Como Construir Sistemas Agênticos Prontos para Produção com Z.AI GLM-5 Usando Modo de Pensamento, Chamada de Ferramentas, Streaming e Fluxos de Trabalho Multi-Turno
Neste tutorial, exploramos todas as capacidades do modelo GLM-5 da Z.AI e construímos um entendimento completo de como usá-lo para aplicações agênticas do mundo real. Começamos pelos fundamentos, configurando o ambiente usando o SDK da Z.AI e sua interface compatível com OpenAI, e então progredimos para recursos avançados como streaming […] A publicação Como Construir Produção-Ready A
Neste tutorial, exploramos todas as capacidades do modelo GLM-5 da Z.AI e construímos um entendimento completo de como usá-lo para aplicações agênticas do mundo real. Começamos pelos fundamentos, configurando o ambiente usando o SDK da Z.AI e sua interface compatível com OpenAI, e então progredimos para recursos avançados, como respostas em streaming, modo de pensamento para raciocínio mais profundo e conversas multi-turno. Conforme continuamos, integramos a chamada de funções, saídas estruturadas e, eventualmente, construímos um agente multi-ferramentas totalmente funcional alimentado pelo GLM-5. Além disso, compreendemos cada capacidade isoladamente e também como o ecossistema da Z.AI nos permite construir sistemas de AI escaláveis e prontos para produção. Copiar Código Copiado Usar um navegador diferente!pip install -q zai-sdk openai rich import os import json import time from datetime import datetime from typing import Optional import getpass API_KEY = os.environ.get("ZAI_API_KEY") if not API_KEY: API_KEY = getpass.getpass(" Digite sua chave API do Z.AI (entrada oculta): ").strip() if not API_KEY: raise ValueError( " Nenhuma chave API fornecida! Obtenha uma gratuitamente em: https://z.ai/manage-apikey/apikey-list" ) os.environ["ZAI_API_KEY"] = API_KEY print(f" Chave API configurada (termina com ...{API_KEY[-4:]})") from zai import ZaiClient client = ZaiClient(api_key=API_KEY) print(" ZaiClient inicializado — pronto para usar o GLM-5!") print("
" + "=" * 70) print(" SEÇÃO 2: Conclusão de Chat Básica") print("=" * 70) response = client.chat.completions.create( model="glm-5", messages=[ {"role": "system", "content": "Você é um arquiteto de software conciso e especialista."}, {"role": "user", "content": "Explique a arquitetura Mixture-of-Experts em 3 frases."}, ], max_tokens=256, temperature=0.7, ) print("
Resposta do GLM-5:") print(response.choices[0].message.content) print(f"
Uso: {response.usage.prompt_tokens} tokens de prompt + {response.usage.completion_tokens} tokens de conclusão") print("
" + "=" * 70) print(" SEÇÃO 3: Respostas em Streaming") print("=" * 70) print("
GLM-5 (streaming): ", end="", flush=True) stream = client.chat.completions.create( model="glm-5", messages=[ {"role": "user", "content": "Escreva uma linha de Python que verifique se um número é primo."}, ], stream=True, max_tokens=512, temperature=0.6, ) full_response = "" for chunk in stream: delta = chunk.choices[0].delta if delta.content: print(delta.content, end="", flush=True) full_response += delta.content print(f"
Transmitido {le