> ## Documentation Index
> Fetch the complete documentation index at: https://docs.crewai.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Integração LangDB

> Governe, proteja e otimize seus fluxos de trabalho CrewAI com LangDB AI Gateway—acesse mais de 350 modelos, roteamento automático, otimização de custos e observabilidade completa.

# Introdução

[LangDB AI Gateway](https://langdb.ai) 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](https://mintcdn.com/crewai/qVjgZHKAyEOgSSUS/images/langdb-1.png?fit=max\&auto=format\&n=qVjgZHKAyEOgSSUS\&q=85\&s=6303d15055c19a7a6ec9d0c664f15c9f)

Exemplo de Rastreamento CrewAI LangDB

**Confira:** [Ver o exemplo de trace ao vivo](https://app.langdb.ai/sharing/threads/3becbfed-a1be-ae84-ea3c-4942867a3e22)

## 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:

```bash theme={null}
pip install 'pylangdb[crewai]'
```

**2. Definir Variáveis de Ambiente**

Configure suas credenciais LangDB:

```bash theme={null}
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:

```python theme={null}
from pylangdb.crewai import init
# Inicializar LangDB
init()
```

**4. Configurar CrewAI com LangDB**

Configure seu LLM com cabeçalhos LangDB:

```python theme={null}
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:

```python theme={null}
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

```bash theme={null}
pip install crewai 'pylangdb[crewai]' crewai_tools setuptools python-dotenv
```

### Configuração do Ambiente

```bash theme={null}
# 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

```python theme={null}
#!/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

```bash theme={null}
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](https://mintcdn.com/crewai/qVjgZHKAyEOgSSUS/images/langdb-2.png?fit=max\&auto=format\&n=qVjgZHKAyEOgSSUS\&q=85\&s=74a88afefce3f84fb6f9482a1790b413)

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

> **[Documentação LangDB](https://docs.langdb.ai)**
>
> Documentação oficial e guias LangDB

> **[Guias LangDB](https://docs.langdb.ai/guides)**
>
> Tutoriais passo a passo para construir agentes de IA

> **[Exemplos GitHub](https://github.com/langdb/langdb-samples/tree/main/examples/crewai)**
>
> Exemplos completos de integração CrewAI

> **[Dashboard LangDB](https://app.langdb.ai)**
>
> Acesse seus traces e análises

> **[Catálogo de Modelos](https://app.langdb.ai/models)**
>
> Navegue por mais de 350 modelos de linguagem disponíveis

> **[Recursos Enterprise](https://docs.langdb.ai/enterprise)**
>
> Opções auto-hospedadas e capacidades empresariais

## 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](https://docs.langdb.ai) ou explore o [Catálogo de Modelos](https://app.langdb.ai/models) para descobrir todos os modelos disponíveis.


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.