Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar
Sessões

Learning Prototype CrewAI e LangGraph Comparando Frameworks de Orquestração de Agentes (2025-03-27)

27 mar 20251h 11min
Assistir gravação

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.

atualizado há 25 dias
Resumo da 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.

Gerado por IA a partir da transcrição.
Capítulos · 32
00:04
Abertura e comparação das tecnologias
Assistir
01:19
Exploração do MCP para agentes
Assistir
05:07
Demonstrações e implementações com agentes
Assistir
06:24
Apresentação do fluxo com CrewAI
Assistir
09:02
Configuração de arquivos, modelos e agentes
Assistir
15:31
Encadeamento de tarefas e passagem de contexto
Assistir
23:24
Limites de contexto e controle por prompts
Assistir
27:22
CrewAI como orquestrador do produto
Assistir
35:03
Generalização e especialização de agentes
Assistir
39:01
Introdução ao LangGraph e fluxo de interpretação
Assistir
41:40
Nós, ferramentas e arestas condicionais
Assistir
42:56
Estado compartilhado no LangGraph
Assistir
46:48
Controle dos outputs entre agentes
Assistir
48:05
Teste local do agente e do user history
Assistir
49:21
Interpretação e limitações do modelo local
Assistir
50:38
Loop de review e roteamento entre agentes
Assistir
51:59
Custo, escolha de modelos e limite de tentativas
Assistir
53:14
Detecção de respostas repetidas e falhas de tokens
Assistir
54:33
Inconsistência dos resultados e possíveis soluções
Assistir
55:47
Refinamento de prompts, reviews e escalabilidade
Assistir
57:04
Compartilhamento de código e instalação de ambientes
Assistir
58:19
Transição para a apresentação sobre CrewAI
Assistir
59:37
Introdução ao framework CrewAI
Assistir
1:00:54
Crews, agentes, ferramentas e tarefas
Assistir
1:02:14
Flows e controle de fluxo baseado em eventos
Assistir
1:03:33
Instalação e requisitos do CrewAI
Assistir
1:04:52
Criação e execução de um projeto CrewAI
Assistir
1:06:03
Desafios para os próximos testes
Assistir
1:07:24
Dificuldades de instalação e próximos passos
Assistir
1:08:41
Integração entre CrewAI, MCP e LangGraph
Assistir
1:10:01
Benchmarks e padronização dos testes
Assistir
1:11:20
Encerramento da sessão
Assistir
Cortes · 6
MCP para conectar agentes e fontes de dados
É explicado o que é o MCP e como servidores locais ou remotos podem acessar diferentes fontes de dados. A discussão relaciona o protocolo ao envio, armazenamento e interpretação de arquivos e artefatos no projeto.
02:33 – 03:51Assistir
Construindo uma equipe de agentes com CrewAI
A apresentação mostra, em código, como configurar um modelo, fazer upload de um arquivo e criar agentes especializados. O fluxo traduz uma mensagem, resume o conteúdo e gera uma estratégia, demonstrando como o resultado de uma tarefa é repassado automaticamente para a próxima.
07:42 – 24:42Assistir
Orquestração de agentes e fluxos no CrewAI
A discussão avalia como o CrewAI pode organizar grupos de agentes, fluxos condicionais e diferentes níveis de especialização. Também são comparadas orquestrações sequenciais e hierárquicas, com exemplos de agentes generalistas, especialistas e um orquestrador editável.
27:22 – 36:24Assistir
LangGraph: agentes, estados e caminhos condicionais
É apresentado um fluxo no LangGraph para analisar histórias de usuário, interpretá-las, revisá-las e decidir se devem ser processadas novamente. A explicação detalha nós, arestas condicionais e o estado compartilhado que permite aos agentes ler e gravar informações ao longo do fluxo.
39:01 – 46:48Assistir
Loop de análise, revisão e roteamento com LLM local
É demonstrado um fluxo de agentes em que o analyser interpreta uma história de usuário, o reviewer avalia o resultado e o router decide se deve repetir o processo ou encerrá-lo. A discussão aborda os problemas de modelos locais pequenos, loops excessivos, inconsistência das respostas e a necessidade de limitar tentativas ou detectar respostas repetidas.
46:48 – 55:52Assistir
Visão geral prática do CrewAI
A apresentação explica o CrewAI como um framework Python para criar equipes de agentes, detalhando crews, flows, tarefas, ferramentas, eventos e orquestração. Também são mostrados os requisitos de instalação, criação de um projeto padrão, escolha do provedor de modelo e as dificuldades práticas encontradas ao configurar o ambiente.
59:37 – 1:06:03Assistir
Perguntas desta sessão
Como o MCP pode receber arquivos como entrada e permitir o acesso e a interpretação desses dados?
O MCP organiza o acesso a dados por meio de servidores que podem ser locais ou remotos. Essa estrutura pode ser usada para receber arquivos e outros artefatos como entrada, além de permitir sua posterior interpretação pelos agentes.
02:42 – 03:56Assistir
Como uma tarefa subsequente no CrewAI sabe qual resumo deve usar como entrada?
A tarefa recebe automaticamente o output da tarefa anterior como contexto. Nesse fluxo, a tarefa de planejamento é instruída a trabalhar com base no resumo produzido pela tarefa anterior.
16:24 – 16:37Assistir
Como o CrewAI passa o contexto entre tarefas consecutivas?
O CrewAI injeta automaticamente o output de uma tarefa anterior no contexto da tarefa seguinte, permitindo que os agentes troquem informações sem que seja necessário repassar manualmente os dados.
22:18 – 22:34Assistir
O que acontece dentro de um grupo de agentes e de um Flow no CrewAI?
No CrewAI, um Crew reúne agentes, enquanto um Flow permite organizar fluxos, variáveis e caminhos condicionais. Um Flow pode direcionar a execução para diferentes Crews conforme a entrada, como escolher entre um cenário de testes e a geração de documentação BDD.
28:05 – 29:40Assistir
Como o CrewAI permite configurar a orquestração de agentes?
O CrewAI permite configurar a execução de forma sequencial ou hierárquica. No modo sequencial, as tarefas passam por agentes em uma ordem fixa; no hierárquico, um agente atua como orquestrador e delega cada tarefa ao agente mais adequado.
30:07 – 31:19Assistir
Qual agente deve processar uma imagem recebida pelo orquestrador?
O orquestrador pode encaminhar a imagem para um agente especializado em imagens. A especialização pode ser ainda mais específica, como um agente voltado a imagens de natureza ou protótipos, ou pode ser usado um agente generalista capaz de lidar com vários tipos de imagem.
33:48 – 34:15Assistir
Qual é a diferença entre os resultados de um agente generalista e de um agente especializado em imagens?
Um agente generalista processa imagens de maneira ampla, enquanto um agente especializado interpreta melhor um domínio específico, como protótipos, usando experiência e exemplos daquele contexto. A arquitetura pode ser ajustada para generalizar ou especializar os agentes conforme a necessidade.
34:24 – 35:13Assistir
No LangGraph, o que representam os nós, as ferramentas e as arestas em um grafo de orquestração?
Os nós representam agentes ou ferramentas, enquanto as arestas conectam os nós e definem a sequência lógica do fluxo. Arestas sólidas indicam transições normais; arestas condicionais direcionam o fluxo conforme o resultado de uma ação, podendo finalizar o processo ou encaminhá-lo para outro agente, inclusive em um loop.
41:30 – 43:01Assistir
Como limitar o número de tentativas de um loop de revisão no LangGraph?
É possível configurar um limite máximo de tentativas, como um parâmetro de max retries. Sem esse limite, o fluxo pode repetir a revisão indefinidamente, continuar tentando encontrar uma resposta melhor e até permanecer preso em alucinações; por isso, recomenda-se definir um número baixo de tentativas, geralmente em torno de três.
52:36 – 53:13Assistir
Como o LangGraph se comporta em relação à escalabilidade?
O LangGraph transmite mais segurança para cenários escaláveis porque permite estruturar o fluxo como um grafo, com controle explícito das etapas, condições e caminhos de execução.
56:55 – 57:13Assistir
Que tipos de ações um agente do CrewAI pode realizar usando ferramentas?
As ferramentas permitem configurar ações para o agente, como acessar sites e buscar informações externas.
1:02:02 – 1:02:08Assistir
Quais ferramentas ou modelos podem ser escolhidos ao criar um projeto do CrewAI?
O comando de criação do projeto permite escolher a ferramenta ou o modelo a ser usado, como Ollama ou OpenAI, e gera automaticamente a estrutura de pastas correspondente.
1:05:01 – 1:05:17Assistir
Qual framework de orquestração de agentes, CrewAI ou LangGraph, apresentou melhor desempenho?
A comparação deve ser feita ao longo do tempo por meio de benchmarks com entradas e materiais padronizados, permitindo avaliar qual framework se adapta melhor e apresenta os melhores resultados.
1:10:15 – 1:10:19Assistir