Como Integrar IA com Python: Guia Completo
Aprenda como integrar IA com Python usando ChatGPT, Claude, Gemini e LangChain, com exemplos práticos de código passo a passo.
O que você vai ver aqui?
Introdução
Se você já se perguntou como integrar IA com Python para criar soluções que conversam com clientes, reconhecem imagens ou automatizam tarefas do seu negócio, este guia foi feito para você. Aqui você vai aprender, na prática, a conectar o Python com ChatGPT, Claude e Gemini, e depois vai descobrir como o LangChain resolve o problema de ter que aprender uma sintaxe diferente para cada modelo de inteligência artificial.
A ideia não é usar a IA apenas para ajudar você a escrever código, mas sim construir produtos e serviços que usem inteligência artificial de verdade, como um chatbot que responde clientes automaticamente ou um tutor virtual que tira dúvidas com personalidade própria. Vamos direto ao ponto, com exemplos reais que você pode copiar e adaptar no seu próprio projeto.
Para fazer o download do(s) arquivo(s) utilizados na aula, preencha com o seu e-mail:
Não vamos te encaminhar nenhum tipo de SPAM! A Hashtag Treinamentos é uma empresa preocupada com a proteção de seus dados e realiza o tratamento de acordo com a Lei Geral de Proteção de Dados (Lei n. 13.709/18). Qualquer dúvida, nos contate.
O que é integração entre IA e Python
Integrar IA com Python significa usar bibliotecas oficiais, como as da OpenAI, Anthropic e Google, para enviar mensagens a um modelo de linguagem e receber respostas dentro do seu próprio código. Na prática, isso permite que qualquer aplicação Python, seja um site, um aplicativo de celular ou uma automação de back-end, converse com uma inteligência artificial como o ChatGPT sem que o usuário final precise sair do seu produto.
Por que usar IA com Python nas suas soluções
Usar IA com Python nas suas soluções permite criar experiências personalizadas, como assistentes que respondem perguntas técnicas com o tom de voz da sua marca ou sistemas que analisam imagens enviadas por clientes. Você deixa de depender da interface do ChatGPT, Claude ou Gemini e passa a controlar totalmente como a resposta chega ao usuário final.
Principais bibliotecas de IA para Python
Cada provedor de IA oferece sua própria biblioteca Python oficial: a OpenAI disponibiliza o pacote openai, a Anthropic o pacote anthropic e o Google o pacote google-genai. Além delas, existe o LangChain, uma biblioteca que unifica a forma de chamar qualquer um desses modelos com um único padrão de código.
- openai: biblioteca oficial para integrar com ChatGPT e outras soluções da OpenAI
- anthropic: biblioteca oficial para integrar com o Claude
- google-genai: biblioteca oficial para integrar com o Gemini
- langchain: camada de abstração que padroniza a comunicação com qualquer modelo

Como pegar a chave de API antes de começar
Antes de escrever qualquer código, você precisa de uma chave de API, que funciona como um identificador único que informa ao provedor quem está fazendo a requisição e permite cobrar pelo uso. Essa chave nunca deve ser compartilhada publicamente, pois ela dá acesso direto à sua conta e ao seu saldo de créditos.
Chave de API da OpenAI
Para pegar a chave de API da OpenAI, pesquise por OpenAI API no Google, acesse a plataforma oficial, faça login e entre na seção de API Keys dentro das configurações da sua conta. Ali você cria uma nova chave, dá um nome para ela, associa a um projeto e copia o código gerado para usar no seu ambiente de desenvolvimento.
Contas novas costumam receber créditos gratuitos para testar modelos mais simples, mas modelos mais recentes e pesados exigem que você adicione saldo na seção de billing da plataforma.

Chave de API do Gemini
Para pegar a chave de API do Gemini, pesquise por Gemini API, entre no Google AI Studio ou no Google Console, crie um projeto (por exemplo, com o nome da sua aplicação) e acesse a seção de chaves de API para gerar uma nova credencial associada a esse projeto. O Gemini também costuma liberar créditos gratuitos iniciais antes de exigir cobrança.


Chave de API da Anthropic
Para pegar a chave de API da Anthropic, pesquise por Claude API, acesse o console oficial, faça login e vá até a seção de gerenciamento de chaves para criar uma nova API key. Diferente da OpenAI e do Gemini, a Anthropic geralmente exige que você adicione um saldo mínimo em créditos antes de liberar o uso da API, mesmo para testes simples.

Como integrar ChatGPT com Python
Como integrar IA com Python usando o ChatGPT é o ponto de partida ideal, porque foi essa estrutura que inspirou o formato usado por praticamente todos os outros modelos do mercado. De acordo com a documentação oficial da OpenAI, você usa a biblioteca openai para criar um cliente e chamar a função que completa uma conversa.
Instalando a biblioteca da OpenAI
O primeiro passo é abrir o terminal do seu editor de código e instalar a biblioteca oficial com o comando abaixo.
pip install openaiCriando o cliente e enviando mensagens
Depois de instalada a biblioteca, você importa o pacote openai, cria um cliente passando sua chave de API e chama a função chat.completions.create, informando o modelo desejado e a lista de mensagens da conversa. Veja um exemplo completo de código:
import openai
client = openai.OpenAI(api_key="SUACHAVEAQUI")
response = client.chat.completions.create(
model="gpt-4o",
messages=[
{"role": "system", "content": "Você é um professor de Python prestativo e zoeiro."},
{"role": "user", "content": "Explique o que é uma API em uma frase."}
]
)
print(f"ChatGPT: {response.choices[0].message.content}")Nesse exemplo, o modelo recebe uma instrução de sistema definindo seu comportamento e uma pergunta do usuário, e devolve a resposta dentro de response.choices[0].message.content.
Entendendo os roles system, user e assistant
Cada mensagem enviada para o ChatGPT é um dicionário com dois campos: role, que indica quem está falando, e content, que é o texto da mensagem. Existem três papéis possíveis: system define como a IA deve se comportar, user representa a mensagem enviada pelo usuário final e assistant representa a resposta que a própria IA já deu anteriormente na conversa.
Esse padrão de roles é o que permite manter um histórico de conversa completo, já que você pode ir empilhando várias mensagens de user e assistant na mesma lista para dar continuidade ao diálogo.
Escolhendo o modelo do ChatGPT ideal
Os nomes dos modelos disponíveis mudam com frequência, então o caminho mais seguro é sempre consultar a documentação oficial da OpenAI na seção de modelos, que lista opções desde as mais simples e econômicas até as mais avançadas e caras. No nosso artigo sobre como usar a OpenAI API, você encontra mais detalhes sobre custos e modelos disponíveis.
Como integrar Claude com Python
A integração com o Claude com Python segue uma lógica muito parecida com a do ChatGPT, sendo considerada um meio-termo entre a estrutura da OpenAI e a do Gemini.
Instalando a biblioteca Anthropic
pip install anthropicEstrutura do código com Claude
Assim como na OpenAI, você cria um cliente e chama uma função para gerar a mensagem, mas no Claude o parâmetro system fica separado da lista de mensagens, que contém apenas os papéis user e assistant. Veja o exemplo completo:
import anthropic
client = anthropic.Anthropic(api_key="SUACHAVEAQUI")
message = client.messages.create(
model="claude-sonnet-4-6",
max_tokens=1024,
system="Você é um professor de Python prestativo e zoeiro",
messages=[
{"role": "user", "content": "Explique o que é uma API em uma frase."}
]
)
print(f"Claude: {message.content[0].text}")Para que serve o parâmetro max_tokens
Diferente da OpenAI e do Gemini, o Claude obriga você a informar o parâmetro max_tokens, que define o limite máximo de tokens que a resposta pode gastar antes de ser interrompida. Um valor como 1024 é suficiente para respostas curtas e objetivas, mas tarefas mais longas podem exigir limites maiores, o que também impacta diretamente no custo da requisição, conforme detalhado na documentação oficial da Anthropic.
Como integrar Gemini com Python
Integrar o Gemini com Python tem uma particularidade importante em relação ao ChatGPT e ao Claude: a forma como o histórico de conversa é tratado.
Instalando a biblioteca google-genai
pip install google-genaiDiferenças do Gemini em relação ao ChatGPT e Claude
No Gemini, você não envia a conversa inteira de uma vez dentro de uma única função de criação. Em vez disso, o histórico de mensagens fica no momento de criar o chat, e a última mensagem que o usuário quer que a IA responda é enviada separadamente, através de um método específico de envio de mensagem, como descrito na documentação oficial do Gemini.
Como criar chat e enviar mensagens no Gemini
Veja como fica o código completo dessa integração:
from google import genai
from google.genai import types
client = genai.Client(api_key="SUACHAVEAQUI")
chat = client.chats.create(
model="gemini-3-flash-preview",
config=types.GenerateContentConfig(
system_instruction="Você é um professor de Python prestativo e zoeiro"
),
)
response = chat.send_message("Explique o que é uma API em uma frase.")
print(f"Gemini: {response.text}")Aqui, o comportamento do modelo é definido dentro do parâmetro system_instruction, e a mensagem do usuário é enviada com chat.send_message, retornando o texto da resposta em response.text.
Como usar o LangChain para integrar múltiplos modelos de IA
Depois de ver como usar o LangChain, você entende por que essa biblioteca se tornou tão popular: cada provedor de IA tem uma sintaxe própria, com parâmetros obrigatórios diferentes, formatos de histórico diferentes e nomes de função diferentes. O LangChain resolve exatamente esse problema, oferecendo um padrão único de código que funciona com qualquer modelo, incluindo ChatGPT, Claude, Gemini e até outras opções como DeepSeek, Grok e Perplexity.
O que é o LangChain e por que usar
O LangChain é uma biblioteca que orquestra diferentes componentes de aplicações com inteligência artificial, permitindo trocar o modelo usado sem precisar reescrever toda a lógica da sua aplicação. No nosso artigo sobre LangChain e Python, você encontra uma explicação mais detalhada sobre os conceitos por trás dessa biblioteca.
Instalando o LangChain e os pacotes de cada provedor
Para usar o LangChain com os três provedores apresentados neste guia, você precisa instalar o pacote principal e os integradores específicos de cada modelo, além do pacote que lê variáveis de ambiente.
pip install langchain langchain-openai langchain-anthropic langchain-google-genai python-dotenvConfigurando variáveis de ambiente com dotenv
Uma boa prática de segurança é nunca deixar suas chaves de API escritas diretamente no código. Em vez disso, você cria um arquivo .env na raiz do projeto com suas chaves e usa a biblioteca dotenv para carregá-las automaticamente.
OPENAI_API_KEY=sua_chave_openai_aqui
GOOGLE_API_KEY=sua_chave_google_aqui
ANTHROPIC_API_KEY=sua_chave_anthropic_aquiCriando mensagens padronizadas com LangChain
O LangChain usa classes próprias para representar cada papel da conversa: SystemMessage para a instrução de sistema, HumanMessage para a mensagem do usuário e AIMessage para respostas anteriores da IA. Esse padrão é exatamente o mesmo, não importa qual modelo você escolher usar por baixo dos panos.
Chamando qualquer modelo com o mesmo código
Veja como o mesmo bloco de mensagens pode ser enviado para os três modelos diferentes, usando praticamente a mesma sintaxe:
from langchain_openai import ChatOpenAI
from langchain_anthropic import ChatAnthropic
from langchain_google_genai import ChatGoogleGenerativeAI
from langchain_core.messages import HumanMessage, SystemMessage, AIMessage
from dotenv import load_dotenv
load_dotenv()
llm_gemini = ChatGoogleGenerativeAI(model="gemini-3-flash-preview")
llm_openai = ChatOpenAI(model="gpt-4o")
llm_claude = ChatAnthropic(model="claude-sonnet-4-6")
messages = [
SystemMessage(content="Você é um professor de Python prestativo e zoeiro"),
HumanMessage(content="Explique o que é uma API em uma frase.")
]
print("--- Chamando Gemini via LangChain ---")
response_gemini = llm_gemini.invoke(messages)
print(response_gemini.content)
print("--- Chamando OpenAI via LangChain ---")
response_openai = llm_openai.invoke(messages)
print(response_openai.content)
print("--- Chamando Claude via LangChain ---")
response_claude = llm_claude.invoke(messages)
print(response_claude.content)Repare que a única coisa que muda entre os três modelos é a classe usada para criar o llm (ChatOpenAI, ChatAnthropic ou ChatGoogleGenerativeAI). A lista de mensagens e a chamada .invoke() permanecem idênticas, o que economiza muito tempo quando você precisa testar ou trocar de provedor.
ChatGPT, Claude, Gemini ou LangChain: qual escolher
A escolha entre integrar diretamente com uma API específica ou usar o LangChain depende do seu objetivo: se você vai usar apenas um modelo por um tempo longo, a integração direta é mais simples de entender; se você quer flexibilidade para trocar de provedor ou testar vários modelos, o LangChain economiza retrabalho.
| Critério | ChatGPT / Claude / Gemini direto | LangChain | Melhor para |
|---|---|---|---|
| Curva de aprendizado | Precisa aprender a sintaxe de cada provedor | Um único padrão para todos os modelos | Quem já sabe qual IA vai usar |
| Flexibilidade de troca | Baixa, exige reescrever código | Alta, troca o modelo em uma linha | Quem testa vários modelos |
| Complexidade inicial | Mais simples para um único provedor | Exige instalar pacotes extras | Projetos simples e diretos |
| Escalabilidade | Limitada a um provedor por vez | Facilita orquestrar múltiplos agentes | Aplicações mais robustas |
Boas práticas de segurança e custos ao integrar IA com Python
Seguir boas práticas de segurança e controle de custos é essencial para qualquer projeto profissional que use inteligência artificial em produção, evitando prejuízos financeiros e vazamento de credenciais.
Como proteger sua chave de API
- Nunca escreva a chave diretamente no código-fonte, use variáveis de ambiente com dotenv
- Nunca compartilhe sua chave em repositórios públicos no GitHub
- Adicione o arquivo .env ao gitignore do seu projeto
- Revogue e crie uma nova chave imediatamente se suspeitar de exposição
Entendendo créditos gratuitos e custos por token
No nosso artigo sobre agentes de IA com Python, você encontra mais detalhes sobre como planejar o consumo de tokens em aplicações mais robustas. A maioria dos provedores libera créditos gratuitos para modelos mais simples e antigos, mas cobra por token processado nos modelos mais recentes e avançados.
Monitorar o consumo de tokens é fundamental para evitar surpresas na fatura, especialmente em aplicações com muitos usuários simultâneos.
Conclusão
Agora você já sabe como integrar IA com Python usando ChatGPT, Claude e Gemini de forma direta, além de conhecer o LangChain como solução unificada para trabalhar com múltiplos modelos sem reescrever seu código do zero. O próximo passo é praticar: comece com um exemplo simples, como o tutor de Python usado ao longo deste guia, e vá evoluindo para casos de uso mais complexos do seu próprio negócio.
Se você quer ir além dessas integrações e dominar Python de forma completa, desde a lógica de programação até automações e projetos com inteligência artificial, conheça o curso Python Impressionador e acelere sua evolução na linguagem.
Caso prefira esse conteúdo no formato de vídeo-aula, assista ao vídeo abaixo ou acesse o nosso canal do YouTube!
O que você aprende neste vídeo
Resposta rápida: A aula integra o Python com o ChatGPT, o Gemini e o Claude pela biblioteca de cada um, mostrando como pegar a chave de API e o nome do modelo, e depois refaz tudo com o LangChain, que usa o mesmo código para qualquer IA. Cada API pede os parâmetros de um jeito.
Neste vídeo (31 min):
- 1:50 - Instalação da biblioteca da OpenAI com
pip install openai - 4:09 - Criação da chave de API na plataforma da OpenAI (Create New Secret Key)
- 8:28 - A lista de mensagens: cada uma é um dicionário com
roleecontent - 11:06 - A mensagem de sistema (system prompt) orienta como a IA deve responder
- 12:51 - O ChatGPT responde ao pedido de explicar o que é uma API, em tom de brincadeira
- 14:56 - No Gemini, o histórico vai na criação do chat e a última mensagem vai no
chat.send_message - 19:02 - Nome do modelo do Gemini copiado da documentação (Gemini 3 Flash Preview, na época da gravação)
- 20:30 - Estrutura do código com o Claude, parecida com a da OpenAI
- 24:10 - O LangChain entra como solução única para chamar qualquer modelo
- 27:37 - As chaves de API em um arquivo
.env - 29:13 - Chamada do modelo com
.invoke, passando a lista de mensagens - 30:10 - As respostas do Gemini, do ChatGPT e do Claude com o mesmo código
Trechos do vídeo:
- A chave de API é como se fosse login e senha juntos: não deve ser compartilhada com outras pessoas.
- O nome do modelo vai como a documentação da API mostra, e no Claude é o ID da API. Quando sai um modelo novo, provavelmente a única mudança no código é esse nome.
- Cada API pede a mensagem de sistema de um jeito: na lista de mensagens (OpenAI), em um parâmetro separado (Claude) ou na configuração (Gemini). O Claude ainda exige o máximo de tokens da resposta.
- Para guardar as chaves de API, a aula usa um arquivo
.enve carrega as chaves no código com a funçãoload_dotenv, da bibliotecadotenv.
FAQ - Perguntas Frequentes sobre Como Integrar IA com Python
1. É preciso saber inglês avançado para integrar IA com Python?
Não. A maior parte da documentação oficial tem exemplos de código claros, e os conceitos de programação são universais. Um conhecimento básico de termos técnicos em inglês já é suficiente para acompanhar.
2. Qual é a diferença entre usar a API direto e usar o LangChain?
Usar a API direto significa aprender a sintaxe específica de cada provedor, como OpenAI, Anthropic ou Google. O LangChain unifica essa sintaxe, permitindo trocar de modelo com poucas alterações no código.
3. Integrar IA com Python é pago?
Sim, na maioria dos casos. Provedores oferecem créditos gratuitos iniciais para testes, mas modelos mais avançados e uso em produção exigem saldo pago, cobrado por token processado.
4. Posso usar mais de um modelo de IA no mesmo projeto Python?
Sim, e essa é justamente uma das vantagens do LangChain, que permite alternar entre ChatGPT, Claude, Gemini e outros modelos usando praticamente o mesmo bloco de código.
5. Preciso saber Python avançado para fazer essas integrações?
Não. Os exemplos deste artigo usam conceitos básicos como dicionários, listas e chamadas de função, então conhecimento intermediário de Python já é suficiente para começar.
Hashtag Treinamentos
Para acessar outras publicações de Python, clique aqui!
Posts mais recentes de Python
- Cursor para iniciantes: tutorial completo passo a passoCursor para iniciantes: aprenda a instalar, configurar o modelo, usar os modos Plan e Ask e criar sua primeira automação em Python com IA.
- Agente de IA local com Python: crie o seu com OllamaAprenda a criar um agente de IA local com Python, Ollama e LangChain: rode modelos no seu PC, sem pagar por API e sem expor os dados da empresa.
- Como Criar CRM com Codex no VS Code usando Python e FlaskAprenda a criar CRM com Codex no VS Code usando Python, Flask e SQLite, com login, orçamentos e PDF, em fases com testes e commits no Git.
Posts mais recentes da Hashtag Treinamentos
- ChatGPT para criar fórmulas no Excel: 5 exemplos práticosAprenda a usar o ChatGPT para criar fórmulas no Excel com 5 exemplos práticos de SOMA, SOMASES, SE, PROCV e CONT.SES, e veja como pedir certo e validar.
- Cursor para iniciantes: tutorial completo passo a passoCursor para iniciantes: aprenda a instalar, configurar o modelo, usar os modos Plan e Ask e criar sua primeira automação em Python com IA.
- Claude Artifacts: crie dashboards, slides e sites com IAAprenda a usar o Claude Artifacts para criar dashboards, apresentações e sites com IA a partir de um prompt, com exemplos e prompts prontos para copiar.







