Crie uma Crew de Pesquisa
Neste guia, você criará uma crew com dois agentes que pesquisa um tópico e escreve um relatório em markdown. Novos projetos de crew são JSON-first: agentes ficam em agents/*.jsonc, tarefas e configurações ficam em crew.jsonc, e crewai run carrega essa definição diretamente.
Pré-requisitos
Antes de começar:
- Instale o CrewAI seguindo o guia de instalação
- Configure sua chave de LLM seguindo o guia de LLMs
- Tenha uma chave Serper.dev se quiser usar busca web
Etapa 1: Criar uma nova Crew
crewai create crew research_crew
cd research_crew
research_crew/
├── .gitignore
├── .env
├── agents/
│ └── researcher.jsonc
├── crew.jsonc
├── knowledge/
├── pyproject.toml
├── README.md
├── skills/
└── tools/
Precisa do layout antigo com crew.py, config/agents.yaml e config/tasks.yaml? Use crewai create crew research_crew --classic.
Etapa 2: Definir os agentes
Substitua o arquivo gerado agents/researcher.jsonc e adicione agents/analyst.jsonc. Os nomes dos arquivos são os nomes referenciados em crew.jsonc.
{
"role": "Senior Research Specialist for {topic}",
"goal": "Find comprehensive and accurate information about {topic}, with a focus on recent developments and key insights.",
"backstory": "You are an experienced research specialist who organizes complex information into clear, useful notes.",
// Substitua pelo seu modelo, por exemplo "openai/gpt-4o".
"llm": "provider/model-id",
"tools": ["SerperDevTool"],
"settings": {
"verbose": true,
"allow_delegation": false
}
}
{
"role": "Report Analyst for {topic}",
"goal": "Turn research findings into a clear, well-structured report.",
"backstory": "You are a careful analyst with strong technical writing skills and a talent for extracting useful insights.",
// Substitua pelo seu modelo, por exemplo "openai/gpt-4o".
"llm": "provider/model-id",
"settings": {
"verbose": true,
"allow_delegation": false
}
}
provider/model-id pelo modelo usado, como openai/gpt-4o, anthropic/claude-sonnet-4-6 ou gemini/gemini-2.0-flash-001.
Etapa 3: Definir tarefas e configurações
Substitua crew.jsonc por:
{
"name": "Research Crew",
"agents": ["researcher", "analyst"],
"tasks": [
{
"name": "research_task",
"description": "Conduct thorough research on {topic}. Focus on key concepts, recent developments, major challenges, notable applications, and future outlook.",
"expected_output": "A comprehensive research document with organized sections, specific facts, and useful examples about {topic}.",
"agent": "researcher"
},
{
"name": "analysis_task",
"description": "Analyze the research findings and create a polished report on {topic}. Include an executive summary, key insights, trend analysis, and recommendations.",
"expected_output": "A professional markdown report with clear headings, a concise summary, main findings, and recommendations.",
"agent": "analyst",
"context": ["research_task"],
"output_file": "output/report.md",
"markdown": true
}
],
"process": "sequential",
"verbose": true,
"memory": true,
"inputs": {
"topic": "Artificial Intelligence in Healthcare"
}
}
context aponta para tarefas anteriores, então o analista recebe a saída da pesquisa. inputs define valores padrão para {topic}; se um valor faltar, crewai run perguntará no terminal.
Etapa 4: Variáveis de ambiente
Edite .env:
SERPER_API_KEY=your_serper_api_key
# Adicione também a chave do seu provedor de modelo.
Etapa 5: Instalar e executar
crewai install
crewai run
output/report.md.
Execute projetos JSON crew apenas de fontes confiáveis. Ferramentas custom:<name> e referências {"python": "module.attribute"} executam Python local ao carregar a crew.
Você criou uma crew JSON-first funcional que pesquisa um tópico e escreve um relatório.
