-4658-906c-24e78f78bcd5", "metadata": {}, "outputs": [ { "ename": "ModuleNotFoundError", "evalue": "No module named 'vanna.vannadb'", "output_type": "error", "traceback": [ "\u001b[31m---------------------------------------------------------------------------\u001b[39m", "\u001b[31mModuleNotFoundError\u001b[39m Traceback (most recent call last)", "\u001b[36mCell\u001b[39m\u001b[36m \u001b[39m\u001b[32mIn[3]\u001b[39m\u001b[32m, line 2\u001b[39m\n\u001b[32m 1\u001b[39m \u001b[38;5;28;01mimport\u001b[39;00m vanna \u001b[38;5;28;01mas\u001b[39;00m vn\n\u001b[32m----> \u001b[39m\u001b[32m2\u001b[39m \u001b[38;5;28;01mfrom\u001b[39;00m vanna.vannadb \u001b[38;5;28;01mimport\u001b[39;00m VannaDB_VectorStore\n\u001b[32m 3\u001b[39m \u001b[38;5;28;01mfrom\u001b[39;00m vanna.google \u001b[38;5;28;01mimport\u001b[39;00m GoogleGeminiChat\n\u001b[32m 4\u001b[39m \n\u001b[32m 5\u001b[39m \u001b[38;5;66;03m# 1. Criamos a classe usando o banco de vetores gratuito do próprio Vanna (VannaDB) + Gemini\u001b[39;00m\n", "\u001b[31mModuleNotFoundError\u001b[39m: No module named 'vanna.vannadb'" ] } ], "source": [ "import vanna as vn\n", "from vanna.vannadb import VannaDB_VectorStore\n", "from vanna.google import GoogleGeminiChat\n", "\n", "# 1. Criamos a classe usando o banco de vetores gratuito do próprio Vanna (VannaDB) + Gemini\n", "class MyVanna(VannaDB_VectorStore, GoogleGeminiChat):\n", " def __init__(self, config=None):\n", " # Aqui você coloca o nome do seu modelo e a sua chave de e-mail do Vanna\n", " VannaDB_VectorStore.__init__(self, vanna_model='modelo-empresa-gemini', vanna_api_key=config.get('vanna_api_key'))\n", " GoogleGeminiChat.__init__(self, config=config)\n", "\n", "# 2. Obtemos a chave de API gratuita do Vanna para guardar os treinamentos na nuvem deles\n", "# (O Vanna vai enviar um código de 6 dígitos para o seu e-mail na primeira execução)\n", "vanna_key = vn.get_api_key('davidvalni930@gmail.com') \n", "\n", "# 3. Inicializamos o aplicativo com as duas chaves\n", "vn_app = MyVanna(config={\n", " 'api_key': 'AQ.Ab8RN6KA3PTiWVWhFcO5aQgbjbB6xiCV5YxJSqFu9Sm3MUImoA',\n", " 'model': 'gemini-1.5-flash',\n", " 'vanna_api_key': vanna_key\n", "})\n", "\n", "# 4. Conectamos ao seu banco Postgres local ou do servidor\n", "try:\n", " print(\"Tentando conectar ao banco Postgres...\")\n", " vn_app.connect_to_postgres(\n", " host='192.168.1.80', # Endereço do seu banco\n", " dbname='bdps55', # Nome do banco de dados\n", " user='postgres', # Seu usuário do banco\n", " password='ps@web', # Sua senha\n", " port=5432\n", " )\n", " \n", " # 5. Teste de fogo da conexão\n", " df = vn_app.run_sql(\"SELECT 1 AS status_conexao;\")\n", " if not df.empty and df['status_conexao'].iloc[0] == 1:\n", " print(\"✅ SUCESSO ABSOLUTO! Sem erros de pacotes, Gemini pronto e Postgres conectado!\")\n", " \n", "except Exception as e:\n", " print(f\"❌ Erro ao conectar ao Postgres: {e}\")" ] }, { "cell_type": "code", "execution_count": null, "id": "4f8c363a-cce7-4e8b-a7d6-ff1ea5594c81", "metadata": {}, "outputs": [], "source": [ "import vanna as vn\n", "from vanna.google import GoogleGeminiChat\n", "from vanna.base import VannaBase\n", "\n", "# 1. Criamos um banco de vetores ultra-simples em memória (sem ChromaDB, sem Nuvem, sem Erros)\n", "class MyVanna(VannaBase, GoogleGeminiChat):\n", " def __init__(self, config=None):\n", " # Inicializa o Gemini diretamente\n", " GoogleGeminiChat.__init__(self, config=config)\n", " VannaBase.__init__(self, config=config)\n", " \n", " # Armazenamento simples em listas na memória do Python\n", " self.ddl_list = []\n", " self.queries_list = []\n", "\n", " # Salva o DDL na memória\n", " def add_ddl(self, ddl: str, **kwargs):\n", " self.ddl_list.append(ddl)\n", "\n", " # Salva as perguntas e respostas (Golden Queries) na memória\n", " def add_question_sql(self, question: str, sql: str, **kwargs):\n", " self.queries_list.append({\"question\": question, \"sql\": sql})\n", "\n", " # Retorna os DDLs cadastrados para o Gemini usar no contexto\n", " def get_related_ddl(self, question: str, **kwargs):\n", " return self.ddl_list\n", "\n", " # Retorna as queries de exemplo cadastradas para o Gemini usar de referência\n", " def get_related_questions(self, question: str, **kwargs):\n", " return self.queries_list\n", "\n", "# 2. Inicializamos o aplicativo com a sua chave do Gemini\n", "vn_app = MyVanna(config={\n", " 'api_key': 'AQ.Ab8RN6KA3PTiWVWhFcO5aQgbjbB6xiCV5YxJSqFu9Sm3MUImoA',\n", " 'model': 'gemini-1.5-flash'\n", "})\n", "\n", "# 3. Conectamos ao seu banco de dados Postgres\n", "try:\n", " print(\"Tentando conectar ao banco Postgres...\")\n", " vn_app.connect_to_postgres(\n", " host='localhost', # Endereço do seu banco\n", " dbname='seu_banco', # Nome do banco de dados\n", " user='seu_usuario', # Seu usuário do banco\n", " password='sua_senha', # Sua senha\n", " port=5432\n", " )\n", " \n", " # 4. Testamos a conexão com o Postgres\n", " df = vn_app.run_sql(\"SELECT 1 AS status_conexao;\")\n", " if not df.empty and df['status_conexao'].iloc[0] == 1:\n", " print(\"\\n✅ SUCESSO ABSOLUTO!\")\n", " print(\"Ambiente limpo, Gemini pronto e Postgres conectado!\")\n", " \n", "except Exception as e:\n", " print(f\"\\n❌ Erro ao conectar ao Postgres: {e}\")" ] } ], "metadata": { "kernelspec": { "display_name": "Python 3 (ipykernel)", "language": "python", "name": "python3" }, "language_info": { "codemirror_mode": { "name": "ipython", "version": 3 }, "file_extension": ".py", "mimetype": "text/x-python", "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython3", "version": "3.14.6" } }, "nbformat": 4, "nbformat_minor": 5 }