CrewAI

Definição

CrewAI é um framework Python de código aberto para orquestrar sistemas multi-agente baseados em papéis. Cada agente em uma crew é definido por três coisas: um papel (o que o agente faz, por exemplo "Pesquisador Sênior"), um objetivo (o que o agente está tentando alcançar, por exemplo "Encontrar informações precisas e atualizadas") e uma backstory (uma descrição de persona que molda o comportamento e o tom do agente). Essa estrutura torna o comportamento do agente intuitivo de especificar e fácil de entender — reflete como você integraria um membro humano da equipe.

As tarefas no CrewAI são unidades discretas de trabalho atribuídas a agentes. Uma tarefa tem uma descrição, saída esperada e opcionalmente contexto de tarefas anteriores. As tarefas são agrupadas em uma Crew, que define o processo de execução: sequencial (as tarefas são executadas uma após a outra, com a saída de cada uma alimentando a próxima) ou hierárquico (um agente gerente delega e coordena tarefas entre os trabalhadores). Esse modelo declarativo abstrai o loop de passagem de mensagens, permitindo que os desenvolvedores se concentrem no que precisa ser feito em vez de como os agentes se comunicam.

O CrewAI tem integração de ferramentas embutida, suportando ferramentas LangChain, funções Python personalizadas decoradas com @tool e uma biblioteca crescente de ferramentas embutidas (pesquisa na web, E/S de arquivos, execução de código). Os agentes também podem receber memória (de curto prazo, longo prazo, memória de entidades) para manter contexto entre execuções de tarefas e execuções da crew.

Como funciona

Agentes: papéis, objetivos e backstories

Um agente é a unidade fundamental de trabalho no CrewAI. Você instancia um Agent com um papel, objetivo e backstory, além de ferramentas opcionais e uma substituição de LLM. A backstory prepara o prompt do sistema do agente, dando-lhe uma persona consistente em todas as interações de tarefas. Os agentes podem ser configurados com verbose=True para expor seus passos de raciocínio interno. Cada agente opera independentemente dentro da camada de orquestração da crew, recebendo tarefas do gerenciador de processo e retornando saídas estruturadas. A memória do agente (quando habilitada) persiste observações entre tarefas, o que é crítico para fluxos de trabalho longos de pesquisa ou análise.

Tarefas: descrições, saídas esperadas e contexto

Um objeto Task descreve o que um agente deve fazer, como é uma boa saída e qual agente deve executá-la. As tarefas podem declarar dependências de context em outras tarefas, fazendo com que suas saídas sejam automaticamente injetadas como contexto. As descrições de saída esperada orientam o LLM a produzir resultados estruturados e utilizáveis. As tarefas suportam formatos de saída: texto simples, JSON via modelos Pydantic ou saídas de arquivo. Ao usar um processo hierárquico, o agente gerente usa as descrições de tarefas para decidir a atribuição e o sequenciamento dinamicamente, sem exigir que o desenvolvedor codifique dependências.

Processos: sequencial e hierárquico

O objeto Crew une agentes e tarefas e especifica um Process. Em Process.sequential, as tarefas são executadas na ordem da lista, com a saída de cada tarefa passada para a próxima. Em Process.hierarchical, um LLM gerente é automaticamente instanciado para decompor objetivos, atribuir trabalho e revisar resultados — habilitando coordenação emergente sem fiação explícita. Sequencial é previsível e fácil de testar; hierárquico é mais flexível, mas menos determinístico. Escolher entre eles depende de se seu fluxo de trabalho tem um DAG fixo (sequencial) ou precisa de alocação dinâmica de tarefas (hierárquico).

Integração de ferramentas embutida

O CrewAI vem com um decorador @tool compatível com ferramentas LangChain, facilitando equipar agentes com pesquisa na web (SerperDev, DuckDuckGo), execução de código, leitura/escrita de arquivos e chamadas de API personalizadas. As ferramentas são registradas por agente, então o agente pesquisador pode ter ferramentas de busca enquanto o agente escritor tem ferramentas de arquivo. As descrições das ferramentas são incluídas no prompt do agente, e o framework cuida do loop de chamada de ferramentas de forma transparente. Para uso em produção, o pacote CrewAI Tools fornece um conjunto curado de integrações pré-construídas.

Quando usar / Quando NÃO usar

Usar quando	Evitar quando
Seu problema se mapeia naturalmente para papéis humanos distintos (pesquisador, escritor, revisor)	Você precisa de um agente único com ferramentas — a sobrecarga do CrewAI é desnecessária
Você quer uma API declarativa e de alto nível que oculta a complexidade de passagem de mensagens	Você precisa de controle preciso sobre cada mensagem trocada entre agentes
Você está construindo pipelines de conteúdo, fluxos de trabalho de pesquisa ou sistemas de análise	Seu fluxo de trabalho requer ramificação condicional complexa ou ciclos não suportados por sequencial/hierárquico
Você quer memória embutida e integração de ferramentas com configuração mínima	A latência em tempo real é crítica — execuções sequenciais multi-agente adicionam sobrecarga
Sua equipe não é especialista em frameworks de agentes e precisa de uma API intuitiva	Você precisa de observabilidade detalhada de cada interação de agente no nível do grafo

Comparações

Critério	CrewAI	AutoGen	LangGraph
Nível de abstração	Alto: papéis declarativos, objetivos, tarefas	Médio: agentes conversacionais com API baseada em mensagens	Baixo: nós e arestas explícitos do grafo
Modelo multi-agente	Crew baseada em papéis com processos sequenciais ou hierárquicos	Pares de agentes orientados a conversas ou group chats	Subgrafos; grafo único com estado e múltiplos nós por agente
Gerenciamento de estado	Implícito: passado via contexto de tarefa e memória da crew	Implícito: histórico de mensagens	Explícito: estado TypedDict compartilhado entre todos os nós
Facilidade de configuração	Muito fácil: 10-20 linhas para uma crew multi-agente funcionando	Moderada: requer compreensão dos tipos de agentes e padrões de iniciação	Mais difícil: requer modelo mental de construção de grafos
Fluxos condicionais/cíclicos	Limitado: sequencial é linear, hierárquico é opaco	Limitado: depende das respostas dos agentes	Primeira classe: arestas condicionais e ciclos são a funcionalidade central

Exemplos de código

import os
from crewai import Agent, Task, Crew, Process
from crewai_tools import SerperDevTool

# --- Tool setup ---
# Requires SERPER_API_KEY environment variable for web search
search_tool = SerperDevTool()

# --- Agent definitions ---
# Each agent has a role, a goal that guides its behavior, and a backstory
# that sets its persona. Tools are assigned per-agent.

researcher = Agent(
    role="Senior AI Research Analyst",
    goal="Uncover the latest developments and practical applications of AI agent frameworks",
    backstory=(
        "You are an expert AI researcher with 10 years of experience evaluating "
        "LLM frameworks. You excel at finding accurate, up-to-date information "
        "and synthesizing it into clear technical summaries."
    ),
    tools=[search_tool],
    verbose=True,  # shows reasoning steps
    allow_delegation=False,
)

writer = Agent(
    role="Technical Content Writer",
    goal="Transform technical research into clear, engaging documentation",
    backstory=(
        "You are a seasoned technical writer who specializes in AI and machine learning. "
        "You turn dense research into accessible content without losing precision."
    ),
    tools=[],  # writer does not need search tools
    verbose=True,
)

reviewer = Agent(
    role="Editorial Reviewer",
    goal="Ensure accuracy, clarity, and completeness of technical content",
    backstory=(
        "You are a detail-oriented editor with a background in computer science. "
        "You catch technical inaccuracies, improve clarity, and verify all claims."
    ),
    verbose=True,
)

# --- Task definitions ---
# Tasks describe what to do, what output to expect, and which agent executes them.
# Context dependencies are declared explicitly.

research_task = Task(
    description=(
        "Research the current state of AI agent frameworks in 2024-2025. "
        "Focus on CrewAI, AutoGen, LangGraph, and Anthropic Tool Use. "
        "Cover: architecture, use cases, community size, and key differentiators."
    ),
    expected_output=(
        "A structured research report with sections for each framework, "
        "covering architecture, strengths, weaknesses, and best use cases. "
        "Include specific version numbers and recent updates where available."
    ),
    agent=researcher,
)

writing_task = Task(
    description=(
        "Using the research report, write a 500-word technical blog post comparing "
        "the four agent frameworks. Target audience: senior software engineers "
        "who are evaluating frameworks for production use."
    ),
    expected_output=(
        "A well-structured blog post with an introduction, per-framework sections, "
        "a comparison table, and a recommendation section. "
        "Use clear headings and avoid jargon where possible."
    ),
    agent=writer,
    context=[research_task],  # injects research_task output as context
)

review_task = Task(
    description=(
        "Review the blog post for technical accuracy, clarity, and completeness. "
        "Fix any errors and improve readability without changing the core content."
    ),
    expected_output=(
        "A polished, publication-ready blog post with all inaccuracies corrected "
        "and prose improved. Return the full revised text."
    ),
    agent=reviewer,
    context=[writing_task],
)

# --- Crew assembly ---
# Process.sequential runs tasks in order, passing outputs as context.
# Switch to Process.hierarchical for dynamic task allocation by a manager LLM.

crew = Crew(
    agents=[researcher, writer, reviewer],
    tasks=[research_task, writing_task, review_task],
    process=Process.sequential,
    verbose=True,
)

# --- Execution ---
result = crew.kickoff(inputs={"topic": "AI agent frameworks comparison 2025"})
print(result.raw)

Recursos práticos

• Documentação oficial do CrewAI — Referência completa cobrindo agentes, tarefas, crews, processos, ferramentas e configuração de memória.
• Repositório GitHub do CrewAI — Código-fonte, exemplos e rastreador de issues do framework de código aberto.
• Documentação de ferramentas do CrewAI — Integrações de ferramentas pré-construídas: pesquisa na web, E/S de arquivos, execução de código e criação de ferramentas personalizadas.
• Guia de integração CrewAI + LangChain — Como configurar diferentes provedores de LLM incluindo OpenAI, Anthropic e modelos locais.

Veja também

• Visão geral dos frameworks de agentes
• AutoGen
• LangGraph
• Sistemas multi-agente
• Agentes de IA