Matricule-se
Voltar para o blog
Inteligência Artificial

Qual IA cria o melhor app Python? ChatGPT, Claude ou Gemini

Rodrigo Silva Harder

Descubra qual IA cria o melhor app Python e veja como as três maiores IAs do mercado se saem ao criar um sistema RAG completo do zero.

No teste com o mesmo prompt, ChatGPT, Claude e Gemini criaram um sistema RAG funcional em Python — e nenhum saiu perfeito de primeira. O ChatGPT foi o mais completo, porque fixou as versões das bibliotecas e antecipou problemas; o Claude se saiu melhor ao corrigir o próprio erro; o Gemini foi o mais rápido e simples. A escolha depende de você priorizar estabilidade, correção de erros ou velocidade.

Introdução

Fala, impressionador(a)!

Se você já tentou usar uma IA para gerar código e ficou frustrado porque o resultado não funcionou, ou funcionou pela metade, você não está sozinho. A promessa de “peça para a IA e ela cria o aplicativo para você” é tentadora, mas será que ela se sustenta na prática?

Neste artigo, vamos testar exatamente isso: usar o mesmo prompt para o ChatGPT, o Claude e o Gemini e pedir para cada um deles criar um sistema RAG completo em Python. O objetivo é sair da teoria e ver, na prática, o que cada ferramenta entrega e qual delas chega mais perto de um código que você consegue rodar sem precisar ser dev.

Então, vem comigo!

Para fazer o download dos exercícios e soluções, 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 um sistema RAG?

Antes de entrar na comparação, vale entender o que estamos construindo. RAG é a sigla para Retrieval-Augmented Generation, que em português significa algo como "geração aumentada por recuperação de informação". O nome parece complicado, mas a ideia é simples.

Imagine que você tem um PDF com as políticas de RH da sua empresa: horário de trabalho, regras de home office, licença maternidade, plano de saúde e tudo mais. Um agente de inteligência artificial não sabe nada sobre esse documento, ele só conhece informações públicas com as quais foi treinado. Já um sistema RAG consegue ler esse PDF e responder perguntas sobre ele como se fosse um assistente que estudou o documento inteiro.

Na prática, isso significa que você pode criar um chatbot interno para a sua empresa que responde perguntas dos funcionários com base nos seus próprios documentos, sem expor informação sensível para nenhuma IA externa. É exatamente esse tipo de solução que as empresas estão contratando hoje, seja para atendimento ao cliente, suporte interno ou automações de WhatsApp.

O desafio: mesmo prompt para os três

Neste artigo, vamos usar o exemplo das políticas de RH de uma empresa em um arquivo PDF para a construção do sistema RAG com Python usando três ferramentas de IA: ChatGPT, Gemini e Claude.

Para que a comparação seja justa, o teste usou o mesmo prompt:

Crie para mim o código de um agente de IA completo.

Esse agente de IA deve usar o Langchain e o streamlit para criar um sistema RAG.

Meu objetivo é ter um sistema de chat que pessoas da minha empresa possam usar para consultar as informações sobre a política de RH da empresa de forma detalhada.

Ignore absolutamente qualquer coisa que você já sabe sobre mim ou qualquer outro pedido ou pergunta que eu já tenha feito para você. Considere que esse é um pedido completamente novo que não tem nada a ver com nada que eu já falei com você.

O arquivo RH se chama politica_rh.pdf e estará na mesma pasta onde vou colocar os arquivos do projeto que você criar.

Crie para mim o código em Python a ser executado por meio do streamlit run e o arquivo de requirements.txt

Para isso, quero usar a API da OpenAI, então eu terei em um arquivo .env a minha chave da API da open ai, como OPENAI_API_KEY=...

Lembre que o chat deve ter memória e que o usuário pode fazer várias perguntas sequenciais sobre o mesmo pdf, ficando possivelmente horas conversando na mesma conversa com o PDF para tirar todas as dúvidas que ele tenha.

Qualquer coisa fora da política da empresa, o sistema deve dizer que não sabe a resposta pois não tem acesso a essa informação.

No pedido acima o ChatGPT, Gemini e Claude precisam criar um agente de IA usando LangChain para a lógica do sistema e Streamlit para a interface visual. O sistema deve ler um arquivo chamado politica_rh.pdf, responder perguntas sobre o conteúdo desse documento, ter memória de conversa, recusar responder qualquer coisa fora do escopo do documento e usar a API da OpenAI como motor de linguagem. Além disso, a IA deve gerar dois arquivos: o código principal (app.py) e um requirements.txt com as bibliotecas necessárias.

Como configurar o ambiente antes de testar

Para testar os códigos que cada inteligência artificial vai criar com base na mensagem enviada, vamos utilizar o editor de código Visual Studio Code com o Python previamente instalado.

O processo é:

  1. Criar uma pasta separada para cada projeto (uma para o ChatGPT, uma para o Gemini, uma para o Claude);
  2. Ativar um ambiente virtual Python dentro de cada pasta com o comando python -m venv venv, seguido de venv\Scripts\activate no Windows ou source venv/bin/activate no Mac e no Linux;
  3. Colocar o arquivo politica_rh.pdf dentro de cada pasta. Você pode baixar este arquivo diretamente para usar no seu teste;
  4. Criar o arquivo .env com a variável OPENAI_API_KEY recebendo a sua chave da API da OpenAI;
  5. Criar o arquivo app.py, que vai conter todo o código principal criado pela IA;
  6. Criar o arquivo requirements.txt para abrigar todas as bibliotecas que precisarão ser instaladas no projeto.
Interface do VS Code com o explorador de arquivos aberto mostrando uma pasta chamada “PYTHON”. Dentro dela há as pastas “venv” e “.env”, e os arquivos “app.py”, “politica_rh.pdf” e “requirements.txt”. A área principal do editor está vazia

Para obter a chave da OpenAI:

  1. Acesse a plataforma da OpenAI. Lembre-se de fazer login em sua conta;
  2. Clique no menu lateral em API Keys;
  3. Clique no botãoCreate new secret key;
  4. Dê um nome para a chave de API, por exemplo, "testeRAG";
  5. Clique em Create secret key;
Tela do painel de API keys mostrando um modal “Create new secret key”. À esquerda, o menu lateral destaca “API keys”. No topo direito há o botão “Create new secret key”. No modal central, o campo “Name” está preenchido com “testeRAG”, o projeto selecionado é “Default project” e há opções de permissões. No canto inferior direito do modal aparece o botão “Create secret key”. Elementos numerados (1 a 4) indicam o passo a passo para criar a chave

Atenção a um ponto que confunde muita gente: a API da OpenAI é cobrada por uso e é separada da assinatura do ChatGPT — normalmente é preciso adicionar créditos na conta antes do primeiro uso. Um teste como o deste artigo consome centavos. E lembre-se: nunca compartilhe sua chave com ninguém e nunca a coloque diretamente no código, use sempre o arquivo .env.

Ícone Inteligência ArtificialInteligência Artificial Impressionador

Você vai aprender de forma prática a usar as principais ferramentas de Inteligência Artificial que estão revolucionando o Mercado de Trabalho, para se destacar em qualquer empresa que use as ferramentas dessa revolução. Independente da sua área, aqui você vai aprender como usar a Inteligência Artificial na sua realidade para se destacar.

Começar agoraSeta para a direita
Fundo Inteligência ArtificialTelas Inteligência Artificial
Luz Inteligência Artificial

O que cada IA entregou

Ao comparar as três IAs — ChatGPT, Gemini e Claude — fica claro que todas conseguem chegar a um resultado funcional, mas cada uma segue um caminho bem diferente até lá. E essa diferença impacta diretamente na experiência de quem está desenvolvendo, principalmente se você ainda está aprendendo.

Caso queira, você pode baixar o código gerado pelo ChatGPT, Gemini e Claude que foram usados nos testes deste artigo diretamente no material da aula, junto com os demais materiais.

Começando pelo que cada IA entregou: o ChatGPT foi o mais completo logo de cara. Ele não só gerou o código do aplicativo, como também trouxe um requirements.txt com versões exatas das bibliotecas, sugeriu um .gitignore e explicou a estrutura de pastas do projeto. Pode parecer detalhe, mas não é: quando uma IA define algo como langchain==0.1.16, ela está garantindo que você use exatamente o que foi testado. Isso reduz muito o risco de erros por incompatibilidade. Além disso, ele fez um alerta importante sobre o uso do Python 3.14, recomendando o Python 3.13 por conta de possíveis problemas com bibliotecas como Streamlit e ChromaDB. Esse tipo de cuidado mostra que não é só sobre gerar código, mas sobre evitar dor de cabeça depois.

O Gemini foi o mais rápido dos três, mas também o mais simples. Ele entregou o código e o requirements, porém sem fixar versões. Na prática, isso significa que você pode acabar instalando versões diferentes das usadas no desenvolvimento, o que pode quebrar o projeto. Outro ponto é que ele não explicou a estrutura — apenas sugeriu colocar tudo na mesma pasta. Para quem já tem experiência, isso funciona. Mas para iniciantes, pode gerar confusão. Sobre o Python 3.14, a abordagem foi mais “testa aí e vê se funciona”, com um alerta leve sobre o FAISS. Funciona, mas é menos seguro.

Já o Claude chamou atenção pela organização. Mesmo sendo o mais lento, ele entregou um material bem estruturado, com código separado, instruções claras e até arquivos prontos para download. Assim como o ChatGPT, também definiu versões no requirements, o que é um ótimo sinal. O problema apareceu na instalação: uma das bibliotecas era incompatível com Python 3.14, o que gerou erro. Por outro lado, quando esse problema foi apontado, o Claude respondeu muito bem — identificou o que estava errado, ajustou as versões e regenerou tudo automaticamente. Esse comportamento de “se corrigir sozinho” é muito útil, principalmente para quem ainda não sabe depurar esse tipo de erro.

Comparando os três códigos lado a lado, fica claro que todos chegam a resultados funcionais e visualmente semelhantes, uma interface de chat com histórico e respostas em streaming. A principal diferença está nos bastidores. O ChatGPT entrega um sistema mais pronto para produção, com foco em estabilidade e prevenção de erros. O Claude equilibra bem organização, experiência e capacidade de adaptação, com uma arquitetura mais sofisticada em alguns pontos. Já o Gemini prioriza simplicidade e rapidez, sendo mais adequado para prototipagem ou para quem busca entender o conceito sem tanta complexidade inicial.

Conclusão - Qual IA cria o melhor app Python?

As três IAs são capazes de criar um sistema RAG funcional em Python a partir de um único prompt. Nenhuma delas entrega um resultado perfeito logo de primeira, mas todas chegam perto o suficiente para que um usuário com conhecimentos básicos consiga colocar o projeto para rodar com alguns ajustes.

O ChatGPT se destacou pela prevenção de problemas e pela riqueza de detalhes na resposta. O Gemini foi o mais ágil e direto ao ponto. O Claude mostrou a melhor capacidade de se auto-corrigir quando um erro apareceu, além de ter a interface de resposta mais organizada.

A escolha entre eles vai depender do seu estilo de trabalho: se você prefere segurança e prevenção de erros, o ChatGPT tende a ser mais conservador e detalhista. Se valoriza velocidade e simplicidade, o Gemini é uma boa pedida. Se você frequentemente encontra erros e precisa de uma IA que te ajude a diagnosticá-los e corrigi-los rapidamente, o Claude pode ser o seu melhor parceiro.

Caso queira aprender ainda mais sobre Python, você pode fazer o minicurso gratuito de automação com Python e o Curso de Python Impressionador.

Além disso, se preferir 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: Com o mesmo prompt, ChatGPT, Claude e Gemini entregaram um sistema RAG funcional em Python, e os três quebraram na primeira execução por causa da atualização do LangChain. Todos corrigiram depois de receber o erro. ChatGPT e Claude fixaram as versões das bibliotecas; o Gemini gerou o código mais curto e direto ao pedido.

Neste vídeo (42 min):

  • 1:10 - Define o projeto: um sistema RAG sobre o PDF de políticas de RH
  • 3:05 - Escreve o prompt único pedindo LangChain e Streamlit
  • 11:40 - Nota que o ChatGPT fixou a versão de cada biblioteca
  • 13:20 - Compara com o Gemini, que mandou requirements sem versões
  • 17:15 - Falha na instalação do Claude por biblioteca presa a Python antigo
  • 22:00 - Explica os blocos de 1200 caracteres e o overlap de 200
  • 23:00 - Vê os três quebrarem na importação do LangChain atualizado
  • 24:30 - Devolve o erro e o Claude pesquisa e reescreve o código
  • 29:00 - Pergunta sobre home office e confere as fontes citadas
  • 31:30 - Compara o tamanho: 132 linhas no Gemini contra 325 no Claude
  • 34:00 - Compara os bancos vetoriais: Chroma DB contra base em memória
  • 39:30 - Aponta o try/except vazio como má prática no código

Trechos do vídeo:

  • Fixar a versão de cada biblioteca evita que uma atualização futura quebre o código gerado.
  • O overlap faz dois blocos consecutivos compartilharem o mesmo trecho, para nenhuma frase ser cortada ao meio.
  • Mesmo com a IA gerando o código, é preciso entender a linguagem para interagir de forma correta.

Perguntas frequentes sobre criar apps Python com IA

1. Preciso saber programar para criar um app Python com IA?

Para rodar um projeto como o deste teste, não: dá para copiar o código, criar o ambiente virtual e executar com streamlit run app.py. O conhecimento de Python aparece na hora em que algo quebra — erro de versão, biblioteca incompatível, ajuste no prompt. A IA acelera muito quem entende o que está lendo.

2. Qual é a diferença entre um sistema RAG e usar o ChatGPT direto?

O ChatGPT responde com base no que aprendeu durante o treinamento. Um sistema RAG busca o trecho relevante nos seus documentos antes de responder, então ele consulta a política interna da empresa e consegue admitir quando a informação não está no material.

3. A API da OpenAI é a mesma coisa que a assinatura do ChatGPT?

Não. A assinatura dá acesso ao chat no navegador; a API é um serviço cobrado por uso, e é ela que o código consome. São cobranças separadas, e a chave usada no .env sai da plataforma de desenvolvedores da OpenAI.

4. Dá para trocar a OpenAI por outro modelo no mesmo código?

Sim. Como o projeto usa LangChain, o modelo é um componente trocável: basta apontar o componente de chat (e o de embeddings) para outro provedor, ou para um modelo rodando localmente, sem reescrever a lógica do RAG.

Hashtag Treinamentos

Para acessar outras publicações de Python, clique aqui!

Quer aprender mais sobre Python com um minicurso básico gratuito?

Posts mais recentes de Python

Posts mais recentes da Hashtag Treinamentos

Rodrigo Silva Harder

Autor do artigo

Rodrigo Silva Harder

Redator de conteúdo na Hashtag Treinamentos. Produzo textos didáticos sobre tecnologia, buscando informar e engajar o público de forma acessível e descomplicada.

Ver mais posts