feat:

- Criado um serviço de llm (por enquanto está obtendo somente o gemini, necessita adicioanr suporte para entrada do usuário na pergunta)

test:
- Criado teste para conexão com o banco de dados oracle por meio da
engine do sqlAlchemy

app/llm_service.py

@@ -0,0 +1,21 @@
+import os
+from langchain_core.language_models.chat_models import BaseChatModel
+from langchain_google_genai import ChatGoogleGenerativeAI
+from dotenv import load_dotenv
+
+load_dotenv()
+GEMINI_API_KEY = os.getenv("GEMINI_API_KEY")
+
+def get_llm() -> BaseChatModel | None:
+    if not GEMINI_API_KEY:
+        print("⚠️ Variável de ambiente GEMINI_API_KEY não definida.")
+        # raise ValueError("OPENAI_API_KEY não está configurada.")
+        return None
+    try:
+        llm = ChatGoogleGenerativeAI(model="gemma-3-27b-it", google_api_key=GEMINI_API_KEY)
+        print("Gemma 3 configurado com sucesso")
+
+        return llm
+    except Exception as e:
+        print(f"Erro ao configurar o llm: {e}")
+        return None

app/main.py

@@ -0,0 +1,32 @@
+from llm_service import get_llm
+from langchain_core.messages import HumanMessage
+
+def main():
+    print("Hello from r3wmsagents!")
+    llm_instance = get_llm()
+    if not llm_instance:
+        print("Não carregou o llm")
+        return
+    pergunta_usuario = "Qual é a capital da França e qual sua principal atração turística?"
+    print(f"\n🧑 Enviando pergunta: {pergunta_usuario}")
+    try:
+           # Para interações simples, você pode passar a string diretamente para .invoke()
+           # ou usar uma lista de mensagens para mais controle (ex: com mensagens do sistema)
+           # response = llm_instance.invoke(pergunta_usuario)
+
+           # Usando HumanMessage para ser mais explícito (bom para LangGraph depois)
+           messages = [HumanMessage(content=pergunta_usuario)]
+           response = llm_instance.invoke(messages)
+           print(response)
+           # 5. Imprimir a resposta
+           # A resposta (response) é geralmente um AIMessage, então acessamos seu .content
+           if hasattr(response, 'content'):
+               print(f"\n🤖 Resposta do LLM: {response.content}")
+           else:
+               print(f"\n🤖 Resposta do LLM (formato desconhecido): {response}")
+    except Exception as e:
+           print(f"\n❌ Ocorreu um erro ao interagir com o LLM: {e}")
+
+
+if __name__ == "__main__":
+    main()

app/state.py

@@ -0,0 +1 @@
+from typing import TypedDict, Annotated, Sequence