CrewAI: um guia com exemplos de sistemas multiagentes de IA

Agentes de IA são assistentes que conseguem executar tarefas e interagir com o mundo. Diferente de sistemas tradicionais baseados em regras fixas, eles aprendem e se adaptam a novas situações. Pense neles como programas capazes de perceber o ambiente e agir.

Mas o que diferencia agentes de IA de outras entidades de IA, como os populares modelos de linguagem de que todo mundo fala?

Neste artigo, vou responder a essa pergunta e apresentar o CrewAI, um framework Python gratuito e de código aberto feito para simplificar o desenvolvimento de sistemas de IA multiagentes. Vamos explorar a diferença entre agentes e modelos de linguagem, por que frameworks de agentes são importantes para construir aplicações de IA e como o CrewAI permite que agentes colaborem para alcançar grandes resultados.

agentes de IA vs. LLMs

Vamos desfazer um equívoco comum sobre a diferença entre agentes e large language models (LLMs). Ambos fazem parte da família da inteligência artificial, mas têm capacidades distintas.

Modelos de linguagem, como ChatGPT e Gemini, têm alta proficiência no uso da linguagem. Eles são treinados em grandes volumes de texto e código, o que lhes dá a capacidade de compreender e gerar linguagem muito próxima da comunicação humana.

LLMs são os grandes redatores da IA, produzindo de tudo: traduções, resumos, narrativas criativas e até poesia. Normalmente, seu escopo se limita a tarefas relacionadas à linguagem.

Agentes, por sua vez, têm foco principal em agir. Eles navegam, interagem com objetos e tomam decisões com base em suas percepções. 

Em resumo, modelos de linguagem são o cérebro e agentes são as mãos. Juntos, formam uma dupla poderosa.

Se agentes têm um papel tão essencial nas aplicações de IA, como lidar com a complexidade quando vários precisam trabalhar juntos? É aí que entram os frameworks de agentes.

a necessidade de um framework de agentes

A necessidade de frameworks de agentes surge da crescente complexidade das aplicações de IA, especialmente aquelas em que múltiplos agentes colaboram para atingir um objetivo comum. Veja por que esses frameworks são essenciais.   

orquestração e coordenação

À medida que os sistemas de IA escalam, costumam incorporar diversos agentes com capacidades diferentes. Gerenciar essas interações e garantir que funcionem em harmonia fica cada vez mais difícil.

Frameworks de agentes oferecem um ambiente estruturado para orquestrar as atividades dos agentes, definir papéis e responsabilidades e aprimorar a comunicação.

Em sistemas multiagentes, é crucial alocar tarefas de forma eficiente aos agentes mais adequados e gerenciar recursos compartilhados com eficiência. Frameworks de agentes fornecem mecanismos dinâmicos para alocação de tarefas, negociação de recursos e resolução de conflitos.

modularidade e reutilização

Frameworks de agentes promovem uma abordagem modular ao desenvolvimento em IA, em que os agentes são projetados e implementados como componentes independentes. Essa modularidade melhora a organização do código e permite reutilizar módulos de agentes em diversos projetos, simplificando o desenvolvimento e a manutenção de sistemas complexos. Com essa estrutura baseada em componentes, desenvolvedores de IA podem focar em agentes individuais sem impactar o sistema como um todo.

Além disso, frameworks de agentes costumam adotar uma arquitetura baseada em papéis, permitindo atribuir funções específicas aos agentes, definindo suas capacidades e permissões. Esse desenho baseado em papéis torna o sistema mais organizado e fácil de gerenciar, pois agentes podem ser adicionados, removidos ou modificados com impacto mínimo na arquitetura geral. Essa flexibilidade garante que os sistemas evoluam e se adaptem a novos requisitos sem grandes retrabalhos.

adaptabilidade e aprendizado

Ambientes reais são dinâmicos, imprevisíveis e estão em constante mudança. Frameworks de agentes equipam os agentes para perceber alterações ao redor e adaptar seus comportamentos. Essa adaptabilidade garante desempenho mesmo em cenários complexos e mutáveis, preparando-os melhor para desafios do mundo real.

Além disso, frameworks de agentes frequentemente incorporam mecanismos de aprendizado que permitem melhorar o desempenho ao longo do tempo. Ao aprender com feedback e experiências, os agentes otimizam continuamente a tomada de decisão e se adaptam a novos desafios conforme surgem. Esse aprimoramento contínuo torna os agentes mais eficazes e valiosos, contribuindo para a eficiência e o sucesso do sistema no longo prazo.

E falando em frameworks de agentes, vamos apresentar um que vem ganhando destaque na comunidade de IA: o CrewAI.

o que é o CrewAI?

CrewAI é um framework Python de código aberto construído em torno de dois blocos complementares:

• Crews — times de agentes de IA que colaboram de forma autônoma por meio de tomada de decisão baseada em papéis — e
• Flows — fluxos de trabalho prontos para produção, orientados por eventos, que dão a você controle sobre as automações.

Juntos, eles permitem construir desde um pipeline simples de pesquisa até um sistema multiagente totalmente autônomo.

Esse framework reúne uma variedade de ferramentas, incluindo buscadores da web e modelos de linguagem, permitindo que agentes interajam com o mundo externo, coletem informações e ajam para cumprir seus objetivos.

O design e a escalabilidade do CrewAI o tornam ideal para desenvolver aplicações multiagentes tanto básicas quanto complexas, incentivando um método colaborativo de enfrentar desafios e tomar decisões dentro de sistemas de IA.

Vamos ver alguns recursos essenciais que fazem do CrewAI uma ferramenta poderosa para construir sistemas multiagentes.

• Orquestração de agentes: o CrewAI garante que cada agente saiba seu papel no conjunto. Ele oferece ferramentas para definir e coordenar comportamentos, mantendo todo mundo em sincronia.
• Arquitetura baseada em papéis: como distribuir instrumentos entre músicos, o CrewAI deixa você atribuir papéis específicos aos agentes, definindo suas capacidades e permissões. Isso cria um sistema modular e bem estruturado, mesmo quando a complexidade aumenta.
• Comunicação flexível: o CrewAI suporta diversos canais de comunicação, permitindo que agentes troquem informações sem atritos. Pense nisso como ter um chat privado, uma conversa em grupo e um megafone ao mesmo tempo.
• Integração de ferramentas: o CrewAI capacita agentes a interagir com o mundo por meio de várias ferramentas. Elas permitem pesquisar na web, entender linguagem, analisar dados e executar tarefas personalizadas.
• Escalabilidade: o CrewAI foi projetado para escalar com facilidade, mantendo seu sistema multiagente responsivo e eficiente conforme cresce.

E quais benefícios o CrewAI traz na prática? Vamos aos destaques.

CrewAI Flows e Crews

O CrewAI é construído em torno de dois blocos complementares que trabalham juntos para lidar desde tarefas simples de agentes até pipelines complexos em produção.

Crews são times de agentes de IA que colaboram de forma autônoma. Cada agente em um Crew tem um papel, um objetivo e uma história definidos — e eles trabalham juntos para concluir tarefas, delegar entre si e tomar decisões sem que você precise roteirizar cada passo. Você usa um Crew quando quer que os agentes descubram como realizar algo.

Flows são a camada de orquestração acima dos Crews. Um Flow permite encadear vários Crews, adicionar lógica condicional entre etapas, gerenciar estado ao longo do pipeline e disparar ações com base em eventos. Onde um Crew oferece autonomia, um Flow oferece controle.

Para a maioria dos iniciantes, você vai começar com Crews. Só quando precisar de confiabilidade em nível de produção é que vai usar Flows. Flows são como você escala.

benefícios de usar o CrewAI

O CrewAI permite que vários agentes de IA colaborem, compartilhem conhecimento e coordenem ações rumo a um objetivo comum.

Ao automatizar a distribuição de tarefas e o gerenciamento de recursos, o CrewAI deixa os agentes focarem em seus papéis específicos com o mínimo de sobrecarga.

O framework também favorece a adaptabilidade, permitindo que agentes ajustem seu comportamento conforme mudam condições ou objetivos.

Além disso, o CrewAI simplifica o desenvolvimento com uma plataforma amigável para criar e gerenciar sistemas multiagentes.

Outro ponto forte do CrewAI é sua integração com uma ampla gama de ferramentas. Isso amplia as capacidades dos agentes, permitindo interagir com o mundo externo e coletar informações.

O CrewAI é compatível com ferramentas como buscadores da web, modelos de linguagem, ferramentas de análise de dados e até funcionalidades personalizadas. Assim, os agentes podem ir além do seu núcleo, como buscar informações na web ou executar análises de dados complexas.

mão na massa: construindo uma ferramenta de busca na web com CrewAI

Vamos colocar a mão na massa e montar um workflow usando ferramentas do CrewAI para extrair conteúdo de um site e depois aplicar RAG.

Precisamos escrever o código que fará a ferramenta funcionar. Antes de começar, vamos instalar os pacotes crewai-tools e crewai usando pip:

# Install CrewAI with tools support
pip install 'crewai[tools]'

# Or using uv (recommended by CrewAI for dependency management)
uv add 'crewai[tools]'

Depois de instalar os pacotes, siga os passos abaixo. Neste exemplo, usaremos três ferramentas: ScrapeWebsiteTool para extrair o site, FileWriterTool para gravar o arquivo e TXTSearchTool para buscar no contexto para RAG. Vamos lá.

Passo 1: extraindo um site

Primeiro importamos as bibliotecas necessárias e inicializamos a ScrapeWebsiteTool. Essa ferramenta é usada para extrair conteúdo de um site. Aqui, ela está configurada para coletar conteúdo da página "Artificial Intelligence" da Wikipedia:

from crewai_tools import ScrapeWebsiteTool, FileWriterTool, TXTSearchTool
import requests

# Initialize the tool, potentially passing the session
tool = ScrapeWebsiteTool(website_url='https://en.wikipedia.org/wiki/Artificial_intelligence')  

# Extract the text
text = tool.run()
print(text)

Passo 2: gravar o texto extraído em um arquivo

Agora usamos a FileWriterTool para salvar o texto extraído em um arquivo chamado ai.txt. 

# Initialize the tool
file_writer_tool = FileWriterTool()

# Write content to a file in a specified directory
result = file_writer_tool._run(filename='ai.txt', content = text, directory = '', overwrite=True)
print(result)

Passo 3: configurar a ferramenta de busca em texto

Configuramos outra ferramenta para pesquisar o conteúdo do arquivo ai.txt que acabamos de salvar. Também definimos a variável de ambiente para a chave da API da OpenAI.

import os
from crewai_tools import TXTSearchTool

os.environ['OPENAI_API_KEY'] = 'API-KEY'

# Initialize the tool with a specific text file, so the agent can search within the given text file's content
tool = TXTSearchTool(txt='ai.txt')

Passo 4: criar um agente para a tarefa e executá-la

Criamos um agente analista de dados com o papel de educador. A tarefa desse agente é responder à pergunta "O que é Processamento de Linguagem Natural?" com base no texto que buscamos no arquivo.

from crewai import Agent, Task, Crew

context = tool.run('What is natural language processing?')

data_analyst = Agent(
    role='Educator',
    goal=f'Based on the context provided, answer the question - What is Natural Language Processing? Context - {context}',
    backstory='You are a data expert',
    verbose=True,
    allow_delegation=False,
    tools=[tool]
)

test_task = Task(
    description="Using the provided context, answer the question: What is Natural Language Processing?",
    tools=[tool],
    agent=data_analyst,
    expected_output='A clear, 2-3 paragraph explanation of Natural Language Processing, covering its definition, key techniques, and common applications.'
)

crew = Crew(
    agents=[data_analyst],
    tasks=[test_task]
)

output = crew.kickoff()

como o CrewAI se compara ao LangGraph e ao AutoGen

As principais alternativas ao CrewAI são LangGraph e o AutoGen da Microsoft. A maior vantagem do CrewAI é seu paradigma de agentes baseados em papéis. Ou seja, ao definir agentes com papéis, objetivos e histórias, você obtém comportamentos que espelham de perto como times humanos colaboram.

O LangGraph oferece mais controle sobre o fluxo de execução por meio de uma abordagem baseada em grafos, mas exige entender grafos direcionados e conceitos de gerenciamento de estado. Para a maioria dos desenvolvedores que estão começando com sistemas multiagentes, o CrewAI é o caminho mais rápido para um protótipo funcional.

conclusão

O CrewAI oferece uma plataforma prática para gerenciar sistemas multiagentes. Seja para extrair conteúdo ou delegar tarefas, o framework apoia a colaboração entre agentes e ajuda na adaptação e melhoria contínua.

Ao integrar ferramentas e fornecer uma estrutura organizada, o CrewAI facilita para desenvolvedores gerenciar interações entre agentes, distribuir tarefas e garantir desempenho ideal.