FAQs
Perguntas frequentes sobre CrewAI Enterprise
Como a execução de tarefas é tratada no processo hierárquico?
Como a execução de tarefas é tratada no processo hierárquico?
No processo hierárquico, um agente gerente é criado automaticamente e coordena o fluxo de trabalho, delegando tarefas e validando resultados para uma execução eficiente e simplificada. O agente gerente utiliza ferramentas para facilitar a delegação e execução de tarefas por agentes sob sua orientação. O LLM do gerente é fundamental para o processo hierárquico e deve ser configurado corretamente para funcionar adequadamente.
Onde posso encontrar a documentação mais recente da CrewAI?
Onde posso encontrar a documentação mais recente da CrewAI?
A documentação mais atualizada da CrewAI está disponível em nosso site oficial de documentação: https://docs.crewai.com/
Quais as principais diferenças entre os Processos Hierárquico e Sequencial na CrewAI?
Quais as principais diferenças entre os Processos Hierárquico e Sequencial na CrewAI?
Processo Hierárquico:
- As tarefas são delegadas e executadas com base em uma cadeia de comando estruturada
- Um modelo de linguagem do gerente (
manager_llm
) deve ser especificado para o agente gerente - O agente gerente supervisiona a execução de tarefas, planejamento, delegação e validação
- As tarefas não são pré-atribuídas; o gerente aloca tarefas para os agentes com base em suas capacidades
Processo Sequencial:
- As tarefas são executadas uma após a outra, garantindo uma progressão ordenada
- O resultado de uma tarefa serve como contexto para a próxima
- A execução das tarefas segue a ordem predefinida na lista de tarefas
Qual Processo é Melhor para Projetos Complexos?
O processo hierárquico é mais adequado para projetos complexos porque permite:
- Alocação e delegação dinâmica de tarefas: O agente gerente pode atribuir tarefas de acordo com as capacidades dos agentes
- Validação e supervisão estruturadas: O agente gerente revisa os resultados das tarefas e garante a conclusão
- Gestão de tarefas complexas: Controle preciso da disponibilidade de ferramentas por agente
Quais são os benefícios do uso de memória no framework CrewAI?
Quais são os benefícios do uso de memória no framework CrewAI?
- Aprendizado adaptativo: As crews tornam-se mais eficientes ao longo do tempo, adaptando-se a novas informações e aprimorando sua abordagem às tarefas
- Personalização aprimorada: A memória permite que os agentes recordem preferências do usuário e interações anteriores, possibilitando experiências personalizadas
- Resolução aprimorada de problemas: O acesso a um repositório rico em memória auxilia os agentes a tomarem decisões mais informadas, baseando-se em aprendizados anteriores e insights contextuais
Qual é o propósito de definir um limite máximo de RPM para um agente?
Qual é o propósito de definir um limite máximo de RPM para um agente?
Definir um limite máximo de RPM para um agente evita que ele faça solicitações excessivas a serviços externos, o que pode ajudar a evitar limites de taxa e melhorar o desempenho.
Qual o papel da entrada humana na execução de tarefas dentro de uma crew da CrewAI?
Qual o papel da entrada humana na execução de tarefas dentro de uma crew da CrewAI?
A entrada humana permite que os agentes solicitem informações adicionais ou esclarecimentos quando necessário. Este recurso é fundamental em processos de tomada de decisão complexos ou quando os agentes precisam de mais detalhes para concluir uma tarefa com eficácia.
Para integrar a entrada humana na execução do agente, defina a flag human_input
na definição da tarefa. Quando habilitada, o agente solicitará a entrada do usuário antes de entregar sua resposta final. Essa entrada pode fornecer contexto extra, esclarecer ambiguidades ou validar a saída do agente.
Para orientações detalhadas de implementação, veja nosso guia Human-in-the-Loop.
Quais opções avançadas de customização estão disponíveis para aprimorar e personalizar o comportamento e as capacidades dos agentes na CrewAI?
Quais opções avançadas de customização estão disponíveis para aprimorar e personalizar o comportamento e as capacidades dos agentes na CrewAI?
A CrewAI oferece diversas opções avançadas de customização:
- Customização de Modelo de Linguagem: Os agentes podem ser personalizados com modelos de linguagem específicos (
llm
) e modelos de linguagem para chamadas de função (function_calling_llm
) - Configurações de Desempenho e Debug: Ajuste o desempenho do agente e monitore suas operações
- Modo Verbose: Habilita registros detalhados das ações do agente, útil para depuração e otimização
- Limite de RPM: Define o número máximo de solicitações por minuto (
max_rpm
) - Máximo de Iterações: O atributo
max_iter
permite definir o número máximo de iterações que um agente pode executar para uma única tarefa - Delegação e Autonomia: Controle a capacidade do agente de delegar ou fazer perguntas com o atributo
allow_delegation
(padrão: True) - Integração de Entrada Humana: Os agentes podem solicitar informações adicionais ou esclarecimentos quando necessário
Em quais cenários a entrada humana é particularmente útil na execução de agentes?
Em quais cenários a entrada humana é particularmente útil na execução de agentes?
A entrada humana é especialmente útil quando:
- Os agentes precisam de informações adicionais ou esclarecimentos: Quando se deparam com ambiguidade ou dados incompletos
- Os agentes precisam tomar decisões complexas ou sensíveis: A entrada humana pode auxiliar em decisões éticas ou de nuances
- Supervisão e validação da saída do agente: A entrada humana pode ajudar a validar resultados e prevenir erros
- Personalização do comportamento do agente: Entradas humanas podem fornecer feedback para aprimorar respostas dos agentes ao longo do tempo
- Identificação e resolução de erros ou limitações: A entrada humana auxilia a suprir lacunas de capacidade dos agentes
Quais são os diferentes tipos de memória disponíveis na crewAI?
Quais são os diferentes tipos de memória disponíveis na crewAI?
Os diferentes tipos de memória disponíveis na CrewAI são:
- Memória de curto prazo: Armazenamento temporário para contexto imediato
- Memória de longo prazo: Armazenamento persistente para padrões aprendidos e informações
- Memória de entidade: Armazenamento focado em entidades específicas e seus atributos
- Memória contextual: Memória que mantém o contexto ao longo das interações
Saiba mais sobre os diferentes tipos de memória:
Como faço para usar Output Pydantic em uma Tarefa?
Como faço para usar Output Pydantic em uma Tarefa?
Para usar Output Pydantic em uma tarefa, você precisa definir a saída esperada da tarefa como um modelo Pydantic. Veja um exemplo rápido:
Defina um modelo Pydantic
Crie uma tarefa com Output Pydantic
Defina o atributo output_pydantic no seu agente
Aqui está um tutorial de como obter saídas estruturadas de forma consistente dos seus agentes:
Como posso criar ferramentas personalizadas para meus agentes CrewAI?
Como posso criar ferramentas personalizadas para meus agentes CrewAI?
Você pode criar ferramentas personalizadas herdando da classe BaseTool
fornecida pela CrewAI ou usando o decorador de ferramenta. Herdar envolve definir uma nova classe que herda de BaseTool
, especificando o nome, a descrição e o método _run
para a lógica operacional. O decorador de ferramenta permite criar um objeto Tool
diretamente com os atributos necessários e uma lógica funcional.
Como controlar o número máximo de solicitações por minuto que toda a crew pode realizar?
Como controlar o número máximo de solicitações por minuto que toda a crew pode realizar?
O atributo max_rpm
define o número máximo de solicitações por minuto que a crew pode realizar para evitar limites de taxa, e irá sobrescrever as definições de max_rpm
dos agentes individuais se você defini-lo.