Introdução

LangDB AI Gateway fornece APIs compatíveis com OpenAI para conectar com múltiplos Modelos de Linguagem Grandes e serve como uma plataforma de observabilidade que torna effortless rastrear fluxos de trabalho CrewAI de ponta a ponta, proporcionando acesso a mais de 350 modelos de linguagem. Com uma única chamada init(), todas as interações de agentes, execuções de tarefas e chamadas LLM são capturadas, fornecendo observabilidade abrangente e infraestrutura de IA pronta para produção para suas aplicações.
Exemplo de rastreamento CrewAI LangDB

Exemplo de Rastreamento CrewAI LangDB

Confira: Ver o exemplo de trace ao vivo

Recursos

Capacidades do AI Gateway

  • Acesso a mais de 350 LLMs: Conecte-se a todos os principais modelos de linguagem através de uma única integração
  • Modelos Virtuais: Crie configurações de modelo personalizadas com parâmetros específicos e regras de roteamento
  • MCP Virtual: Habilite compatibilidade e integração com sistemas MCP (Model Context Protocol) para comunicação aprimorada de agentes
  • Guardrails: Implemente medidas de segurança e controles de conformidade para comportamento de agentes

Observabilidade e Rastreamento

  • Rastreamento Automático: Uma única chamada init() captura todas as interações CrewAI
  • Visibilidade Ponta a Ponta: Monitore fluxos de trabalho de agentes do início ao fim
  • Rastreamento de Uso de Ferramentas: Rastreie quais ferramentas os agentes usam e seus resultados
  • Monitoramento de Chamadas de Modelo: Insights detalhados sobre interações LLM
  • Análise de Performance: Monitore latência, uso de tokens e custos
  • Suporte a Depuração: Execução passo a passo para solução de problemas
  • Monitoramento em Tempo Real: Dashboard de traces e métricas ao vivo

Instruções de Configuração

1

Instalar LangDB

Instale o cliente LangDB com flag de recurso CrewAI:
pip install 'pylangdb[crewai]'
2

Definir Variáveis de Ambiente

Configure suas credenciais LangDB:
export LANGDB_API_KEY="<sua_chave_api_langdb>"
export LANGDB_PROJECT_ID="<seu_id_projeto_langdb>"
export LANGDB_API_BASE_URL='https://api.us-east-1.langdb.ai'
3

Inicializar Rastreamento

Importe e inicialize LangDB antes de configurar seu código CrewAI:
from pylangdb.crewai import init
# Inicializar LangDB
init()
4

Configurar CrewAI com LangDB

Configure seu LLM com cabeçalhos LangDB:
from crewai import Agent, Task, Crew, LLM
import os

# Configurar LLM com cabeçalhos LangDB
llm = LLM(
    model="openai/gpt-4o", # Substitua pelo modelo que você quer usar
    api_key=os.getenv("LANGDB_API_KEY"),
    base_url=os.getenv("LANGDB_API_BASE_URL"),
    extra_headers={"x-project-id": os.getenv("LANGDB_PROJECT_ID")}
)

Exemplo de Início Rápido

Aqui está um exemplo simples para começar com LangDB e CrewAI:
import os
from pylangdb.crewai import init
from crewai import Agent, Task, Crew, LLM

# Inicializar LangDB antes de qualquer importação CrewAI
init()

def create_llm(model):
    return LLM(
        model=model,
        api_key=os.environ.get("LANGDB_API_KEY"),
        base_url=os.environ.get("LANGDB_API_BASE_URL"),
        extra_headers={"x-project-id": os.environ.get("LANGDB_PROJECT_ID")}
    )

# Defina seu agente
researcher = Agent(
    role="Especialista em Pesquisa",
    goal="Pesquisar tópicos minuciosamente",
    backstory="Pesquisador especialista com habilidades em encontrar informações",
    llm=create_llm("openai/gpt-4o"), # Substitua pelo modelo que você quer usar
    verbose=True
)

# Criar uma tarefa
task = Task(
    description="Pesquise o tópico dado e forneça um resumo abrangente",
    agent=researcher,
    expected_output="Resumo de pesquisa detalhado com principais descobertas"
)

# Criar e executar a equipe
crew = Crew(agents=[researcher], tasks=[task])
result = crew.kickoff()
print(result)

Exemplo Completo: Agente de Pesquisa e Planejamento

Este exemplo abrangente demonstra um fluxo de trabalho multi-agente com capacidades de pesquisa e planejamento.

Pré-requisitos

pip install crewai 'pylangdb[crewai]' crewai_tools setuptools python-dotenv

Configuração do Ambiente

# Credenciais LangDB
export LANGDB_API_KEY="<sua_chave_api_langdb>"
export LANGDB_PROJECT_ID="<seu_id_projeto_langdb>"
export LANGDB_API_BASE_URL='https://api.us-east-1.langdb.ai'

# Chaves API adicionais (opcional)
export SERPER_API_KEY="<sua_chave_api_serper>"  # Para capacidades de busca na web

Implementação Completa

#!/usr/bin/env python3

import os
import sys
from pylangdb.crewai import init
init()  # Inicializar LangDB antes de qualquer importação CrewAI
from dotenv import load_dotenv
from crewai import Agent, Task, Crew, Process, LLM
from crewai_tools import SerperDevTool

load_dotenv()

def create_llm(model):
    return LLM(
        model=model,
        api_key=os.environ.get("LANGDB_API_KEY"),
        base_url=os.environ.get("LANGDB_API_BASE_URL"),
        extra_headers={"x-project-id": os.environ.get("LANGDB_PROJECT_ID")}
    )

class ResearchPlanningCrew:
    def researcher(self) -> Agent:
        return Agent(
            role="Especialista em Pesquisa",
            goal="Pesquisar tópicos minuciosamente e compilar informações abrangentes",
            backstory="Pesquisador especialista com habilidades em encontrar e analisar informações de várias fontes",
            tools=[SerperDevTool()],
            llm=create_llm("openai/gpt-4o"),
            verbose=True
        )
    
    def planner(self) -> Agent:
        return Agent(
            role="Planejador Estratégico",
            goal="Criar planos acionáveis baseados em descobertas de pesquisa",
            backstory="Planejador estratégico que divide desafios complexos em planos executáveis",
            reasoning=True,
            max_reasoning_attempts=3,
            llm=create_llm("openai/anthropic/claude-3.7-sonnet"),
            verbose=True
        )
    
    def research_task(self) -> Task:
        return Task(
            description="Pesquise o tópico minuciosamente e compile informações abrangentes",
            agent=self.researcher(),
            expected_output="Relatório de pesquisa abrangente com principais descobertas e insights"
        )
    
    def planning_task(self) -> Task:
        return Task(
            description="Crie um plano estratégico baseado nas descobertas da pesquisa",
            agent=self.planner(),
            expected_output="Plano de execução estratégica com fases, objetivos e etapas acionáveis",
            context=[self.research_task()]
        )
    
    def crew(self) -> Crew:
        return Crew(
            agents=[self.researcher(), self.planner()],
            tasks=[self.research_task(), self.planning_task()],
            verbose=True,
            process=Process.sequential
        )

def main():
        topic = sys.argv[1] if len(sys.argv) > 1 else "Inteligência Artificial na Saúde"
        
        crew_instance = ResearchPlanningCrew()
        
        # Atualizar descrições de tarefas com o tópico específico
        crew_instance.research_task().description = f"Pesquise {topic} minuciosamente e compile informações abrangentes"
    crew_instance.planning_task().description = f"Crie um plano estratégico para {topic} baseado nas descobertas da pesquisa"
    
    result = crew_instance.crew().kickoff()
    print(result)

if __name__ == "__main__":
    main()

Executando o Exemplo

python main.py "Soluções de Energia Sustentável"

Visualizando Traces no LangDB

Após executar sua aplicação CrewAI, você pode visualizar traces detalhados no dashboard LangDB:
Dashboard de trace LangDB mostrando fluxo de trabalho CrewAI

Dashboard de Trace LangDB

O Que Você Verá

  • Interações de Agentes: Fluxo completo de conversas de agentes e transferências de tarefas
  • Uso de Ferramentas: Quais ferramentas foram chamadas, suas entradas e saídas
  • Chamadas de Modelo: Interações LLM detalhadas com prompts e respostas
  • Métricas de Performance: Rastreamento de latência, uso de tokens e custos
  • Linha do Tempo de Execução: Visualização passo a passo de todo o fluxo de trabalho

Solução de Problemas

Problemas Comuns

  • Nenhum trace aparecendo: Certifique-se de que init() seja chamado antes de qualquer importação CrewAI
  • Erros de autenticação: Verifique sua chave API LangDB e ID do projeto

Recursos

Próximos Passos

Este guia cobriu o básico da integração do LangDB AI Gateway com CrewAI. Para aprimorar ainda mais seus fluxos de trabalho de IA, explore:
  • Modelos Virtuais: Crie configurações de modelo personalizadas com estratégias de roteamento
  • Guardrails e Segurança: Implemente filtragem de conteúdo e controles de conformidade
  • Implantação em Produção: Configure fallbacks, tentativas e balanceamento de carga
Para recursos mais avançados e casos de uso, visite a Documentação LangDB ou explore o Catálogo de Modelos para descobrir todos os modelos disponíveis.