> ## 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 OpenLIT

> Comece a monitorar seus Agentes rapidamente com apenas uma linha de código usando OpenTelemetry.

# Visão Geral do OpenLIT

[OpenLIT](https://github.com/openlit/openlit?src=crewai-docs) é uma ferramenta open-source que simplifica o monitoramento de desempenho de agentes de IA, LLMs, VectorDBs e GPUs com apenas **uma** linha de código.

Ela oferece rastreamento e métricas nativos do OpenTelemetry para acompanhar parâmetros importantes como custo, latência, interações e sequências de tarefas.
Essa configuração permite acompanhar hiperparâmetros e monitorar problemas de desempenho, ajudando a encontrar formas de aprimorar e refinar seus agentes com o tempo.

![Visão geral do uso de agentes, incluindo custo e tokens](https://mintcdn.com/crewai/qVjgZHKAyEOgSSUS/images/openlit1.png?fit=max\&auto=format\&n=qVjgZHKAyEOgSSUS\&q=85\&s=2b7fe9d84e9ec2b33c5eae6fa5668bee)

![Visão geral dos rastreamentos e métricas otel do agente](https://mintcdn.com/crewai/qVjgZHKAyEOgSSUS/images/openlit2.png?fit=max\&auto=format\&n=qVjgZHKAyEOgSSUS\&q=85\&s=74bb57f622b6eeb67fd33d93d682df26)

![Visão detalhada dos rastreamentos do agente](https://mintcdn.com/crewai/qVjgZHKAyEOgSSUS/images/openlit3.png?fit=max\&auto=format\&n=qVjgZHKAyEOgSSUS\&q=85\&s=734cbc0c8fee538986d74b063c20cef6)

Painel do OpenLIT

### Funcionalidades

* **Painel Analítico**: Monitore a saúde e desempenho dos seus Agentes com dashboards detalhados que acompanham métricas, custos e interações dos usuários.
* **SDK de Observabilidade Nativo OpenTelemetry**: SDKs neutros de fornecedor para enviar rastreamentos e métricas para suas ferramentas de observabilidade existentes como Grafana, DataDog e outros.
* **Rastreamento de Custos para Modelos Customizados e Ajustados**: Adapte estimativas de custo para modelos específicos usando arquivos de precificação customizados para orçamentos precisos.
* **Painel de Monitoramento de Exceções**: Identifique e solucione rapidamente problemas ao rastrear exceções comuns e erros por meio de um painel de monitoramento.
* **Conformidade e Segurança**: Detecte ameaças potenciais como profanidade e vazamento de dados sensíveis (PII).
* **Detecção de Prompt Injection**: Identifique possíveis injeções de código e vazamentos de segredos.
* **Gerenciamento de Chaves de API e Segredos**: Gerencie suas chaves de API e segredos do LLM de forma centralizada e segura, evitando práticas inseguras.
* **Gerenciamento de Prompt**: Gerencie e versiona prompts de Agente usando o PromptHub para acesso consistente e fácil entre os agentes.
* **Model Playground** Teste e compare diferentes modelos para seus agentes CrewAI antes da implantação.

## Instruções de Configuração

**1. Implantar o OpenLIT**

**1. Clonar o Repositório do OpenLIT**

```shell theme={null}
git clone git@github.com:openlit/openlit.git
```

**2. Iniciar o Docker Compose**

A partir do diretório raiz do [Repositório OpenLIT](https://github.com/openlit/openlit), execute o comando abaixo:

```shell theme={null}
docker compose up -d
```

**2. Instalar o SDK OpenLIT**

```shell theme={null}
pip install openlit
```

**3. Inicializar o OpenLIT em Sua Aplicação**

Adicione as duas linhas abaixo ao seu código de aplicação:

**Configuração usando argumentos de função**

```python theme={null}
import openlit
openlit.init(otlp_endpoint="http://127.0.0.1:4318")
```

Exemplo de uso para monitoramento de um Agente CrewAI:

```python theme={null}
from crewai import Agent, Task, Crew, Process
import openlit

openlit.init(disable_metrics=True)
# Definir seus agentes
pesquisador = Agent(
    role="Pesquisador",
    goal="Realizar pesquisas e análises aprofundadas sobre IA e agentes de IA",
    backstory="Você é um pesquisador especialista em tecnologia, engenharia de software, IA e startups. Trabalha como freelancer e está atualmente pesquisando para um novo cliente.",
    allow_delegation=False,
    llm='command-r'
)


# Definir sua task
task = Task(
    description="Gere uma lista com 5 ideias interessantes para um artigo e escreva um parágrafo cativante para cada ideia, mostrando o potencial de um artigo completo sobre o tema. Retorne a lista de ideias com seus parágrafos e suas anotações.",
    expected_output="5 tópicos, cada um com um parágrafo e notas complementares.",
)

# Definir o agente gerente
gerente = Agent(
    role="Gerente de Projeto",
    goal="Gerenciar eficientemente a equipe e garantir a conclusão de tarefas de alta qualidade",
    backstory="Você é um gerente de projetos experiente, habilidoso em supervisionar projetos complexos e guiar equipes para o sucesso. Sua função é coordenar os esforços dos membros da equipe, garantindo que cada tarefa seja concluída no prazo e com o mais alto padrão.",
    allow_delegation=True,
    llm='command-r'
)

# Instanciar sua crew com um manager personalizado
crew = Crew(
    agents=[pesquisador],
    tasks=[task],
    manager_agent=gerente,
    process=Process.hierarchical,
)

# Iniciar o trabalho da crew
result = crew.kickoff()

print(result)
```

**Configuração usando Variáveis de Ambiente**

Adicione as duas linhas abaixo ao seu código de aplicação:

```python theme={null}
import openlit

openlit.init()
```

Execute o seguinte comando para configurar o endpoint de exportação OTEL:

```shell theme={null}
export OTEL_EXPORTER_OTLP_ENDPOINT = "http://127.0.0.1:4318"
```

Exemplo de uso para monitoramento de um Agente CrewAI Async:

```python theme={null}
import asyncio
from crewai import Crew, Agent, Task
import openlit

openlit.init(otlp_endpoint="http://127.0.0.1:4318")

# Criar um agente com execução de código habilitada
coding_agent = Agent(
  role="Analista de Dados Python",
  goal="Analisar dados e fornecer insights usando Python",
  backstory="Você é um analista de dados experiente com fortes habilidades em Python.",
  allow_code_execution=True,
  llm="command-r"
)

# Criar uma task que exige execução de código
data_analysis_task = Task(
  description="Analise o conjunto de dados fornecido e calcule a idade média dos participantes. Idades: {ages}",
  agent=coding_agent,
  expected_output="5 tópicos, cada um com um parágrafo e notas complementares.",
)

# Criar uma crew e adicionar a task
analysis_crew = Crew(
  agents=[coding_agent],
  tasks=[data_analysis_task]
)

# Função async para iniciar a crew de forma assíncrona
async def async_crew_execution():
    result = await analysis_crew.kickoff_async(inputs={"ages": [25, 30, 35, 40, 45]})
    print("Crew Result:", result)

# Executar a função async
asyncio.run(async_crew_execution())
```

Consulte o [repositório do SDK Python do OpenLIT](https://github.com/openlit/openlit/tree/main/sdk/python) para configurações e casos de uso avançados.

**4. Visualizar e Analisar**

Com os dados de Observabilidade dos Agentes agora sendo coletados e enviados ao OpenLIT, o próximo passo é visualizar e analisar esses dados para obter insights sobre o desempenho, comportamento e identificar oportunidades de melhoria dos seus Agentes.

Basta acessar o OpenLIT em `127.0.0.1:3000` no seu navegador para começar a explorar. Você pode fazer login usando as credenciais padrão

* **Email**: `user@openlit.io`
* **Senha**: `openlituser`

![Visão geral do uso de agentes, incluindo custo e tokens](https://mintcdn.com/crewai/qVjgZHKAyEOgSSUS/images/openlit1.png?fit=max\&auto=format\&n=qVjgZHKAyEOgSSUS\&q=85\&s=2b7fe9d84e9ec2b33c5eae6fa5668bee)

![Visão geral dos rastreamentos e métricas otel do agente](https://mintcdn.com/crewai/qVjgZHKAyEOgSSUS/images/openlit2.png?fit=max\&auto=format\&n=qVjgZHKAyEOgSSUS\&q=85\&s=74bb57f622b6eeb67fd33d93d682df26)

Painel do OpenLIT


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