langchain-moxe 0.1.2

Integração da Moxe com LangChain para chat models, LLMs e embeddings.

langchain-moxe

Este pacote fornece a integração oficial do LangChain com os modelos generativos da Moxe.
Com ele, você pode usar os modelos de chat, completions e embeddings da Moxe dentro dos fluxos do LangChain.

---

🚀 Instalação

pip install -U langchain-moxe

🔑 Configuração da chave de API
Antes de utilizar, configure sua chave de API da Moxe como variável de ambiente:

export MOXE_API_KEY="sua-chave-aqui"

Ou defina diretamente no código ao instanciar o cliente:

chat = ChatMoxe(model="phi4", api_key="sua-chave-aqui")

💬 Uso com Modelos de Chat

Os modelos de chat são recomendados para a maioria dos casos de uso.
Eles permitem interações mais ricas e suporte a mensagens com diferentes papéis (system, user, assistant).

Exemplo simples

from langchain_moxe import ChatMoxe
from langchain_core.messages import HumanMessage, SystemMessage

chat = ChatMoxe(model="phi4", temperature=0.7)

response = chat.invoke([
    SystemMessage(content="Você é um assistente criativo e útil."),
    HumanMessage(content="Escreva um haicai sobre tecnologia.")
])

print(response.content)

Exemplo com streaming

from langchain_moxe import ChatMoxe
from langchain_core.messages import HumanMessage

chat = ChatMoxe(model="phi4", temperature=0.7)

for chunk in chat.stream([HumanMessage(content="Resuma LangChain em 1 frase.")]):
    print(chunk.content, end="", flush=True)

print()

✍️ Uso como LLM (modo completion)

Também é possível utilizar os modelos da Moxe como completions de texto (input string → output string).

from langchain_moxe import MoxeLLM

llm = MoxeLLM(model="phi4", temperature=0.3)

response = llm.invoke("Complete a frase: Python é ótimo para")

print(response)

🔎 Embeddings

A Moxe também fornece modelos de embeddings para busca semântica e indexação.

from langchain_moxe import MoxeEmbeddings

emb = MoxeEmbeddings(model="text-embedding-001")

vector = emb.embed_query("busca semântica em documentos")

print("Dimensão do embedding:", len(vector))

Também é possível gerar embeddings para uma lista de textos:

embeddings = emb.embed_documents([
    "Primeiro documento",
    "Segundo documento",
    "Terceiro documento"
])

print(len(embeddings), "vetores gerados")

⚙️ Parâmetros suportados

Você pode controlar a geração dos modelos passando parâmetros compatíveis com a API da Moxe:

• temperature: controla a criatividade da resposta.
• top_p: nucleus sampling (probabilidade acumulada).
• top_k: restringe a escolha de tokens aos K mais prováveis.
• seed: define a semente aleatória para respostas reproduzíveis.
• stop: lista de tokens de parada.
• repeat_last_n: janela de tokens considerada para penalidade de repetição.
• repeat_penalty: força da penalidade de repetição.
• tfs_z: tail free sampling.
• format: formato da saída (ex.: "json" ou schema JSON).

Exemplo

chat = ChatMoxe(
    model="phi4",
    temperature=0.5,
    top_p=0.9,
    stop=["\n"]
)

📚 Recursos adicionais

• Documentação da Moxe
• Documentação do LangChain

📄 Licença

Este projeto é distribuído sob a licença MIT.