Este guia explica como utilizar anotações para referenciar corretamente agentes, tarefas e outros componentes no arquivo crew.py.

​
Introdução

As anotações no framework CrewAI são utilizadas para decorar classes e métodos, fornecendo metadados e funcionalidades para diversos componentes do seu crew. Essas anotações auxiliam na organização e estruturação do seu código, tornando-o mais legível e fácil de manter.

​
Anotações Disponíveis

O framework CrewAI fornece as seguintes anotações:
  • @CrewBase: Usada para decorar a classe principal do crew.
  • @agent: Decora métodos que definem e retornam objetos Agent.
  • @task: Decora métodos que definem e retornam objetos Task.
  • @crew: Decora o método que cria e retorna o objeto Crew.
  • @llm: Decora métodos que inicializam e retornam objetos Language Model.
  • @tool: Decora métodos que inicializam e retornam objetos Tool.
  • @callback: Utilizada para definir métodos de callback.
  • @output_json: Utilizada para métodos que retornam dados em JSON.
  • @output_pydantic: Utilizada para métodos que retornam modelos Pydantic.
  • @cache_handler: Utilizada para definição de métodos de manipulação de cache.

​
Exemplos de Uso

Vamos passar por exemplos de como utilizar essas anotações:

​
1. Classe Base do Crew

@CrewBase
class LinkedinProfileCrew():
    """LinkedinProfile crew"""
    agents_config = 'config/agents.yaml'
    tasks_config = 'config/tasks.yaml'
A anotação @CrewBase é usada para decorar a classe principal do crew. Esta classe geralmente contém as configurações e métodos para criação de agentes, tarefas e do próprio crew.

​
2. Definição de Tool

@tool
def myLinkedInProfileTool(self):
    return LinkedInProfileTool()
A anotação @tool é usada para decorar métodos que retornam objetos tool. Essas ferramentas podem ser usadas por agentes para executar tarefas específicas.

​
3. Definição de LLM

@llm
def groq_llm(self):
    api_key = os.getenv('api_key')
    return ChatGroq(api_key=api_key, temperature=0, model_name="mixtral-8x7b-32768")
A anotação @llm é usada para decorar métodos que inicializam e retornam objetos Language Model. Esses LLMs são utilizados pelos agentes para tarefas de processamento de linguagem natural.

​
4. Definição de Agente

@agent
def researcher(self) -> Agent:
    return Agent(
        config=self.agents_config['researcher']
    )
A anotação @agent é usada para decorar métodos que definem e retornam objetos Agent.

​
5. Definição de Tarefa

@task
def research_task(self) -> Task:
    return Task(
        config=self.tasks_config['research_linkedin_task'],
        agent=self.researcher()
    )
A anotação @task é usada para decorar métodos que definem e retornam objetos Task. Esses métodos especificam a configuração da tarefa e o agente responsável por ela.

​
6. Criação do Crew

@crew
def crew(self) -> Crew:
    """Creates the LinkedinProfile crew"""
    return Crew(
        agents=self.agents,
        tasks=self.tasks,
        process=Process.sequential,
        verbose=True
    )
A anotação @crew é usada para decorar o método que cria e retorna o objeto Crew. Este método reúne todos os componentes (agentes e tarefas) em um crew funcional.

​
Configuração YAML

As configurações dos agentes geralmente são armazenadas em um arquivo YAML. Veja um exemplo de como o arquivo agents.yaml pode ser estruturado para o agente researcher: 
researcher:
    role: >
        LinkedIn Profile Senior Data Researcher
    goal: >
        Uncover detailed LinkedIn profiles based on provided name {name} and domain {domain}
        Generate a Dall-E image based on domain {domain}
    backstory: >
        You're a seasoned researcher with a knack for uncovering the most relevant LinkedIn profiles.
        Known for your ability to navigate LinkedIn efficiently, you excel at gathering and presenting
        professional information clearly and concisely.
    allow_delegation: False
    verbose: True
    llm: groq_llm
    tools:
        - myLinkedInProfileTool
        - mySerperDevTool
        - myDallETool
Esta configuração YAML corresponde ao agente researcher definido na classe LinkedinProfileCrew. A configuração especifica o papel do agente, objetivo, contexto e outras propriedades, como o LLM e as tools que ele utiliza. Repare como os campos llm e tools no arquivo YAML correspondem aos métodos decorados com @llm e @tool na classe Python.

​
Boas Práticas

  • Nomenclatura Consistente: Utilize nomenclatura clara e consistente para seus métodos. Por exemplo, métodos de agentes podem ser nomeados de acordo com suas funções (ex: researcher, reporting_analyst).
  • Variáveis de Ambiente: Utilize variáveis de ambiente para informações sensíveis como chaves de API.
  • Flexibilidade: Estruture seu crew de forma flexível, permitindo fácil adição ou remoção de agentes e tarefas.
  • Correspondência YAML-Código: Assegure que os nomes e estruturas nos arquivos YAML correspondam corretamente aos métodos decorados em seu código Python.
Seguindo essas orientações e utilizando corretamente as anotações, você conseguirá criar crews bem estruturados e de fácil manutenção utilizando o framework CrewAI.