CrewAI
Ir para notas que citam estaCrewAI é o framework para orquestrar vários agentes de IA, dando a cada um papel, objetivo e histórico, atribuindo tarefas e executando o conjunto como uma equipe.
Ele resolve a montagem de Sistemas Multiagente sem que cada interação entre agentes precise ser programada à mão: o desenvolvedor descreve quem são os agentes e o que cada tarefa pede, e o framework coordena a execução. É visto como um dos frameworks de agentes mais usados, mas também como um ambiente instável, com atualizações frequentes que podem tornar exemplos antigos obsoletos rapidamente. Aparece ao lado de AutoGen e LangGraph entre as abstrações populares para multiagentes, cada uma escondendo detalhes de implementação por trás de camadas próprias.
Agentes, tarefas e a crew
O modelo mental tem três peças:
- Agent: definido por role (papel), goal (objetivo) e backstory (contexto que molda o comportamento). Os três juntos delimitam o que aquele agente faz e como se comporta.
- Task: descreve o que um agente deve fazer. Cada agente recebe a sua tarefa, e uma tarefa pode declarar variáveis de entrada, como a pergunta do usuário.
- Crew: reúne a lista de agentes e a lista de tarefas. A execução começa com o kickoff da crew, que recebe os valores de entrada, e uma flag de verbosidade faz o framework registrar em log o passo a passo de cada agente.
O modelo de linguagem é configurado à parte, informando o endereço da API, a chave, o modelo, a temperatura e o máximo de tokens. Isso permite usar um provedor em nuvem que hospeda modelos abertos, como um Llama 3 de 8 bilhões de parâmetros, em vez de rodar o modelo localmente. Ferramentas complementares, como o carregamento e a vetorização de um PDF, podem vir do LangChain.
Uso em um RAG com agentes
Um exemplo típico é o RAG Agêntico com cinco agentes, cada um com a sua tarefa: router, que decide entre banco vetorial e busca na web; retriever, que recupera os trechos; grader, que confere se a resposta atende ao pedido; avaliador de Alucinação; e avaliador de resposta, que escolhe a saída final. A pergunta entra como variável na tarefa do router, que analisa as palavras-chave e prioriza o banco vetorial. Os logs mostram cada agente passando o resultado ao seguinte até a resposta consolidada.
Quando faz sentido e onde complica
CrewAI é útil quando o problema se divide em papéis claros com responsabilidades distintas: quem busca, quem valida, quem decide. A clareza de role e goal ajuda cada agente a ficar no seu escopo.
O custo aparece conforme a cadeia cresce. Cada agente é mais uma chamada ao modelo, e garantir que todos se comportem como esperado fica mais difícil a cada papel adicionado. Com o modelo rodando em nuvem, a execução de uma crew pequena é rápida mesmo numa máquina simples; rodar localmente um modelo grande, na casa dos 70 bilhões de parâmetros, exige bastante RAM e GPU.