Upload 3 files

versão 1 colocando a poc para funcionar

app.py

@@ -0,0 +1,39 @@
+from fastapi import FastAPI
+from pydantic import BaseModel
+from transformers import LlamaForCausalLM, LlamaTokenizer
+import torch
+
+# Carregar o modelo LLaMA (escolha um modelo público que se ajuste às suas necessidades)
+model_name = "NousResearch/Llama-2-7b-hf"  # Ou outro modelo LLaMA de sua escolha
+tokenizer = LlamaTokenizer.from_pretrained(model_name)
+model = LlamaForCausalLM.from_pretrained(model_name)
+
+# Inicializar FastAPI
+app = FastAPI()
+
+# Modelo de dados Pydantic para validação da entrada
+class QueryRequest(BaseModel):
+    description: str
+    database_schema: str
+
+# Função para gerar consulta SQL
+def generate_sql(description, database_schema):
+    prompt = f"""
+    Baseado no seguinte esquema de banco de dados:
+    {database_schema}
+
+    Escreva a consulta SQL para o seguinte pedido:
+    {description}
+    """
+    
+    inputs = tokenizer(prompt, return_tensors="pt")
+    outputs = model.generate(**inputs, max_new_tokens=150)
+    sql_query = tokenizer.decode(outputs[0], skip_special_tokens=True)
+    
+    return sql_query
+
+# Endpoint de API para receber requisições e retornar a consulta SQL gerada
+@app.post("/generate_sql/")
+async def create_query(request: QueryRequest):
+    sql_query = generate_sql(request.description, request.database_schema)
+    return {"sql_query": sql_query}

requirements.txt

@@ -0,0 +1,5 @@
+fastapi
+uvicorn
+torch
+transformers
+sentencepiece

setup.sh

@@ -0,0 +1,3 @@
+# Arquivo setup.sh para iniciar o FastAPI com Uvicorn
+pip install -r requirements.txt
+uvicorn app:app --host 0.0.0.0 --port 7860