Começando
Funcionalidades
Documentação de Integração
- Integração com Asana
- Integração com Box
- Integração com ClickUp
- Integração com GitHub
- Integração com Gmail
- Integração com Google Calendar
- Integração com Google Sheets
- Integração com HubSpot
- Integração com Jira
- Integração com o Linear
- Integração com o Notion
- Integração com Salesforce
- Integração com Shopify
- Integração com Slack
- Integração Stripe
- Integração com Zendesk
Guias
Recursos
FAQs
Perguntas frequentes sobre CrewAI Enterprise
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/
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:
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
from pydantic import BaseModel
class User(BaseModel):
name: str
age: int
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]
)
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.
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.
Esta página foi útil?