Pular para o conteúdo principal
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.
A documentação mais atualizada da CrewAI está disponível em nosso site oficial de documentação: https://docs.crewai.com/

CrewAI Docs

​
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
  • 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
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.
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.
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
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
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:

CrewAI Memory
Para usar Output Pydantic em uma tarefa, você precisa definir a saída esperada da tarefa como um modelo Pydantic. Veja um exemplo rápido:
1

Defina um modelo Pydantic

from pydantic import BaseModel

class User(BaseModel):
    name: str
    age: int
2

Crie uma tarefa com Output Pydantic

from crewai import Task, Crew, Agent
from my_models import User

task = Task(
    description="Create a user with the provided name and age",
    expected_output=User,  # This is the Pydantic model
    agent=agent,
    tools=[tool1, tool2]
)
3

Defina o atributo output_pydantic no seu agente

from crewai import Agent
from my_models import User

agent = Agent(
    role='User Creator',
    goal='Create users',
    backstory='I am skilled in creating user accounts',
    tools=[tool1, tool2],
    output_pydantic=User
)
Aqui está um tutorial de como obter saídas estruturadas de forma consistente dos seus agentes:
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.

CrewAI Tools Guide
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.