CrewAI: Monte um Time de Agents de IA em 30 Minutos

Imagem: Pexels
CrewAI é um framework open source de Python para montar times de agentes de IA: cada agente recebe um papel, um objetivo e um contexto, e o framework coordena quem fala com quem até a tarefa fechar. A proposta é concreta — em vez de um prompt gigante pedindo "faça tudo", você cria um pesquisador, um redator e um revisor, define as entregas de cada um e deixa a execução rodar. Com uma chave de API de modelo e meia hora de foco, dá para ter um time funcionando no seu terminal.
1. O modelo mental: agentes com função, não chatbots genéricos
No CrewAI, um agente é definido por três campos que importam: role (a função — "analista de dados", "redator técnico"), goal (o que ele otimiza) e backstory (o contexto que guia o tom e as decisões). Por cima disso, você descreve tarefas — cada uma com descrição, saída esperada e o agente responsável — e agrupa tudo numa crew. O framework cuida do repasse: a saída de uma tarefa alimenta a próxima. Esse formato funciona porque transforma o problema de "prompt complexo" em problema de "organização de equipe", algo que gente entende melhor que máquina.
2. Instalação e o primeiro time
Comece em um ambiente virtual, com Python 3.10 ou mais recente:
python -m venv .venv
source .venv/bin/activate
pip install crewai
export OPENAI_API_KEY="sua-chave-aqui"
Em seguida, o time mínimo — um pesquisador alimentando um redator:
from crewai import Agent, Task, Crew
analista = Agent(
role="Analista de tecnologia",
goal="Selecionar os temas mais relevantes para devs brasileiros",
backstory="Voce le manchetes tecnicas todo dia e sabe ignorar ruido",
verbose=True,
)
redator = Agent(
role="Redator de blog",
goal="Escrever um post curto, direto e pratico em portugues do Brasil",
backstory="Voce escreve para gente ocupada: sem enrolacao, com exemplos",
verbose=True,
)
tarefa_analise = Task(
description="Avalie os temas abaixo e escolha o 3 mais relevantes: "
"agentes de IA, bancos vetoriais, automacao com Python",
expected_output="Lista numerada com 3 temas e uma frase de justificativa cada",
agent=analista,
)
tarefa_redacao = Task(
description="Escreva um post de 300 palavras sobre o melhor tema da etapa anterior",
expected_output="Texto em markdown com titulo e 3 secoes",
agent=redator,
)
crew = Crew(agents=[analista, redator], tasks=[tarefa_analise, tarefa_redacao])
resultado = crew.kickoff()
print(resultado)
Rode com python crew_demo.py. Com verbose=True você acompanha o raciocínio de cada agente em tempo real — essencial para depurar na primeira semana.
3. Ferramentas: quando o agente sai do texto
Time só de texto resolve resumo e redação. Para tarefas reais, adicione ferramentas — o CrewAI aceita ferramentas próprias ou do ecossistema LangChain, como busca web, leitor de página e execução de código. Um pesquisador com busca web entrega contexto novo; um analista com leitura de CSV trabalha sobre seus dados; um operador com execução de código devolve números calculados, não estimados. Regra de ouro: ferramenta com efeito colateral (enviar e-mail, postar, comprar) só depois de rodar um ciclo completo em modo de leitura, com log de tudo.
4. Quando o time compensa (e quando atrapalha)
- Compensa: pipeline com etapas distintas (pesquisa, rascunho, revisão), tarefa que exige especialidades diferentes, processo que você quer versionar e repetir.
- Atrapalha: pergunta simples que um modelo resolve em uma chamada; tarefa sem critério de pronto — o time improvisa; caso com dados sensíveis sem tratamento de custo e de vazamento.
Antes de escrever código, desenhe no papel: quais agentes existem, qual a saída esperada de cada um, quem confere o resultado. Se você não consegue nomear essas caixas, o problema ainda não é agente — é processo.
5. Custos, limites e o que revisar
Times de agentes multiplicam chamadas de modelo: cada etapa gera um prompt com contexto maior e a execução pode passar de uma dezena de chamadas. Comece com modelo barato para tarefas simples (resumo, extração) e reserve o modelo mais forte para a etapa de julgamento. Defina máximo de iterações por tarefa — sem teto, agentes podem rodar em loop tentando corrigir a própria saída. E revise a saída como revisaria a de um estagiário talentoso: forma plausível não garante conteúdo correto.
Para sair do exemplo e aplicar no seu contexto, escolha um processo que já roda toda semana — resumo de reunião, triagem de e-mail, briefing de concorrência — e implemente com dois ou três agentes, teto de execução e revisão humana no fim. O valor do CrewAI não está em ter mais agentes, está em transformar um fluxo informal da sua rotina em algo versionado, reproduzível e auditável.