👥 CrewAI: equipes de agentes

O CrewAI e o framework de agentes mais popular do ecossistema Python em 2026, com mais de 50 mil stars no GitHub e 100 mil desenvolvedores certificados. Criado por Joao Moura, ele adota uma abordagem role-based: voce define agentes como se estivesse montando uma equipe, atribuindo cargo (role), objetivo (goal) e historia (backstory) a cada um. Essa metafora organizacional torna o CrewAI extremamente intuitivo — ate stakeholders nao-tecnicos conseguem entender a arquitetura.

O numero impressiona: mais de 1.1 bilhao de tarefas ja foram orquestradas pelo CrewAI em producao. O framework oferece suporte a execucao sequencial e paralela, integracao com dezenas de LLMs, ferramentas prontas (busca web, leitura de arquivos, APIs) e um sistema de memoria que persiste conhecimento entre execucoes. Em 2026, o CrewAI Enterprise adiciona governanca, observabilidade e deploy gerenciado para organizacoes.

No CrewAI, cada agente e definido com tres campos obrigatorios: role (o cargo — "Senior Researcher", "Technical Writer"), goal (o objetivo — "Encontrar as informacoes mais relevantes sobre o topico") e backstory (a historia — "Voce e um pesquisador com 15 anos de experiencia em IA"). Esses tres campos juntos criam um system prompt rico que guia o comportamento do LLM de forma precisa e consistente.

Alem dos tres campos core, voce pode configurar tools (ferramentas disponiveis), llm (qual modelo usar), verbose (nivel de log), allow_delegation (se pode delegar para outros agentes), max_iter (numero maximo de iteracoes) e memory (se usa memoria de longo prazo). Essa combinacao de simplicidade conceitual com flexibilidade tecnica e o que torna o CrewAI tao produtivo — voce comeca simples e vai adicionando complexidade conforme necessario.

Uma Task no CrewAI e uma unidade de trabalho com definicao clara: description (o que fazer), agent (quem faz), expected_output (como deve ser o resultado) e opcionalmente context (tarefas anteriores cujo output alimenta esta). Essa estrutura forca voce a pensar em decomposicao: em vez de "faca tudo", voce define "pesquise X", "analise Y", "escreva Z" — cada uma com responsavel e criterio de sucesso.

O sistema de delegacao do CrewAI permite que um agente passe uma subtarefa para outro agente da crew se determinar que aquele outro e mais qualificado. Quando allow_delegation=True, o agente pode autonomamente decidir delegar. Na pratica, isso cria um comportamento emergente onde a equipe se auto-organiza para resolver problemas complexos — o researcher percebe que precisa de analise tecnica e delega para o developer, que implementa e devolve o resultado.

Agentes sem ferramentas sao apenas chatbots glorificados. No CrewAI, Tools estendem as capacidades dos agentes para alem da geracao de texto: buscar na web, ler arquivos, consultar APIs, executar codigo, interagir com bancos de dados. O framework oferece dezenas de tools prontas (SerperDevTool para busca, FileReadTool para arquivos, WebsiteSearchTool com RAG) e permite criar tools customizadas com poucas linhas de codigo.

A integracao com MCP servers (Model Context Protocol) abriu um novo universo: em vez de criar tools do zero, voce conecta a MCP servers que ja expeem dezenas de capacidades. Um unico MCP server de banco de dados fornece tools para query, insert, update e delete. Um MCP server de GitHub fornece tools para criar PRs, listar issues, fazer merge. O CrewAI suporta nativamente essa integracao, tornando a conexao com servicos externos trivial.

Para projetos que vao alem de uma sequencia simples de tarefas, o CrewAI oferece Flows — um sistema de orquestracao avancada que permite definir workflows complexos com condicoes, loops, ramificacoes e composicao de crews. Com Flows, voce pode criar logica do tipo "se o resultado da pesquisa encontrar mais de 5 fontes, execute a crew de analise profunda; caso contrario, use a crew de resumo rapido".

Flows utilizam decorators Python para definir o grafo de execucao: @start() marca a funcao inicial, @listen() define que uma funcao executa quando outra termina, e @router() cria bifurcacoes condicionais. Voce pode compor multiplas Crews dentro de um Flow, criando pipelines sofisticados onde o output de uma crew alimenta a proxima. Isso permite construir sistemas reais como pipelines de CI/CD inteligentes, workflows de aprovacao e processos de negocio automatizados.

Em producao, guardrails sao essenciais para garantir que agentes se comportem dentro dos limites esperados. O CrewAI oferece guardrails de input (validar o que entra) e output (validar o que sai). Voce pode definir regras como "o output deve ser um JSON valido", "nao pode conter informacoes pessoais" ou "deve incluir pelo menos 3 referencias". Se a validacao falha, o agente e instruido a corrigir e tentar novamente.

O sistema de memoria do CrewAI opera em tres niveis: short-term memory (contexto da execucao atual), long-term memory (conhecimento que persiste entre execucoes) e entity memory (informacoes sobre entidades especificas como clientes, projetos, produtos). A memoria de longo prazo usa embeddings e vector stores para armazenar e recuperar conhecimento relevante, permitindo que a crew "aprenda" com execucoes anteriores e melhore ao longo do tempo.