Learning Prototype CrewAI e LangGraph Comparando Frameworks de Orquestração de Agentes (2025-03-27)
Entre para ler os trechos da transcrição de cada capítulo e perguntar ao Labinho sobre esta sessão.
O Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.
Notas citadas nas anotações desta sessão.
A sessão apresentou um comparativo prático entre CrewAI e LangGraph, com menções a MCP e LangFlow como tecnologias complementares. Foi demonstrado um fluxo no CrewAI com agentes responsáveis por traduzir, resumir e elaborar uma estratégia a partir de um arquivo de texto, evidenciando que as tarefas passam automaticamente o contexto entre si. Essa automação foi considerada útil, embora possa aumentar o contexto de forma indesejada; como alternativa, discutiu-se restringir as instruções ou optar pelo LangGraph, que permite controlar explicitamente o estado, os nós e as transições condicionais. Também foi destacado que o CrewAI oferece crews, flows, ferramentas e orquestração sequencial ou hierárquica, podendo se adequar ao produto em desenvolvimento, desde que seja possível configurar com precisão a delegação entre agentes.
O LangGraph foi apresentado com um fluxo de análise de histórias de usuário: um agente verifica a entrada, outro interpreta, um revisor avalia e um roteador decide entre finalizar ou repetir a interpretação com feedback. A principal vantagem apontada foi a flexibilidade para controlar estado, contexto e caminhos condicionais, além da maior percepção de escalabilidade. Porém, testes com modelos locais menores mostraram respostas inconsistentes, loops de revisão e dependência significativa da qualidade do modelo; ficaram em aberto ajustes como limitar tentativas, detectar respostas repetidas e aperfeiçoar prompts e critérios de avaliação.
Também foram discutidas as dificuldades de instalação e documentação do CrewAI, apesar de sua proposta de simplicidade, e a necessidade de testar as ferramentas em um ambiente padronizado. Como próximos passos, o grupo pretende compartilhar códigos e exemplos funcionais, explorar MCP para entrada e armazenamento de arquivos, continuar os testes com CrewAI, LangGraph e possivelmente LangFlow, e definir histórias de usuário ou outros materiais comuns para criar benchmarks comparáveis de qualidade, custo, escalabilidade e facilidade de implementação.