Apresentando o curso e definindo o CrewAI
Olá a todas as pessoas. Dando continuidade ao nosso curso, agora que já entendemos melhor a lógica de construção do que vamos ver, vamos começar a aprofundar no CrewAI de fato.
Primeiro, o que é o CrewAI, afinal? É um framework (estrutura) open source (código aberto) para lidarmos com a construção, especialmente dos crews (equipes) de agentes.
Relembrando conceitos de agentes e contextualizando o problema
Como vamos trabalhar com equipes de agentes, também é importante retomar brevemente alguns conceitos básicos sobre agentes, principalmente a distinção entre um sistema de agente único e um sistema multiagentes, entendendo as vantagens e desvantagens em cada caso.
Para isso, imaginemos o seguinte: nós nos integramos a uma equipe de desenvolvimento de inteligência artificial em uma empresa do setor financeiro e, nesse projeto, ficamos responsáveis por desenvolver um sistema cujo objetivo é automatizar recomendações de compra e venda de ações para a pessoa usuária final. Suponhamos que esse sistema receba o ticker de uma ação, busque informações sobre a empresa e forneça, para aquele momento, a recomendação que faça mais sentido conforme a análise que o sistema se propõe a realizar.
Nesse cenário, existem várias abordagens possíveis para resolver o problema. Podemos analisar sob uma perspectiva fundamentalista, sob uma perspectiva técnica e também considerar como está o sentimento do mercado em relação à empresa naquele momento. São perspectivas que se complementam.
Projetando um sistema multiagentes e levantando decisões de projeto
Pensando em automatizar isso com inteligência artificial, podemos projetar um sistema multiagentes no qual cada agente tenha um papel ou responsabilidade bem definida nesse contexto. O que queremos dizer com isso? Ter um agente para análise fundamentalista, outro para análise técnica, outro para observar aspectos como ESG, sentimento do mercado ou outras características que considerarmos relevantes para a tomada de decisão. Ao final, é isso que queremos: indicar para a pessoa usuária o que fazer com base nessa análise.
Naturalmente, surgem questões como: quantos agentes vamos usar? Como e por que usá-los? Como eles se integram entre si? O que nos ajuda a definir esse tipo de decisão? E como implementamos esse sistema na prática? É esse o tipo de discussão que vamos começar o desenvolver e, para isso, vale recapitular alguns aspectos fundamentais sobre o que é um agente de IA e o que é um sistema multiagentes.
Detalhando os componentes de um agente e caracterizando um agente único
Recordando: um agente de IA possui alguns componentes principais — quatro, de forma específica. Um componente de percepção, relacionado às ferramentas ou sensores com os quais o agente estará equipado para coletar informações sobre o ambiente em que está inserido. Às vezes serão sensores literalmente, como câmeras; em outras situações, serão fluxos de dados de entrada para o sistema.
A partir disso, o agente precisa tomar uma decisão. A tomada de decisão envolve elementos de motor de raciocínio, que podem ser modelos de linguagem, nossos LLMs (Large Language Models — Modelos de Linguagem de Grande Porte). Essa decisão culmina em uma ação e, na evolução do processo, precisamos entender o que a ação produziu no ambiente e como isso retroalimenta as próximas ações a serem tomadas. Aí entram as questões de memória e aprendizagem, fundamentais para o funcionamento e a melhoria do agente ao longo do tempo.
Diferentemente de um modelo de linguagem puro, o agente também incorpora, além da memória, o uso de ferramentas, a definição de objetivos, a decomposição em tarefas e outros elementos — tudo isso aparece no CrewAI. Essas integrações serão bastante importantes.
Essa é a ideia de construir um único agente para automatizar algum processo. No fundo, o que queremos é tomar decisões mais autônomas em cenários de incerteza, com menor nível de supervisão humana.
Transicionando para sistemas multiagentes e coordenando a equipe
O avanço para um sistema multiagentes implica algumas mudanças. Podemos pensar que ter um único agente é como contar com uma pessoa especialista naquele domínio de aplicação. Quando passamos a vários agentes, é como se tivéssemos várias pessoas especialistas — nossa equipe, nosso crew (equipe), dentro do contexto do framework (estrutura), para resolver o problema.
Retomando a discussão sobre o sistema de recomendação de compra ou venda de ações, cada um desses agentes integra a equipe. Precisamos coordenar essa equipe para reunir todas as perspectivas diferentes que cada agente oferece e, então, tomar uma decisão final de compra ou venda para a pessoa usuária.
Comparando arquiteturas quanto a complexidade, escalabilidade, robustez e custos
Ter um sistema multiagente traz vantagens e desvantagens em relação a um agente único. Ao avaliarmos a complexidade, naturalmente o sistema se torna mais complexo, mas isso pode proporcionar uma visão muito mais rica de solução para o nosso problema, permitindo resolver questões cada vez mais complexas. Em termos de escalabilidade, o sistema multiagente costuma ser mais escalável do que o agente único, porque podemos modularizar a solução de modo que cada agente seja um módulo independente. Assim, podemos adicionar, alterar ou remover módulos para escalar e evoluir o sistema ao longo do tempo.
Um sistema multiagente tende a ser mais robusto no sentido de tolerância a falhas. Se, em uma solução com agente único, por qualquer motivo esse agente falhar, a solução como um todo para. Ao trabalharmos com múltiplos agentes, dependendo de como construímos a orquestração entre eles, a falha de um agente não necessariamente interrompe toda a solução. Portanto, há um grau maior de tolerância a falhas. Em contrapartida, isso exige um controle mais rigoroso de custo e uso de recursos, para evitar que o sistema escale fora de controle. Ao lidarmos com entidades mais complexas, o custo pode aumentar com maior facilidade.
Apresentamos um esquema que resume esses pontos segundo os critérios discutidos: complexidade, escalabilidade, tolerância a falhas e uso de recursos. Em síntese: há maior complexidade nos sistemas multiagentes, mas eles agregam capacidade para resolver problemas mais complexos; ganham em escalabilidade pelos motivos descritos; são mais tolerantes a falhas; porém requerem maior cuidado com o controle de custos e com o uso de recursos computacionais, que se traduzirão em gastos financeiros.
Estruturando soluções no CrewAI com agentes, equipes, tarefas e fluxos
Dito isso, retomando a distinção entre agente único e multiagentes, com vantagens, desvantagens e contrapontos, como isso se traduz dentro do framework (estrutura) CrewAI? Temos quatro elementos principais para construir a solução — nossos blocos — que vamos começar a utilizar nas próximas aulas, conforme avançarmos na implementação:
Agent (agent, agente): nossa unidade autônoma de tomada de decisão. Como aprofundaremos em breve, um Agent possui três componentes principais que precisamos definir: role (role, papel), goal (goal, objetivo) e backstory (backstory, histórico/quem é/qual o contexto), fornecendo mais informações para orientar esse agente.Crew (crew, equipe): o grupo de agentes reunidos para resolver uma tarefa.Task (task, tarefa): o que precisa ser feito. À medida que construirmos a solução, sempre definiremos os agentes, as tarefas e vinculeremos qual agente deve executar cada tarefa. Ao elaborar uma Task, descreveremos o que ela é, qual é a saída esperada e qual agente deve executá-la.Flow (flow, fluxo): o processo de execução em si dentro do framework (estrutura) CrewAI. O Flow abrange quais Crews (equipes) executarão determinadas tarefas e é o nível mais alto de abstração, englobando todos esses elementos.
Resumindo, o CrewAI permite que trabalhemos com essas abstrações em níveis de tarefas, agentes, equipes e fluxos. Ao longo das próximas aulas, vamos introduzir esses blocos e construir automatizações para diferentes problemas. Conforme a documentação, o Flow engloba os Crews, que, por sua vez, são compostos por Agents, e esses agentes executarão as Tasks.
A partir da próxima aula, vamos nos aprofundar no framework (estrutura) CrewAI e entender como estruturar esses elementos para problemas reais. Vamos explorar um pouco, então, o CrewAI.