CrewAI: orquestração e desenvolvimento de sistemas multiagentes

Primeiros passos com sistemas multiagentes e CrewAI - Apresentação do Curso

Apresentando o curso e objetivos iniciais

Olá! Sejam bem-vindes ao nosso curso sobre CrewAI. Eu sou Carlos Stefano e estarei com vocês ao longo do nosso curso.

Nesta primeira aula, vamos nos familiarizar com o conteúdo e entender o que veremos nas próximas aulas. Nosso objetivo, ao final do curso, é utilizar o framework (estrutura de desenvolvimento) CrewAI para implementar agentes e implementar crews (equipes). Também vamos discutir o que é o conceito de agente, o que é o conceito de crew (equipe) e de onde vem o nome CrewAI. No fundo, a proposta é lidar com equipes de agentes ou com sistemas multiagente.

Introduzindo os elementos do framework e a estrutura do curso

Vamos entender quais são os elementos principais do framework (estrutura de desenvolvimento), como se conectam, quando o utilizamos, quando é vantajoso utilizá-lo e outros aspectos relevantes.

Como está estruturado o curso? Nesta primeira aula, teremos este momento introdutório para, em seguida, continuar explorando os fundamentos do framework (estrutura de desenvolvimento).

Detalhando entidades, fluxos e implementação prática

Vamos entender quais são as entidades principais, como nos conectamos com outros elementos, como estruturamos alguns aspectos em um nível mais no-code (sem código), diretamente no CrewAI Studio, e como levamos tudo isso para Python, para utilizar efetivamente com código. Tudo isso será explorado ao longo do curso. Na Aula 1, abordaremos esses elementos fundamentais.

Em seguida, entenderemos como orquestrar equipes, ou crews (equipes), com diferentes agentes para alcançar o objetivo necessário. Também definiremos o que são os fluxos e como utilizá-los. Com esse entendimento básico consolidado, entraremos em configurações e personalizações específicas de cada fluxo, sempre orientados pelos problemas que queremos resolver.

Abordando monitoramento e pilares do aprendizado

Ao final, dedicaremos uma parte ao debate sobre monitoramento e observabilidade dos nossos crews (equipes). Discutiremos como garantir, em produção, que os papéis que devem desempenhar estejam sendo efetivamente cumpridos, entre outros aspectos relacionados.

Nosso curso se baseia em dois pilares: por um lado, a parte teórica dos fundamentos, que será essencial; por outro, a implementação prática do que aprendermos. Sempre abordaremos esses dois aspectos em conjunto. Vamos começar.

Primeiros passos com sistemas multiagentes e CrewAI - Agente único vs multiagentes o conceito de Crew

Apresentando o curso e definindo o CrewAI

Olá a todas as pessoas. Dando continuidade ao nosso curso, agora que já entendemos melhor a lógica de construção do que vamos ver, vamos começar a aprofundar no CrewAI de fato.

Primeiro, o que é o CrewAI, afinal? É um framework (estrutura) open source (código aberto) para lidarmos com a construção, especialmente dos crews (equipes) de agentes.

Relembrando conceitos de agentes e contextualizando o problema

Como vamos trabalhar com equipes de agentes, também é importante retomar brevemente alguns conceitos básicos sobre agentes, principalmente a distinção entre um sistema de agente único e um sistema multiagentes, entendendo as vantagens e desvantagens em cada caso.

Para isso, imaginemos o seguinte: nós nos integramos a uma equipe de desenvolvimento de inteligência artificial em uma empresa do setor financeiro e, nesse projeto, ficamos responsáveis por desenvolver um sistema cujo objetivo é automatizar recomendações de compra e venda de ações para a pessoa usuária final. Suponhamos que esse sistema receba o ticker de uma ação, busque informações sobre a empresa e forneça, para aquele momento, a recomendação que faça mais sentido conforme a análise que o sistema se propõe a realizar.

Nesse cenário, existem várias abordagens possíveis para resolver o problema. Podemos analisar sob uma perspectiva fundamentalista, sob uma perspectiva técnica e também considerar como está o sentimento do mercado em relação à empresa naquele momento. São perspectivas que se complementam.

Projetando um sistema multiagentes e levantando decisões de projeto

Pensando em automatizar isso com inteligência artificial, podemos projetar um sistema multiagentes no qual cada agente tenha um papel ou responsabilidade bem definida nesse contexto. O que queremos dizer com isso? Ter um agente para análise fundamentalista, outro para análise técnica, outro para observar aspectos como ESG, sentimento do mercado ou outras características que considerarmos relevantes para a tomada de decisão. Ao final, é isso que queremos: indicar para a pessoa usuária o que fazer com base nessa análise.

Naturalmente, surgem questões como: quantos agentes vamos usar? Como e por que usá-los? Como eles se integram entre si? O que nos ajuda a definir esse tipo de decisão? E como implementamos esse sistema na prática? É esse o tipo de discussão que vamos começar o desenvolver e, para isso, vale recapitular alguns aspectos fundamentais sobre o que é um agente de IA e o que é um sistema multiagentes.

Detalhando os componentes de um agente e caracterizando um agente único

Recordando: um agente de IA possui alguns componentes principais — quatro, de forma específica. Um componente de percepção, relacionado às ferramentas ou sensores com os quais o agente estará equipado para coletar informações sobre o ambiente em que está inserido. Às vezes serão sensores literalmente, como câmeras; em outras situações, serão fluxos de dados de entrada para o sistema.

A partir disso, o agente precisa tomar uma decisão. A tomada de decisão envolve elementos de motor de raciocínio, que podem ser modelos de linguagem, nossos LLMs (Large Language Models — Modelos de Linguagem de Grande Porte). Essa decisão culmina em uma ação e, na evolução do processo, precisamos entender o que a ação produziu no ambiente e como isso retroalimenta as próximas ações a serem tomadas. Aí entram as questões de memória e aprendizagem, fundamentais para o funcionamento e a melhoria do agente ao longo do tempo.

Diferentemente de um modelo de linguagem puro, o agente também incorpora, além da memória, o uso de ferramentas, a definição de objetivos, a decomposição em tarefas e outros elementos — tudo isso aparece no CrewAI. Essas integrações serão bastante importantes.

Essa é a ideia de construir um único agente para automatizar algum processo. No fundo, o que queremos é tomar decisões mais autônomas em cenários de incerteza, com menor nível de supervisão humana.

Transicionando para sistemas multiagentes e coordenando a equipe

O avanço para um sistema multiagentes implica algumas mudanças. Podemos pensar que ter um único agente é como contar com uma pessoa especialista naquele domínio de aplicação. Quando passamos a vários agentes, é como se tivéssemos várias pessoas especialistas — nossa equipe, nosso crew (equipe), dentro do contexto do framework (estrutura), para resolver o problema.

Retomando a discussão sobre o sistema de recomendação de compra ou venda de ações, cada um desses agentes integra a equipe. Precisamos coordenar essa equipe para reunir todas as perspectivas diferentes que cada agente oferece e, então, tomar uma decisão final de compra ou venda para a pessoa usuária.

Comparando arquiteturas quanto a complexidade, escalabilidade, robustez e custos

Ter um sistema multiagente traz vantagens e desvantagens em relação a um agente único. Ao avaliarmos a complexidade, naturalmente o sistema se torna mais complexo, mas isso pode proporcionar uma visão muito mais rica de solução para o nosso problema, permitindo resolver questões cada vez mais complexas. Em termos de escalabilidade, o sistema multiagente costuma ser mais escalável do que o agente único, porque podemos modularizar a solução de modo que cada agente seja um módulo independente. Assim, podemos adicionar, alterar ou remover módulos para escalar e evoluir o sistema ao longo do tempo.

Um sistema multiagente tende a ser mais robusto no sentido de tolerância a falhas. Se, em uma solução com agente único, por qualquer motivo esse agente falhar, a solução como um todo para. Ao trabalharmos com múltiplos agentes, dependendo de como construímos a orquestração entre eles, a falha de um agente não necessariamente interrompe toda a solução. Portanto, há um grau maior de tolerância a falhas. Em contrapartida, isso exige um controle mais rigoroso de custo e uso de recursos, para evitar que o sistema escale fora de controle. Ao lidarmos com entidades mais complexas, o custo pode aumentar com maior facilidade.

Apresentamos um esquema que resume esses pontos segundo os critérios discutidos: complexidade, escalabilidade, tolerância a falhas e uso de recursos. Em síntese: há maior complexidade nos sistemas multiagentes, mas eles agregam capacidade para resolver problemas mais complexos; ganham em escalabilidade pelos motivos descritos; são mais tolerantes a falhas; porém requerem maior cuidado com o controle de custos e com o uso de recursos computacionais, que se traduzirão em gastos financeiros.

Estruturando soluções no CrewAI com agentes, equipes, tarefas e fluxos

Dito isso, retomando a distinção entre agente único e multiagentes, com vantagens, desvantagens e contrapontos, como isso se traduz dentro do framework (estrutura) CrewAI? Temos quatro elementos principais para construir a solução — nossos blocos — que vamos começar a utilizar nas próximas aulas, conforme avançarmos na implementação:

• Agent (agent, agente): nossa unidade autônoma de tomada de decisão. Como aprofundaremos em breve, um Agent possui três componentes principais que precisamos definir: role (role, papel), goal (goal, objetivo) e backstory (backstory, histórico/quem é/qual o contexto), fornecendo mais informações para orientar esse agente.
• Crew (crew, equipe): o grupo de agentes reunidos para resolver uma tarefa.
• Task (task, tarefa): o que precisa ser feito. À medida que construirmos a solução, sempre definiremos os agentes, as tarefas e vinculeremos qual agente deve executar cada tarefa. Ao elaborar uma Task, descreveremos o que ela é, qual é a saída esperada e qual agente deve executá-la.
• Flow (flow, fluxo): o processo de execução em si dentro do framework (estrutura) CrewAI. O Flow abrange quais Crews (equipes) executarão determinadas tarefas e é o nível mais alto de abstração, englobando todos esses elementos.

Resumindo, o CrewAI permite que trabalhemos com essas abstrações em níveis de tarefas, agentes, equipes e fluxos. Ao longo das próximas aulas, vamos introduzir esses blocos e construir automatizações para diferentes problemas. Conforme a documentação, o Flow engloba os Crews, que, por sua vez, são compostos por Agents, e esses agentes executarão as Tasks.

A partir da próxima aula, vamos nos aprofundar no framework (estrutura) CrewAI e entender como estruturar esses elementos para problemas reais. Vamos explorar um pouco, então, o CrewAI.

Primeiros passos com sistemas multiagentes e CrewAI - Primeiros passos com Crew AI

Apresentando o framework CRU-AI

Dando continuidade ao que vínhamos discutindo, CRU-AI é nosso framework (estrutura) para trabalhar com a orquestração de agentes autônomos de IA.

A documentação é muito boa e bastante completa; também traz as questões que discutimos no vídeo anterior sobre o fluxo: como se estrutura, as CRUs, como estão compostas, cada agente, LLM, as ferramentas e a memória. Vale estudar e mantê-la como referência sempre que necessário.

Acessando a plataforma e concluindo o registro

Ao acessarmos a plataforma pela primeira vez, provavelmente veremos esta tela. O processo de registro é muito simples: abrirá uma janela; podemos continuar com o Google ou inserir o endereço de e-mail para nos registrarmos. Nós vamos nos registrar aqui com nossa conta.

Em seguida, seremos direcionados à tela inicial, ao painel de controle da CRU-AI.

Explorando o CRU Studio e preparando configurações iniciais

Em um primeiro momento, vamos explorar o CRU Studio, que é uma maneira sem código para gerenciarmos a construção de nossos agentes autônomos e dos fluxos.

O que é importante termos em mente? Precisaremos configurar uma conexão com o LLM e, para isso, será necessária uma chave de API. Já deixamos uma configurada aqui, mas o processo também é bastante simples.

Configurando a conexão com LLM e escolhendo modelos

Vamos adicionar uma conexão, definir um nome para essa conexão, escolher o provedor de preferência (ou ao qual temos acesso para trabalhar) e informar a chave de API (interface de programação de aplicações). Em seguida, selecionamos Concluir e Criar. A conexão será criada e, depois, poderemos adicionar os modelos.

Por exemplo, ao trabalhar com a OpenAI, precisamos escolher quais modelos da OpenAI vamos utilizar. Se observarmos a conexão que já deixamos configurada, há alguns modelos disponíveis — GPT-4.1 Mini, GPT-4o Mini e GPT-4.1 Nano — que serão suficientes para o que faremos agora.

Integrando o Google Sheets e finalizando a conexão

Também precisaremos configurar algumas integrações. Utilizaremos o Google Sheets, que pode ser configurado facilmente com o início de sessão usando a conta Google.

Quanto ao procedimento, clicamos em Conectar; abrirá a conta para que você se conecte e conceda as permissões. Aqui, apenas como exemplo de um problema, vamos clicar em Desconectar e nos conectar novamente juntos.

O acesso já estava parcialmente configurado porque nós já tínhamos concedido permissões anteriormente; removemos o acesso para acompanharmos o processo em conjunto. Ao continuar, a conexão será estabelecida e, assim, poderemos utilizar o Google Sheets na construção de nossos agentes.

Pronto, está Conectado. Por enquanto, esses são os passos necessários. Agora entraremos no Crew Studio para começarmos a construir nosso primeiro agente com o Crew AI.

Sobre o curso CrewAI: orquestração e desenvolvimento de sistemas multiagentes

O curso CrewAI: orquestração e desenvolvimento de sistemas multiagentes possui 169 minutos de vídeos, em um total de 53 atividades. Gostou? Conheça nossos outros cursos de IA para Dados em Inteligência Artificial, ou leia nossos artigos de Inteligência Artificial.

Matricule-se e comece a estudar com a gente hoje! Conheça outros tópicos abordados durante o curso:

• Primeiros passos com sistemas multiagentes e CrewAI
• Orquestrando agentes e fluxos
• Personalizando agentes e ajustando LLMs
• Expandindo agentes com tools e integrações
• Monitorando e observando sistemas multiagentes