adjust aop to amp docs lang (#4179)

* adjust aop to amp docs lang

* whoop no print

docs/pt-BR/concepts/agents.mdx

@@ -8,6 +8,7 @@ mode: "wide"
 ## Visão Geral de um Agente
 
 No framework CrewAI, um `Agent` é uma unidade autônoma que pode:
+
 - Executar tarefas específicas
 - Tomar decisões com base em seu papel e objetivo
 - Utilizar ferramentas para alcançar objetivos
@@ -16,15 +17,19 @@ No framework CrewAI, um `Agent` é uma unidade autônoma que pode:
 - Delegar tarefas, quando permitido
 
 <Tip>
-Pense em um agente como um membro especializado da equipe com habilidades, competências e responsabilidades específicas. Por exemplo, um agente `Researcher` pode ser excelente em coletar e analisar informações, enquanto um agente `Writer` pode ser melhor na criação de conteúdo.
+  Pense em um agente como um membro especializado da equipe com habilidades,
+  competências e responsabilidades específicas. Por exemplo, um agente
+  `Researcher` pode ser excelente em coletar e analisar informações, enquanto um
+  agente `Writer` pode ser melhor na criação de conteúdo.
 </Tip>
 
 <Note type="info" title="Aprimoramento Empresarial: Construtor Visual de Agentes">
-O CrewAI AOP inclui um Construtor Visual de Agentes, que simplifica a criação e configuração de agentes sem escrever código. Projete seus agentes visualmente e teste-os em tempo real.
+O CrewAI AMP inclui um Construtor Visual de Agentes, que simplifica a criação e configuração de agentes sem escrever código. Projete seus agentes visualmente e teste-os em tempo real.
 
 ![Visual Agent Builder Screenshot](/images/enterprise/crew-studio-interface.png)
 
 O Construtor Visual de Agentes permite:
+
 - Configuração intuitiva de agentes com interfaces baseadas em formulários
 - Testes e validação em tempo real
 - Biblioteca de modelos com tipos de agentes pré-configurados
@@ -33,36 +38,36 @@ O Construtor Visual de Agentes permite:
 
 ## Atributos do Agente
 
-| Atributo                               | Parâmetro                | Tipo                          | Descrição                                                                                                          |
-| :-------------------------------------- | :----------------------- | :---------------------------- | :----------------------------------------------------------------------------------------------------------------- |
-| **Role (Função)**                      | `role`                   | `str`                         | Define a função e a área de especialização do agente dentro da equipe.                                              |
-| **Goal (Objetivo)**                     | `goal`                   | `str`                         | O objetivo individual que guia a tomada de decisão do agente.                                                       |
-| **Backstory (História de fundo)**       | `backstory`              | `str`                         | Fornece contexto e personalidade ao agente, enriquecendo as interações.                                             |
-| **LLM** _(opcional)_                    | `llm`                    | `Union[str, LLM, Any]`        | Modelo de linguagem que alimenta o agente. Padrão: modelo especificado em `OPENAI_MODEL_NAME` ou "gpt-4".           |
-| **Tools (Ferramentas)** _(opcional)_    | `tools`                  | `List[BaseTool]`              | Capacidades ou funções disponíveis para o agente. Padrão: lista vazia.                                              |
-| **Function Calling LLM** _(opcional)_   | `function_calling_llm`   | `Optional[Any]`               | Modelo de linguagem usado para chamada de ferramentas, sobrescreve LLM principal se especificado.                   |
-| **Max Iterations** _(opcional)_         | `max_iter`               | `int`                         | Número máximo de iterações antes do agente fornecer sua melhor resposta. Padrão: 20.                                 |
-| **Max RPM** _(opcional)_                | `max_rpm`                | `Optional[int]`               | Quantidade máxima de requisições por minuto para evitar limites de taxa.                                             |
-| **Max Execution Time** _(opcional)_     | `max_execution_time`     | `Optional[int]`               | Tempo máximo (em segundos) de execução da tarefa.                                                                   |
-| **Verbose** _(opcional)_                | `verbose`                | `bool`                        | Habilita logs detalhados de execução para depuração. Padrão: False.                                                 |
-| **Allow Delegation** _(opcional)_       | `allow_delegation`       | `bool`                        | Permite que o agente delegue tarefas para outros agentes. Padrão: False.                                            |
-| **Step Callback** _(opcional)_          | `step_callback`          | `Optional[Any]`               | Função chamada após cada passo do agente, sobrescreve callback da equipe.                                           |
-| **Cache** _(opcional)_                  | `cache`                  | `bool`                        | Ativa cache para o uso de ferramentas. Padrão: True.                                                                |
-| **System Template** _(opcional)_        | `system_template`        | `Optional[str]`               | Template personalizado de prompt de sistema para o agente.                                                          |
-| **Prompt Template** _(opcional)_        | `prompt_template`        | `Optional[str]`               | Template de prompt personalizado para o agente.                                                                     |
-| **Response Template** _(opcional)_      | `response_template`      | `Optional[str]`               | Template de resposta personalizado para o agente.                                                                   |
-| **Allow Code Execution** _(opcional)_   | `allow_code_execution`   | `Optional[bool]`              | Ativa execução de código pelo agente. Padrão: False.                                                                |
-| **Max Retry Limit** _(opcional)_        | `max_retry_limit`        | `int`                         | Número máximo de tentativas (retries) em caso de erro. Padrão: 2.                                                   |
-| **Respect Context Window** _(opcional)_ | `respect_context_window` | `bool`                        | Mantém as mensagens dentro do tamanho da janela de contexto, resumindo quando necessário. Padrão: True.             |
-| **Code Execution Mode** _(opcional)_    | `code_execution_mode`    | `Literal["safe", "unsafe"]`   | Modo de execução de código: 'safe' (usando Docker) ou 'unsafe' (direto). Padrão: 'safe'.                            |
-| **Multimodal** _(opcional)_             | `multimodal`             | `bool`                        | Se o agente suporta capacidades multimodais. Padrão: False.                                                         |
-| **Inject Date** _(opcional)_            | `inject_date`            | `bool`                        | Se deve injetar automaticamente a data atual nas tarefas. Padrão: False.                                            |
-| **Date Format** _(opcional)_            | `date_format`            | `str`                         | Formato de data utilizado quando `inject_date` está ativo. Padrão: "%Y-%m-%d" (formato ISO).                        |
-| **Reasoning** _(opcional)_              | `reasoning`              | `bool`                        | Se o agente deve refletir e criar um plano antes de executar uma tarefa. Padrão: False.                             |
-| **Max Reasoning Attempts** _(opcional)_ | `max_reasoning_attempts` | `Optional[int]`               | Número máximo de tentativas de raciocínio antes de executar a tarefa. Se None, tentará até estar pronto.            |
-| **Embedder** _(opcional)_               | `embedder`               | `Optional[Dict[str, Any]]`    | Configuração do embedder utilizado pelo agente.                                                                     |
-| **Knowledge Sources** _(opcional)_      | `knowledge_sources`      | `Optional[List[BaseKnowledgeSource]]` | Fontes de conhecimento disponíveis para o agente.                                                     |
-| **Use System Prompt** _(opcional)_      | `use_system_prompt`      | `Optional[bool]`              | Se deve usar o system prompt (suporte para modelo o1). Padrão: True.                                                |
+| Atributo                                | Parâmetro                | Tipo                                  | Descrição                                                                                                 |
+| :-------------------------------------- | :----------------------- | :------------------------------------ | :-------------------------------------------------------------------------------------------------------- |
+| **Role (Função)**                       | `role`                   | `str`                                 | Define a função e a área de especialização do agente dentro da equipe.                                    |
+| **Goal (Objetivo)**                     | `goal`                   | `str`                                 | O objetivo individual que guia a tomada de decisão do agente.                                             |
+| **Backstory (História de fundo)**       | `backstory`              | `str`                                 | Fornece contexto e personalidade ao agente, enriquecendo as interações.                                   |
+| **LLM** _(opcional)_                    | `llm`                    | `Union[str, LLM, Any]`                | Modelo de linguagem que alimenta o agente. Padrão: modelo especificado em `OPENAI_MODEL_NAME` ou "gpt-4". |
+| **Tools (Ferramentas)** _(opcional)_    | `tools`                  | `List[BaseTool]`                      | Capacidades ou funções disponíveis para o agente. Padrão: lista vazia.                                    |
+| **Function Calling LLM** _(opcional)_   | `function_calling_llm`   | `Optional[Any]`                       | Modelo de linguagem usado para chamada de ferramentas, sobrescreve LLM principal se especificado.         |
+| **Max Iterations** _(opcional)_         | `max_iter`               | `int`                                 | Número máximo de iterações antes do agente fornecer sua melhor resposta. Padrão: 20.                      |
+| **Max RPM** _(opcional)_                | `max_rpm`                | `Optional[int]`                       | Quantidade máxima de requisições por minuto para evitar limites de taxa.                                  |
+| **Max Execution Time** _(opcional)_     | `max_execution_time`     | `Optional[int]`                       | Tempo máximo (em segundos) de execução da tarefa.                                                         |
+| **Verbose** _(opcional)_                | `verbose`                | `bool`                                | Habilita logs detalhados de execução para depuração. Padrão: False.                                       |
+| **Allow Delegation** _(opcional)_       | `allow_delegation`       | `bool`                                | Permite que o agente delegue tarefas para outros agentes. Padrão: False.                                  |
+| **Step Callback** _(opcional)_          | `step_callback`          | `Optional[Any]`                       | Função chamada após cada passo do agente, sobrescreve callback da equipe.                                 |
+| **Cache** _(opcional)_                  | `cache`                  | `bool`                                | Ativa cache para o uso de ferramentas. Padrão: True.                                                      |
+| **System Template** _(opcional)_        | `system_template`        | `Optional[str]`                       | Template personalizado de prompt de sistema para o agente.                                                |
+| **Prompt Template** _(opcional)_        | `prompt_template`        | `Optional[str]`                       | Template de prompt personalizado para o agente.                                                           |
+| **Response Template** _(opcional)_      | `response_template`      | `Optional[str]`                       | Template de resposta personalizado para o agente.                                                         |
+| **Allow Code Execution** _(opcional)_   | `allow_code_execution`   | `Optional[bool]`                      | Ativa execução de código pelo agente. Padrão: False.                                                      |
+| **Max Retry Limit** _(opcional)_        | `max_retry_limit`        | `int`                                 | Número máximo de tentativas (retries) em caso de erro. Padrão: 2.                                         |
+| **Respect Context Window** _(opcional)_ | `respect_context_window` | `bool`                                | Mantém as mensagens dentro do tamanho da janela de contexto, resumindo quando necessário. Padrão: True.   |
+| **Code Execution Mode** _(opcional)_    | `code_execution_mode`    | `Literal["safe", "unsafe"]`           | Modo de execução de código: 'safe' (usando Docker) ou 'unsafe' (direto). Padrão: 'safe'.                  |
+| **Multimodal** _(opcional)_             | `multimodal`             | `bool`                                | Se o agente suporta capacidades multimodais. Padrão: False.                                               |
+| **Inject Date** _(opcional)_            | `inject_date`            | `bool`                                | Se deve injetar automaticamente a data atual nas tarefas. Padrão: False.                                  |
+| **Date Format** _(opcional)_            | `date_format`            | `str`                                 | Formato de data utilizado quando `inject_date` está ativo. Padrão: "%Y-%m-%d" (formato ISO).              |
+| **Reasoning** _(opcional)_              | `reasoning`              | `bool`                                | Se o agente deve refletir e criar um plano antes de executar uma tarefa. Padrão: False.                   |
+| **Max Reasoning Attempts** _(opcional)_ | `max_reasoning_attempts` | `Optional[int]`                       | Número máximo de tentativas de raciocínio antes de executar a tarefa. Se None, tentará até estar pronto.  |
+| **Embedder** _(opcional)_               | `embedder`               | `Optional[Dict[str, Any]]`            | Configuração do embedder utilizado pelo agente.                                                           |
+| **Knowledge Sources** _(opcional)_      | `knowledge_sources`      | `Optional[List[BaseKnowledgeSource]]` | Fontes de conhecimento disponíveis para o agente.                                                         |
+| **Use System Prompt** _(opcional)_      | `use_system_prompt`      | `Optional[bool]`                      | Se deve usar o system prompt (suporte para modelo o1). Padrão: True.                                      |
 
 ## Criando Agentes
 
@@ -137,7 +142,8 @@ class LatestAiDevelopmentCrew():
 ```
 
 <Note>
-Os nomes utilizados em seus arquivos YAML (`agents.yaml`) devem ser iguais aos nomes dos métodos no seu código Python.
+  Os nomes utilizados em seus arquivos YAML (`agents.yaml`) devem ser iguais aos
+  nomes dos métodos no seu código Python.
 </Note>
 
 ### Definição Direta em Código
@@ -183,6 +189,7 @@ agent = Agent(
 Vamos detalhar algumas combinações de parâmetros-chave para casos de uso comuns:
 
 #### Agente de Pesquisa Básico
+
 ```python Code
 research_agent = Agent(
     role="Analista de Pesquisa",
@@ -194,6 +201,7 @@ research_agent = Agent(
 ```
 
 #### Agente de Desenvolvimento de Código
+
 ```python Code
 dev_agent = Agent(
     role="Desenvolvedor Python Sênior",
@@ -207,6 +215,7 @@ dev_agent = Agent(
 ```
 
 #### Agente de Análise de Longa Duração
+
 ```python Code
 analysis_agent = Agent(
     role="Analista de Dados",
@@ -220,6 +229,7 @@ analysis_agent = Agent(
 ```
 
 #### Agente com Template Personalizado
+
 ```python Code
 custom_agent = Agent(
     role="Atendente de Suporte ao Cliente",
@@ -232,6 +242,7 @@ custom_agent = Agent(
 ```
 
 #### Agente Ciente de Data, com Raciocínio
+
 ```python Code
 strategic_agent = Agent(
     role="Analista de Mercado",
@@ -246,6 +257,7 @@ strategic_agent = Agent(
 ```
 
 #### Agente de Raciocínio
+
 ```python Code
 reasoning_agent = Agent(
     role="Planejador Estratégico",
@@ -259,6 +271,7 @@ reasoning_agent = Agent(
 ```
 
 #### Agente Multimodal
+
 ```python Code
 multimodal_agent = Agent(
     role="Analista de Conteúdo Visual",
@@ -272,52 +285,65 @@ multimodal_agent = Agent(
 ### Detalhes dos Parâmetros
 
 #### Parâmetros Críticos
+
 - `role`, `goal` e `backstory` são obrigatórios e definem o comportamento do agente
 - `llm` determina o modelo de linguagem utilizado (padrão: GPT-4 da OpenAI)
 
 #### Memória e Contexto
+
 - `memory`: Ative para manter o histórico de conversas
 - `respect_context_window`: Evita problemas com limites de tokens
 - `knowledge_sources`: Adicione bases de conhecimento específicas do domínio
 
 #### Controle de Execução
+
 - `max_iter`: Número máximo de tentativas antes da melhor resposta
 - `max_execution_time`: Tempo limite em segundos
 - `max_rpm`: Limite de requisições por minuto
 - `max_retry_limit`: Tentativas de correção em erros
 
 #### Execução de Código
+
 - `allow_code_execution`: Deve ser True para permitir execução de código
 - `code_execution_mode`:
   - `"safe"`: Usa Docker (recomendado para produção)
   - `"unsafe"`: Execução direta (apenas em ambientes confiáveis)
 
 <Note>
-  Isso executa uma imagem Docker padrão. Se você deseja configurar a imagem Docker, veja a ferramenta Code Interpreter na seção de ferramentas.
-  Adicione a ferramenta de interpretação de código como um parâmetro em ferramentas no agente.
+  Isso executa uma imagem Docker padrão. Se você deseja configurar a imagem
+  Docker, veja a ferramenta Code Interpreter na seção de ferramentas. Adicione a
+  ferramenta de interpretação de código como um parâmetro em ferramentas no
+  agente.
 </Note>
 
 #### Funcionalidades Avançadas
+
 - `multimodal`: Habilita capacidades multimodais para processar texto e conteúdo visual
 - `reasoning`: Permite que o agente reflita e crie planos antes de executar tarefas
 - `inject_date`: Injeta a data atual automaticamente nas descrições das tarefas
 
 #### Templates
+
 - `system_template`: Define o comportamento central do agente
 - `prompt_template`: Estrutura o formato da entrada
 - `response_template`: Formata as respostas do agente
 
 <Note>
-Ao usar templates personalizados, assegure-se de definir tanto `system_template` quanto `prompt_template`. O `response_template` é opcional, mas recomendado para formatação consistente de saída.
+  Ao usar templates personalizados, assegure-se de definir tanto
+  `system_template` quanto `prompt_template`. O `response_template` é opcional,
+  mas recomendado para formatação consistente de saída.
 </Note>
 
 <Note>
-Ao usar templates personalizados, você pode usar variáveis como `{role}`, `{goal}` e `{backstory}` em seus templates. Elas serão automaticamente preenchidas durante a execução.
+  Ao usar templates personalizados, você pode usar variáveis como `{role}`, `
+  {goal}` e `{backstory}` em seus templates. Elas serão automaticamente
+  preenchidas durante a execução.
 </Note>
 
 ## Ferramentas do Agente
 
 Agentes podem ser equipados com diversas ferramentas para ampliar suas capacidades. O CrewAI suporta ferramentas do:
+
 - [CrewAI Toolkit](https://github.com/joaomdmoura/crewai-tools)
 - [LangChain Tools](https://python.langchain.com/docs/integrations/tools)
 
@@ -356,7 +382,9 @@ analyst = Agent(
 ```
 
 <Note>
-Quando `memory` está ativo, o agente manterá o contexto ao longo de múltiplas interações, melhorando a capacidade de lidar com tarefas complexas, em múltiplos passos.
+  Quando `memory` está ativo, o agente manterá o contexto ao longo de múltiplas
+  interações, melhorando a capacidade de lidar com tarefas complexas, em
+  múltiplos passos.
 </Note>
 
 ## Gerenciamento da Janela de Contexto
@@ -386,6 +414,7 @@ smart_agent = Agent(
 ```
 
 **O que acontece quando os limites de contexto são excedidos:**
+
 - ⚠️ **Mensagem de aviso**: `"Context length exceeded. Summarizing content to fit the model context window."`
 - 🔄 **Resumir automaticamente**: O CrewAI resume o histórico da conversa de forma inteligente
 - ✅ **Execução contínua**: A execução da tarefa prossegue normalmente com o contexto resumido
@@ -407,6 +436,7 @@ strict_agent = Agent(
 ```
 
 **O que acontece quando os limites de contexto são excedidos:**
+
 - ❌ **Mensagem de erro**: `"Context length exceeded. Consider using smaller text or RAG tools from crewai_tools."`
 - 🛑 **Execução interrompida**: A execução da tarefa é parada imediatamente
 - 🔧 **Intervenção manual necessária**: Você precisará modificar sua abordagem
@@ -414,6 +444,7 @@ strict_agent = Agent(
 ### Como Escolher a Melhor Configuração
 
 #### Use `respect_context_window=True` (padrão) quando:
+
 - **Processar documentos grandes** que podem ultrapassar os limites de contexto
 - **Conversas longas** onde certo grau de resumo é aceitável
 - **Tarefas de pesquisa** onde o contexto geral é mais importante que detalhes exatos
@@ -432,6 +463,7 @@ document_processor = Agent(
 ```
 
 #### Use `respect_context_window=False` quando:
+
 - **Precisão é crítica** e perda de informação é inaceitável
 - **Tarefas jurídicas ou médicas** que requerem contexto completo
 - **Revisão de código** onde detalhes perdidos podem causar bugs
@@ -454,6 +486,7 @@ precision_agent = Agent(
 Ao lidar com conjuntos de dados muito grandes, considere as seguintes estratégias:
 
 #### 1. Use Ferramentas RAG
+
 ```python Code
 from crewai_tools import RagTool
 
@@ -471,6 +504,7 @@ rag_agent = Agent(
 ```
 
 #### 2. Use Fontes de Conhecimento
+
 ```python Code
 # Use fontes de conhecimento ao invés de prompts grandes
 knowledge_agent = Agent(
@@ -494,6 +528,7 @@ knowledge_agent = Agent(
 ### Solucionando Problemas de Contexto
 
 **Se você receber erros de limite de contexto:**
+
 ```python Code
 # Solução rápida: Habilite manipulação automática
 agent.respect_context_window = True
@@ -507,6 +542,7 @@ agent.tools = [RagTool()]
 ```
 
 **Se o resumo automático perder informações importantes:**
+
 ```python Code
 # Desative o resumo automático e use RAG
 agent = Agent(
@@ -520,28 +556,34 @@ agent = Agent(
 ```
 
 <Note>
-O recurso de gerenciamento da janela de contexto funciona automaticamente em segundo plano. Você não precisa chamar funções especiais – basta definir `respect_context_window` conforme deseja e o CrewAI cuida do resto!
+  O recurso de gerenciamento da janela de contexto funciona automaticamente em
+  segundo plano. Você não precisa chamar funções especiais – basta definir
+  `respect_context_window` conforme deseja e o CrewAI cuida do resto!
 </Note>
 
 ## Considerações e Boas Práticas Importantes
 
 ### Segurança e Execução de Código
+
 - Ao usar `allow_code_execution`, seja cauteloso com entradas do usuário e sempre as valide
 - Use `code_execution_mode: "safe"` (Docker) em ambientes de produção
 - Considere definir limites adequados de `max_execution_time` para evitar loops infinitos
 
 ### Otimização de Performance
+
 - Use `respect_context_window: true` para evitar problemas com limite de tokens
 - Ajuste `max_rpm` para evitar rate limiting
 - Ative `cache: true` para melhorar performance em tarefas repetitivas
 - Ajuste `max_iter` e `max_retry_limit` conforme a complexidade da tarefa
 
 ### Gerenciamento de Memória e Contexto
+
 - Considere `knowledge_sources` para informações específicas de domínio
 - Configure `embedder` ao usar modelos de embedding personalizados
 - Use templates personalizados (`system_template`, `prompt_template`, `response_template`) para controle fino do comportamento do agente
 
 ### Funcionalidades Avançadas
+
 - Ative `reasoning: true` para agentes que precisam planejar e refletir antes de tarefas complexas
 - Defina `max_reasoning_attempts` para controlar as iterações de planejamento (`None` para ilimitadas)
 - Use `inject_date: true` para dar consciência temporal a agentes em tarefas que dependem de datas
@@ -549,6 +591,7 @@ O recurso de gerenciamento da janela de contexto funciona automaticamente em seg
 - Ative `multimodal: true` para agentes que precisam processar texto e imagem
 
 ### Colaboração entre Agentes
+
 - Ative `allow_delegation: true` quando agentes precisarem trabalhar juntos
 - Use `step_callback` para monitorar e registrar interações dos agentes
 - Considere usar LLMs diferentes para propósitos distintos:
@@ -556,6 +599,7 @@ O recurso de gerenciamento da janela de contexto funciona automaticamente em seg
   - `function_calling_llm` para uso eficiente de ferramentas
 
 ### Consciência de Data e Raciocínio
+
 - Use `inject_date: true` para fornecer consciência temporal aos agentes em tarefas sensíveis ao tempo
 - Customize o formato de data com `date_format` usando códigos standards de datetime do Python
 - Códigos válidos incluem: %Y (ano), %m (mês), %d (dia), %B (nome completo do mês), etc.
@@ -563,22 +607,26 @@ O recurso de gerenciamento da janela de contexto funciona automaticamente em seg
 - Ative `reasoning: true` para tarefas complexas que se beneficiam de planejamento e reflexão antecipados
 
 ### Compatibilidade de Modelos
+
 - Defina `use_system_prompt: false` para modelos antigos que não suportam mensagens de sistema
 - Certifique-se que o `llm` escolhido suporta as funcionalidades necessárias (como function calling)
 
 ## Solução de Problemas Comuns
 
 1. **Limite de Taxa (Rate Limiting)**: Se atingir limites de API:
+
    - Implemente o `max_rpm` adequado
    - Use cache para operações repetitivas
    - Considere agrupar requisições em lote
 
 2. **Erros de Janela de Contexto**: Se exceder limites de contexto:
+
    - Habilite `respect_context_window`
    - Otimize seus prompts
    - Limpe periodicamente a memória do agente
 
 3. **Problemas de Execução de Código**: Se a execução de código falhar:
+
    - Verifique se o Docker está instalado para o modo seguro
    - Cheque permissões de execução
    - Revise as configurações do sandbox de código

docs/pt-BR/concepts/cli.mdx

@@ -4,7 +4,14 @@ description: Aprenda a usar o CLI do CrewAI para interagir com o CrewAI.
 icon: terminal
 mode: "wide"
 ---
-<Warning>A partir da versão 0.140.0, a plataforma CrewAI AOP iniciou um processo de migração de seu provedor de login. Como resultado, o fluxo de autenticação via CLI foi atualizado. Usuários que utlizam o Google para fazer login, ou que criaram conta após 3 de julho de 2025 não poderão fazer login com versões anteriores da biblioteca `crewai`.</Warning>
+
+<Warning>
+  A partir da versão 0.140.0, a plataforma CrewAI AMP iniciou um processo de
+  migração de seu provedor de login. Como resultado, o fluxo de autenticação via
+  CLI foi atualizado. Usuários que utlizam o Google para fazer login, ou que
+  criaram conta após 3 de julho de 2025 não poderão fazer login com versões
+  anteriores da biblioteca `crewai`.
+</Warning>
 
 ## Visão Geral
 
@@ -40,6 +47,7 @@ crewai create [OPTIONS] TYPE NAME
 - `NAME`: Nome do crew ou flow
 
 Exemplo:
+
 ```shell Terminal
 crewai create crew my_new_crew
 crewai create flow my_new_flow
@@ -56,6 +64,7 @@ crewai version [OPTIONS]
 - `--tools`: (Opcional) Mostra a versão instalada das ferramentas do CrewAI
 
 Exemplo:
+
 ```shell Terminal
 crewai version
 crewai version --tools
@@ -73,6 +82,7 @@ crewai train [OPTIONS]
 - `-f, --filename TEXT`: Caminho para um arquivo customizado para treinamento (padrão: "trained_agents_data.pkl")
 
 Exemplo:
+
 ```shell Terminal
 crewai train -n 10 -f my_training_data.pkl
 ```
@@ -104,6 +114,7 @@ crewai replay [OPTIONS]
 - `-t, --task_id TEXT`: Reexecuta o crew a partir deste task ID, incluindo todas as tarefas subsequentes
 
 Exemplo:
+
 ```shell Terminal
 crewai replay -t task_123456
 ```
@@ -133,6 +144,7 @@ crewai reset-memories [OPTIONS]
 - `-a, --all`: Redefine TODAS as memórias
 
 Exemplo:
+
 ```shell Terminal
 crewai reset-memories --long --short
 crewai reset-memories --all
@@ -150,6 +162,7 @@ crewai test [OPTIONS]
 - `-m, --model TEXT`: Modelo LLM para executar os testes no Crew (padrão: "gpt-4o-mini")
 
 Exemplo:
+
 ```shell Terminal
 crewai test -n 5 -m gpt-3.5-turbo
 ```
@@ -163,12 +176,17 @@ crewai run
 ```
 
 <Note>
-A partir da versão 0.103.0, o comando `crewai run` pode ser usado para executar tanto crews padrão quanto flows. Para flows, ele detecta automaticamente o tipo a partir do pyproject.toml e executa o comando apropriado. Este é agora o modo recomendado de executar tanto crews quanto flows.
+  A partir da versão 0.103.0, o comando `crewai run` pode ser usado para
+  executar tanto crews padrão quanto flows. Para flows, ele detecta
+  automaticamente o tipo a partir do pyproject.toml e executa o comando
+  apropriado. Este é agora o modo recomendado de executar tanto crews quanto
+  flows.
 </Note>
 
 <Note>
-Certifique-se de executar estes comandos a partir do diretório onde seu projeto CrewAI está configurado.
-Alguns comandos podem exigir configuração ou ajustes adicionais dentro da estrutura do seu projeto.
+  Certifique-se de executar estes comandos a partir do diretório onde seu
+  projeto CrewAI está configurado. Alguns comandos podem exigir configuração ou
+  ajustes adicionais dentro da estrutura do seu projeto.
 </Note>
 
 ### 9. Chat
@@ -180,6 +198,7 @@ Depois de receber os resultados, você pode continuar interagindo com o assisten
 ```shell Terminal
 crewai chat
 ```
+
 <Note>
 Garanta que você execute estes comandos a partir do diretório raiz do seu projeto CrewAI.
 </Note>
@@ -197,28 +216,30 @@ def crew(self) -> Crew:
         chat_llm="gpt-4o",  # LLM para orquestração de chat
     )
 ```
+
 </Note>
 
 ### 10. Deploy
 
-Implemente o crew ou flow no [CrewAI AOP](https://app.crewai.com).
+Implemente o crew ou flow no [CrewAI AMP](https://app.crewai.com).
 
-- **Autenticação**: Você precisa estar autenticado para implementar no CrewAI AOP.
-    Você pode fazer login ou criar uma conta com:
-    ```shell Terminal
-    crewai login
-    ```
+- **Autenticação**: Você precisa estar autenticado para implementar no CrewAI AMP.
+  Você pode fazer login ou criar uma conta com:
+
+  ```shell Terminal
+  crewai login
+  ```
 
 - **Criar um deployment**: Depois de autenticado, você pode criar um deployment para seu crew ou flow a partir da raiz do seu projeto local.
-    ```shell Terminal
-    crewai deploy create
-    ```
-    - Lê a configuração do seu projeto local.
-    - Solicita a confirmação das variáveis de ambiente (como `OPENAI_API_KEY`, `SERPER_API_KEY`) encontradas localmente. Elas serão armazenadas de forma segura junto ao deployment na plataforma Enterprise. Verifique se suas chaves sensíveis estão corretamente configuradas localmente (por exemplo, em um arquivo `.env`) antes de executar este comando.
+  ```shell Terminal
+  crewai deploy create
+  ```
+  - Lê a configuração do seu projeto local.
+  - Solicita a confirmação das variáveis de ambiente (como `OPENAI_API_KEY`, `SERPER_API_KEY`) encontradas localmente. Elas serão armazenadas de forma segura junto ao deployment na plataforma Enterprise. Verifique se suas chaves sensíveis estão corretamente configuradas localmente (por exemplo, em um arquivo `.env`) antes de executar este comando.
 
 ### 11. Gerenciamento de Organização
 
-Gerencie suas organizações no CrewAI AOP.
+Gerencie suas organizações no CrewAI AMP.
 
 ```shell Terminal
 crewai org [COMMAND] [OPTIONS]
@@ -227,65 +248,80 @@ crewai org [COMMAND] [OPTIONS]
 #### Comandos:
 
 - `list`: Liste todas as organizações das quais você faz parte
+
 ```shell Terminal
 crewai org list
 ```
 
 - `current`: Exibe sua organização ativa atualmente
+
 ```shell Terminal
 crewai org current
 ```
 
 - `switch`: Mude para uma organização específica
+
 ```shell Terminal
 crewai org switch <organization_id>
 ```
 
 <Note>
-Você deve estar autenticado no CrewAI AOP para usar estes comandos de gerenciamento de organização.
+  Você deve estar autenticado no CrewAI AMP para usar estes comandos de
+  gerenciamento de organização.
 </Note>
 
 - **Criar um deployment** (continuação):
-    - Vincula o deployment ao respectivo repositório remoto do GitHub (normalmente detectado automaticamente).
 
-- **Implantar o Crew**: Depois de autenticado, você pode implantar seu crew ou flow no CrewAI AOP.
-    ```shell Terminal
-    crewai deploy push
-    ```
-    - Inicia o processo de deployment na plataforma CrewAI AOP.
-    - Após a iniciação bem-sucedida, será exibida a mensagem Deployment created successfully! juntamente com o Nome do Deployment e um Deployment ID (UUID) único.
+  - Vincula o deployment ao respectivo repositório remoto do GitHub (normalmente detectado automaticamente).
+
+- **Implantar o Crew**: Depois de autenticado, você pode implantar seu crew ou flow no CrewAI AMP.
+
+  ```shell Terminal
+  crewai deploy push
+  ```
+
+  - Inicia o processo de deployment na plataforma CrewAI AMP.
+  - Após a iniciação bem-sucedida, será exibida a mensagem Deployment created successfully! juntamente com o Nome do Deployment e um Deployment ID (UUID) único.
 
 - **Status do Deployment**: Você pode verificar o status do seu deployment com:
-    ```shell Terminal
-    crewai deploy status
-    ```
-    Isso retorna o status mais recente do último deployment iniciado (por exemplo, `Building Images for Crew`, `Deploy Enqueued`, `Online`).
+
+  ```shell Terminal
+  crewai deploy status
+  ```
+
+  Isso retorna o status mais recente do último deployment iniciado (por exemplo, `Building Images for Crew`, `Deploy Enqueued`, `Online`).
 
 - **Logs do Deployment**: Você pode checar os logs do seu deployment com:
-    ```shell Terminal
-    crewai deploy logs
-    ```
-    Isso faz o streaming dos logs do deployment para seu terminal.
+
+  ```shell Terminal
+  crewai deploy logs
+  ```
+
+  Isso faz o streaming dos logs do deployment para seu terminal.
 
 - **Listar deployments**: Você pode listar todos os seus deployments com:
-    ```shell Terminal
-    crewai deploy list
-    ```
-    Isto lista todos os seus deployments.
+
+  ```shell Terminal
+  crewai deploy list
+  ```
+
+  Isto lista todos os seus deployments.
 
 - **Deletar um deployment**: Você pode deletar um deployment com:
-    ```shell Terminal
-    crewai deploy remove
-    ```
-    Isto exclui o deployment da plataforma CrewAI AOP.
+
+  ```shell Terminal
+  crewai deploy remove
+  ```
+
+  Isto exclui o deployment da plataforma CrewAI AMP.
 
 - **Comando de Ajuda**: Você pode obter ajuda sobre o CLI com:
-    ```shell Terminal
-    crewai deploy --help
-    ```
-    Isto exibe a mensagem de ajuda para o CLI CrewAI Deploy.
+  ```shell Terminal
+  crewai deploy --help
+  ```
+  Isto exibe a mensagem de ajuda para o CLI CrewAI Deploy.
 
-Assista ao vídeo tutorial para uma demonstração passo-a-passo de implantação do seu crew no [CrewAI AOP](http://app.crewai.com) usando o CLI.
+Assista ao vídeo tutorial para uma demonstração passo-a-passo de implantação do seu crew no [CrewAI AMP](http://app.crewai.com) usando o CLI.
 
 <iframe
   className="w-full aspect-video rounded-xl"
@@ -298,7 +334,7 @@ Assista ao vídeo tutorial para uma demonstração passo-a-passo de implantaçã
 
 ### 11. Chaves de API
 
-Ao executar o comando ```crewai create crew```, o CLI primeiro mostrará os 5 provedores de LLM mais comuns e pedirá para você selecionar um.
+Ao executar o comando `crewai create crew`, o CLI primeiro mostrará os 5 provedores de LLM mais comuns e pedirá para você selecionar um.
 
 Após selecionar um provedor de LLM, será solicitado que você informe as chaves de API.
 
@@ -306,11 +342,11 @@ Após selecionar um provedor de LLM, será solicitado que você informe as chave
 
 Inicialmente, o CLI solicitará as chaves de API para os seguintes serviços:
 
-* OpenAI
-* Groq
-* Anthropic
-* Google Gemini
-* SambaNova
+- OpenAI
+- Groq
+- Anthropic
+- Google Gemini
+- SambaNova
 
 Ao selecionar um provedor, o CLI solicitará que você insira sua chave de API.
 
@@ -322,7 +358,7 @@ Ao escolher um provedor, o CLI solicitará que você informe o nome da chave e a
 
 Veja o seguinte link para o nome de chave de cada provedor:
 
-* [LiteLLM Providers](https://docs.litellm.ai/docs/providers)
+- [LiteLLM Providers](https://docs.litellm.ai/docs/providers)
 
 ### 12. Gerenciamento de Configuração
 
@@ -335,23 +371,26 @@ crewai config [COMANDO] [OPÇÕES]
 #### Comandos:
 
 - `list`: Exibir todos os parâmetros de configuração do CLI
+
 ```shell Terminal
 crewai config list
 ```
 
 - `set`: Definir um parâmetro de configuração do CLI
+
 ```shell Terminal
 crewai config set <chave> <valor>
 ```
 
 - `reset`: Redefinir todos os parâmetros de configuração do CLI para valores padrão
+
 ```shell Terminal
 crewai config reset
 ```
 
 #### Parâmetros de Configuração Disponíveis
 
-- `enterprise_base_url`: URL base da instância CrewAI AOP
+- `enterprise_base_url`: URL base da instância CrewAI AMP
 - `oauth2_provider`: Provedor OAuth2 usado para autenticação (ex: workos, okta, auth0)
 - `oauth2_audience`: Valor de audiência OAuth2, tipicamente usado para identificar a API ou recurso de destino
 - `oauth2_client_id`: ID do cliente OAuth2 emitido pelo provedor, usado durante solicitações de autenticação
@@ -360,42 +399,51 @@ crewai config reset
 #### Exemplos
 
 Exibir configuração atual:
+
 ```shell Terminal
 crewai config list
 ```
 
 Exemplo de saída:
 
-| Parâmetro            | Valor                   | Descrição                                                     |
-| :------------------- | :---------------------- | :------------------------------------------------------------ |
-| enterprise_base_url  | https://app.crewai.com | URL base da instância CrewAI AOP                       |
-| org_name             | Not set                 | Nome da organização atualmente ativa                          |
-| org_uuid             | Not set                 | UUID da organização atualmente ativa                          |
-| oauth2_provider      | workos                  | Provedor OAuth2 (ex.: workos, okta, auth0)                    |
-| oauth2_audience      | client_01YYY            | Audience usada para identificar a API/recurso de destino       |
-| oauth2_client_id     | client_01XXX            | Client ID OAuth2 emitido pelo provedor (usado na autenticação) |
-| oauth2_domain        | login.crewai.com        | Domínio do provedor OAuth2 (ex.: your-org.auth0.com)          |
+| Parâmetro           | Valor                  | Descrição                                                      |
+| :------------------ | :--------------------- | :------------------------------------------------------------- |
+| enterprise_base_url | https://app.crewai.com | URL base da instância CrewAI AMP                               |
+| org_name            | Not set                | Nome da organização atualmente ativa                           |
+| org_uuid            | Not set                | UUID da organização atualmente ativa                           |
+| oauth2_provider     | workos                 | Provedor OAuth2 (ex.: workos, okta, auth0)                     |
+| oauth2_audience     | client_01YYY           | Audience usada para identificar a API/recurso de destino       |
+| oauth2_client_id    | client_01XXX           | Client ID OAuth2 emitido pelo provedor (usado na autenticação) |
+| oauth2_domain       | login.crewai.com       | Domínio do provedor OAuth2 (ex.: your-org.auth0.com)           |
 
 Definir a URL base do enterprise:
+
 ```shell Terminal
 crewai config set enterprise_base_url https://minha-empresa.crewai.com
 ```
 
 Definir provedor OAuth2:
+
 ```shell Terminal
 crewai config set oauth2_provider auth0
 ```
 
 Definir domínio OAuth2:
+
 ```shell Terminal
 crewai config set oauth2_domain minha-empresa.auth0.com
 ```
 
 Redefinir todas as configurações para padrões:
+
 ```shell Terminal
 crewai config reset
 ```
 
 <Note>
-As configurações são armazenadas em `~/.config/crewai/settings.json`. Algumas configurações como nome da organização e UUID são somente leitura e gerenciadas através de comandos de autenticação e organização. Configurações relacionadas ao repositório de ferramentas são ocultas e não podem ser definidas diretamente pelo usuário.
+  As configurações são armazenadas em `~/.config/crewai/settings.json`. Algumas
+  configurações como nome da organização e UUID são somente leitura e
+  gerenciadas através de comandos de autenticação e organização. Configurações
+  relacionadas ao repositório de ferramentas são ocultas e não podem ser
+  definidas diretamente pelo usuário.
 </Note>

docs/pt-BR/concepts/event-listener.mdx

@@ -1,6 +1,6 @@
 ---
-title: 'Listeners de Evento'
-description: 'Acesse eventos do CrewAI para criar integrações e monitoramento personalizados'
+title: "Listeners de Evento"
+description: "Acesse eventos do CrewAI para criar integrações e monitoramento personalizados"
 icon: spinner
 mode: "wide"
 ---
@@ -20,11 +20,12 @@ O CrewAI utiliza uma arquitetura de event bus para emitir eventos ao longo do ci
 Quando ações específicas ocorrem no CrewAI (como a inicialização de um Crew, um Agent concluindo uma tarefa ou o uso de uma ferramenta), o sistema emite os eventos correspondentes. Você pode registrar handlers para esses eventos para executar código personalizado quando eles acontecerem.
 
 <Note type="info" title="Aprimoramento Enterprise: Prompt Tracing">
-O CrewAI AOP fornece o recurso Prompt Tracing, que aproveita o sistema de eventos para rastrear, armazenar e visualizar todos os prompts, respostas e metadados associados. Isso proporciona poderosas capacidades de depuração e transparência nas operações dos seus agentes.
+O CrewAI AMP fornece o recurso Prompt Tracing, que aproveita o sistema de eventos para rastrear, armazenar e visualizar todos os prompts, respostas e metadados associados. Isso proporciona poderosas capacidades de depuração e transparência nas operações dos seus agentes.
 
 ![Prompt Tracing Dashboard](/images/enterprise/traces-overview.png)
 
 Com o Prompt Tracing você pode:
+
 - Visualizar o histórico completo de todos os prompts enviados ao seu LLM
 - Monitorar o uso de tokens e custos
 - Depurar falhas de raciocínio dos agentes
@@ -263,7 +264,6 @@ A estrutura do objeto de evento depende do tipo do evento, mas todos herdam de `
 
 Campos adicionais variam pelo tipo de evento. Por exemplo, `CrewKickoffCompletedEvent` inclui os campos `crew_name` e `output`.
 
-
 ## Uso Avançado: Handlers Escopados
 
 Para lidar temporariamente com eventos (útil para testes ou operações específicas), você pode usar o context manager `scoped_handlers`:

docs/pt-BR/concepts/tasks.mdx

@@ -14,11 +14,12 @@ As tarefas fornecem todos os detalhes necessários para sua execução, como des
 As tarefas dentro do CrewAI podem ser colaborativas, exigindo que múltiplos agentes trabalhem juntos. Isso é gerenciado por meio das propriedades da tarefa e orquestrado pelo processo do Crew, potencializando o trabalho em equipe e a eficiência.
 
 <Note type="info" title="Aprimoramento Empresarial: Construtor Visual de Tarefas">
-O CrewAI AOP inclui um Construtor Visual de Tarefas no Crew Studio, que simplifica a criação e o encadeamento de tarefas complexas. Projete seus fluxos de tarefas visualmente e teste-os em tempo real sem necessidade de escrever código.
+O CrewAI AMP inclui um Construtor Visual de Tarefas no Crew Studio, que simplifica a criação e o encadeamento de tarefas complexas. Projete seus fluxos de tarefas visualmente e teste-os em tempo real sem necessidade de escrever código.
 
 ![Task Builder Screenshot](/images/enterprise/crew-studio-interface.png)
 
 O Construtor Visual de Tarefas permite:
+
 - Criação de tarefas via arrastar-e-soltar
 - Visualização de dependências e fluxo de tarefas
 - Testes e validações em tempo real
@@ -28,10 +29,12 @@ O Construtor Visual de Tarefas permite:
 ### Fluxo de Execução de Tarefas
 
 As tarefas podem ser executadas de duas maneiras:
+
 - **Sequencial**: As tarefas são executadas na ordem em que são definidas
 - **Hierárquica**: As tarefas são atribuídas aos agentes com base em seus papéis e especialidades
 
 O fluxo de execução é definido ao criar o crew:
+
 ```python Code
 crew = Crew(
     agents=[agent1, agent2],
@@ -42,25 +45,25 @@ crew = Crew(
 
 ## Atributos da Tarefa
 
-| Atributo                         | Parâmetros        | Tipo                         | Descrição                                                                                                          |
-| :------------------------------- | :---------------- | :--------------------------- | :----------------------------------------------------------------------------------------------------------------- |
-| **Descrição**                    | `description`     | `str`                        | Uma declaração clara e concisa do que a tarefa envolve.                                                            |
-| **Saída Esperada**               | `expected_output` | `str`                        | Uma descrição detalhada de como deve ser o resultado da tarefa concluída.                                          |
-| **Nome** _(opcional)_            | `name`            | `Optional[str]`              | Um identificador de nome para a tarefa.                                                                            |
-| **Agente** _(opcional)_          | `agent`           | `Optional[BaseAgent]`        | O agente responsável por executar a tarefa.                                                                        |
-| **Ferramentas** _(opcional)_     | `tools`           | `List[BaseTool]`             | As ferramentas/recursos que o agente pode usar para esta tarefa.                                                   |
-| **Contexto** _(opcional)_        | `context`         | `Optional[List["Task"]]`     | Outras tarefas cujas saídas serão usadas como contexto para esta tarefa.                                           |
-| **Execução Assíncrona** _(opc.)_ | `async_execution` | `Optional[bool]`             | Se a tarefa deve ser executada de forma assíncrona. O padrão é False.                                              |
-| **Input Humano** _(opcional)_    | `human_input`     | `Optional[bool]`             | Se a tarefa deve ter uma revisão humana da resposta final do agente. O padrão é False.                             |
-| **Markdown** _(opcional)_        | `markdown`        | `Optional[bool]`             | Se a tarefa deve instruir o agente a retornar a resposta final formatada em Markdown. O padrão é False.            |
-| **Config** _(opcional)_          | `config`          | `Optional[Dict[str, Any]]`   | Parâmetros de configuração específicos da tarefa.                                                                  |
-| **Arquivo de Saída** _(opcional)_| `output_file`     | `Optional[str]`              | Caminho do arquivo para armazenar a saída da tarefa.                                                               |
-| **Criar Diretório** _(opcional)_ | `create_directory` | `Optional[bool]`            | Se deve criar o diretório para output_file caso não exista. O padrão é True.                                       |
-| **Saída JSON** _(opcional)_      | `output_json`     | `Optional[Type[BaseModel]]`  | Um modelo Pydantic para estruturar a saída em JSON.                                                                |
-| **Output Pydantic** _(opcional)_ | `output_pydantic` | `Optional[Type[BaseModel]]`  | Um modelo Pydantic para a saída da tarefa.                                                                         |
-| **Callback** _(opcional)_        | `callback`        | `Optional[Any]`              | Função/objeto a ser executado após a conclusão da tarefa.                                                          |
-| **Guardrail** _(opcional)_       | `guardrail`       | `Optional[Callable]`             | Função para validar a saída da tarefa antes de prosseguir para a próxima tarefa.                                |
-| **Max Tentativas Guardrail** _(opcional)_ | `guardrail_max_retries` | `Optional[int]`    | Número máximo de tentativas quando a validação do guardrail falha. Padrão é 3.                                   |
+| Atributo                                  | Parâmetros              | Tipo                        | Descrição                                                                                               |
+| :---------------------------------------- | :---------------------- | :-------------------------- | :------------------------------------------------------------------------------------------------------ |
+| **Descrição**                             | `description`           | `str`                       | Uma declaração clara e concisa do que a tarefa envolve.                                                 |
+| **Saída Esperada**                        | `expected_output`       | `str`                       | Uma descrição detalhada de como deve ser o resultado da tarefa concluída.                               |
+| **Nome** _(opcional)_                     | `name`                  | `Optional[str]`             | Um identificador de nome para a tarefa.                                                                 |
+| **Agente** _(opcional)_                   | `agent`                 | `Optional[BaseAgent]`       | O agente responsável por executar a tarefa.                                                             |
+| **Ferramentas** _(opcional)_              | `tools`                 | `List[BaseTool]`            | As ferramentas/recursos que o agente pode usar para esta tarefa.                                        |
+| **Contexto** _(opcional)_                 | `context`               | `Optional[List["Task"]]`    | Outras tarefas cujas saídas serão usadas como contexto para esta tarefa.                                |
+| **Execução Assíncrona** _(opc.)_          | `async_execution`       | `Optional[bool]`            | Se a tarefa deve ser executada de forma assíncrona. O padrão é False.                                   |
+| **Input Humano** _(opcional)_             | `human_input`           | `Optional[bool]`            | Se a tarefa deve ter uma revisão humana da resposta final do agente. O padrão é False.                  |
+| **Markdown** _(opcional)_                 | `markdown`              | `Optional[bool]`            | Se a tarefa deve instruir o agente a retornar a resposta final formatada em Markdown. O padrão é False. |
+| **Config** _(opcional)_                   | `config`                | `Optional[Dict[str, Any]]`  | Parâmetros de configuração específicos da tarefa.                                                       |
+| **Arquivo de Saída** _(opcional)_         | `output_file`           | `Optional[str]`             | Caminho do arquivo para armazenar a saída da tarefa.                                                    |
+| **Criar Diretório** _(opcional)_          | `create_directory`      | `Optional[bool]`            | Se deve criar o diretório para output_file caso não exista. O padrão é True.                            |
+| **Saída JSON** _(opcional)_               | `output_json`           | `Optional[Type[BaseModel]]` | Um modelo Pydantic para estruturar a saída em JSON.                                                     |
+| **Output Pydantic** _(opcional)_          | `output_pydantic`       | `Optional[Type[BaseModel]]` | Um modelo Pydantic para a saída da tarefa.                                                              |
+| **Callback** _(opcional)_                 | `callback`              | `Optional[Any]`             | Função/objeto a ser executado após a conclusão da tarefa.                                               |
+| **Guardrail** _(opcional)_                | `guardrail`             | `Optional[Callable]`        | Função para validar a saída da tarefa antes de prosseguir para a próxima tarefa.                        |
+| **Max Tentativas Guardrail** _(opcional)_ | `guardrail_max_retries` | `Optional[int]`             | Número máximo de tentativas quando a validação do guardrail falha. Padrão é 3.                          |
 
 ## Criando Tarefas
 
@@ -81,7 +84,7 @@ crew.kickoff(inputs={'topic': 'AI Agents'})
 
 Veja um exemplo de configuração de tarefas usando YAML:
 
-```yaml tasks.yaml
+````yaml tasks.yaml
 research_task:
   description: >
     Realize uma pesquisa detalhada sobre {topic}
@@ -101,7 +104,7 @@ reporting_task:
   agent: reporting_analyst
   markdown: true
   output_file: report.md
-```
+````
 
 Para usar essa configuração YAML em seu código, crie uma classe crew que herda de `CrewBase`:
 
@@ -159,7 +162,8 @@ class LatestAiDevelopmentCrew():
 ```
 
 <Note>
-Os nomes usados em seus arquivos YAML (`agents.yaml` e `tasks.yaml`) devem corresponder aos nomes dos métodos no seu código Python.
+  Os nomes usados em seus arquivos YAML (`agents.yaml` e `tasks.yaml`) devem
+  corresponder aos nomes dos métodos no seu código Python.
 </Note>
 
 ### Definição Direta no Código (Alternativa)
@@ -196,7 +200,8 @@ reporting_task = Task(
 ```
 
 <Tip>
-  Especifique diretamente um `agent` para a tarefa ou permita que o processo `hierarchical` do CrewAI decida com base em papéis, disponibilidade, etc.
+  Especifique diretamente um `agent` para a tarefa ou permita que o processo
+  `hierarchical` do CrewAI decida com base em papéis, disponibilidade, etc.
 </Tip>
 
 ## Saída da Tarefa
@@ -209,22 +214,22 @@ Por padrão, o `TaskOutput` incluirá apenas a saída `raw`. Um `TaskOutput` só
 
 ### Atributos do Task Output
 
-| Atributo          | Parâmetros     | Tipo                       | Descrição                                                                                   |
-| :---------------- | :------------- | :------------------------- | :------------------------------------------------------------------------------------------ |
-| **Description**   | `description`  | `str`                      | Descrição da tarefa.                                                                        |
-| **Summary**       | `summary`      | `Optional[str]`            | Resumo da tarefa, gerado automaticamente a partir das primeiras 10 palavras da descrição.   |
-| **Raw**           | `raw`          | `str`                      | Saída bruta da tarefa. Este é o formato padrão da saída.                                    |
-| **Pydantic**      | `pydantic`     | `Optional[BaseModel]`      | Objeto modelo Pydantic representando a saída da tarefa de forma estruturada.                |
-| **JSON Dict**     | `json_dict`    | `Optional[Dict[str, Any]]` | Dicionário representando a saída da tarefa em JSON.                                         |
-| **Agent**         | `agent`        | `str`                      | O agente que executou a tarefa.                                                             |
-| **Output Format** | `output_format`| `OutputFormat`             | O formato da saída da tarefa, podendo ser RAW, JSON e Pydantic. O padrão é RAW.             |
+| Atributo          | Parâmetros      | Tipo                       | Descrição                                                                                 |
+| :---------------- | :-------------- | :------------------------- | :---------------------------------------------------------------------------------------- |
+| **Description**   | `description`   | `str`                      | Descrição da tarefa.                                                                      |
+| **Summary**       | `summary`       | `Optional[str]`            | Resumo da tarefa, gerado automaticamente a partir das primeiras 10 palavras da descrição. |
+| **Raw**           | `raw`           | `str`                      | Saída bruta da tarefa. Este é o formato padrão da saída.                                  |
+| **Pydantic**      | `pydantic`      | `Optional[BaseModel]`      | Objeto modelo Pydantic representando a saída da tarefa de forma estruturada.              |
+| **JSON Dict**     | `json_dict`     | `Optional[Dict[str, Any]]` | Dicionário representando a saída da tarefa em JSON.                                       |
+| **Agent**         | `agent`         | `str`                      | O agente que executou a tarefa.                                                           |
+| **Output Format** | `output_format` | `OutputFormat`             | O formato da saída da tarefa, podendo ser RAW, JSON e Pydantic. O padrão é RAW.           |
 
 ### Métodos e Propriedades da Tarefa
 
-| Método/Propriedade | Descrição                                                                                       |
-| :----------------- | :--------------------------------------------------------------------------------------------- |
-| **json**           | Retorna a representação da saída da tarefa em JSON como string, se o formato de saída for JSON.|
-| **to_dict**        | Converte as saídas JSON e Pydantic para um dicionário.                                         |
+| Método/Propriedade | Descrição                                                                                            |
+| :----------------- | :--------------------------------------------------------------------------------------------------- |
+| **json**           | Retorna a representação da saída da tarefa em JSON como string, se o formato de saída for JSON.      |
+| **to_dict**        | Converte as saídas JSON e Pydantic para um dicionário.                                               |
 | **str**            | Retorna a representação em string da saída da tarefa, priorizando Pydantic, depois JSON, depois raw. |
 
 ### Acessando Saídas das Tarefas
@@ -280,12 +285,13 @@ formatted_task = Task(
 ```
 
 Quando `markdown=True`, o agente recebe instruções extras para formatar a saída usando:
+
 - `#` para títulos
 - `**texto**` para negrito
 - `*texto*` para itálico
 - `-` ou `*` para bullet points
 - `` `código` `` para código inline
-- ``` ```linguagem ``` para blocos de código
+- ` `linguagem ``` para blocos de código
 
 ### Configuração YAML com Markdown
 
@@ -296,7 +302,7 @@ analysis_task:
   expected_output: >
     Uma análise completa com gráficos e descobertas-chave
   agent: analyst
-  markdown: true  # Habilita formatação em markdown
+  markdown: true # Habilita formatação em markdown
   output_file: analysis.md
 ```
 
@@ -308,7 +314,9 @@ analysis_task:
 - **Compatibilidade Multi-plataforma**: Markdown é universalmente suportado
 
 <Note>
-As instruções de formatação em markdown são adicionadas automaticamente ao prompt da tarefa quando `markdown=True`, então não é necessário detalhar os requisitos de formatação na descrição da tarefa.
+  As instruções de formatação em markdown são adicionadas automaticamente ao
+  prompt da tarefa quando `markdown=True`, então não é necessário detalhar os
+  requisitos de formatação na descrição da tarefa.
 </Note>
 
 ## Dependências de Tarefas e Contexto
@@ -368,6 +376,7 @@ blog_task = Task(
 ### Requisitos da Função Guardrail
 
 1. **Assinatura da Função**:
+
    - Deve aceitar exatamente um parâmetro (a saída da tarefa)
    - Deve retornar uma tupla `(bool, Any)`
    - Type hints são recomendados, mas opcionais
@@ -376,11 +385,10 @@ blog_task = Task(
    - Em caso de sucesso: retorna uma tupla `(True, resultado_validado)`
    - Em caso de falha: retorna uma tupla `(False, "mensagem de erro explicando a falha")`
 
-
-
 ### Melhores Práticas de Tratamento de Erros
 
 1. **Respostas de Erro Estruturadas**:
+
 ```python Code
 from crewai import TaskOutput, LLMGuardrail
 
@@ -396,11 +404,13 @@ def validate_with_context(result: TaskOutput) -> Tuple[bool, Any]:
 ```
 
 2. **Categorias de Erro**:
+
    - Use códigos de erro específicos
    - Inclua contexto relevante
    - Forneça feedback acionável
 
 3. **Cadeia de Validação**:
+
 ```python Code
 from typing import Any, Dict, List, Tuple, Union
 from crewai import TaskOutput
@@ -427,6 +437,7 @@ def complex_validation(result: TaskOutput) -> Tuple[bool, Any]:
 ### Tratamento dos Resultados do Guardrail
 
 Quando um guardrail retorna `(False, erro)`:
+
 1. O erro é enviado de volta para o agente
 2. O agente tenta corrigir o problema
 3. O processo se repete até:
@@ -434,6 +445,7 @@ Quando um guardrail retorna `(False, erro)`:
    - O número máximo de tentativas ser atingido
 
 Exemplo com manipulação de tentativas:
+
 ```python Code
 from typing import Optional, Tuple, Union
 from crewai import TaskOutput, Task
@@ -459,10 +471,12 @@ task = Task(
 ## Obtendo Saídas Estruturadas e Consistentes das Tarefas
 
 <Note>
-É importante também observar que a saída da última tarefa de um crew se torna a saída final do próprio crew.
+  É importante também observar que a saída da última tarefa de um crew se torna
+  a saída final do próprio crew.
 </Note>
 
 ### Usando `output_pydantic`
+
 A propriedade `output_pydantic` permite que você defina um modelo Pydantic que a saída da tarefa deve seguir. Isso garante que a saída seja não apenas estruturada, mas também validada de acordo com o modelo.
 
 Veja um exemplo de uso do output_pydantic:
@@ -532,18 +546,22 @@ print("Acessando propriedades - Opção 5")
 print("Blog:", result)
 
 ```
+
 Neste exemplo:
-* Um modelo Pydantic Blog é definido com os campos title e content.
-* A tarefa task1 utiliza a propriedade output_pydantic para especificar que sua saída deve seguir o modelo Blog.
-* Após executar o crew, você pode acessar a saída estruturada de várias formas, como mostrado.
+
+- Um modelo Pydantic Blog é definido com os campos title e content.
+- A tarefa task1 utiliza a propriedade output_pydantic para especificar que sua saída deve seguir o modelo Blog.
+- Após executar o crew, você pode acessar a saída estruturada de várias formas, como mostrado.
 
 #### Explicação sobre o acesso à saída
-1. Indexação estilo dicionário: Acesse os campos diretamente usando result["nome_do_campo"]. Isso funciona porque a classe CrewOutput implementa o método __getitem__.
+
+1. Indexação estilo dicionário: Acesse os campos diretamente usando result["nome_do_campo"]. Isso funciona porque a classe CrewOutput implementa o método **getitem**.
 2. Diretamente do modelo Pydantic: Acesse os atributos diretamente do objeto result.pydantic.
 3. Usando o método to_dict(): Converta a saída para um dicionário e acesse os campos.
 4. Imprimindo o objeto inteiro: Simplesmente imprima o objeto result para ver a saída estruturada.
 
 ### Usando `output_json`
+
 A propriedade `output_json` permite definir o formato de saída esperado em JSON. Isso garante que a saída da tarefa seja uma estrutura JSON válida que pode ser facilmente analisada e utilizada na aplicação.
 
 Veja um exemplo de uso do `output_json`:
@@ -603,14 +621,15 @@ print("Blog:", result)
 ```
 
 Neste exemplo:
-* Um modelo Pydantic Blog é definido com os campos title e content, usado para especificar a estrutura do JSON de saída.
-* A tarefa task1 utiliza a propriedade output_json para indicar que espera uma saída JSON que segue o modelo Blog.
-* Após executar o crew, você pode acessar a saída estruturada em JSON conforme demonstrado.
+
+- Um modelo Pydantic Blog é definido com os campos title e content, usado para especificar a estrutura do JSON de saída.
+- A tarefa task1 utiliza a propriedade output_json para indicar que espera uma saída JSON que segue o modelo Blog.
+- Após executar o crew, você pode acessar a saída estruturada em JSON conforme demonstrado.
 
 #### Explicação sobre o acesso à saída
 
-1. Acessando propriedades via indexação de dicionário: Você pode acessar os campos diretamente usando result["nome_do_campo"]. Isso é possível pois a classe CrewOutput implementa o método __getitem__, permitindo tratar a saída como um dicionário. Nesse caso, estamos acessando title e content do resultado.
-2. Imprimindo o objeto Blog inteiro: Ao imprimir result, você obterá a representação em string do objeto CrewOutput. Como o método __str__ é implementado para retornar a saída em JSON, isso exibirá toda a saída como uma string formatada representando o objeto Blog.
+1. Acessando propriedades via indexação de dicionário: Você pode acessar os campos diretamente usando result["nome_do_campo"]. Isso é possível pois a classe CrewOutput implementa o método **getitem**, permitindo tratar a saída como um dicionário. Nesse caso, estamos acessando title e content do resultado.
+2. Imprimindo o objeto Blog inteiro: Ao imprimir result, você obterá a representação em string do objeto CrewOutput. Como o método **str** é implementado para retornar a saída em JSON, isso exibirá toda a saída como uma string formatada representando o objeto Blog.
 
 ---
 
@@ -827,8 +846,6 @@ task = Task(
 )
 ```
 
-
-
 ```python Code
 @CrewBase
 class InternalCrew:
@@ -872,6 +889,7 @@ task = Task(
 ### Casos Comuns de Uso
 
 #### Validação de Formato de Dados
+
 ```python Code
 def validate_email_format(result: str) -> Tuple[bool, Union[str, str]]:
     """Garante que a saída contenha um e-mail válido."""
@@ -883,6 +901,7 @@ def validate_email_format(result: str) -> Tuple[bool, Union[str, str]]:
 ```
 
 #### Filtragem de Conteúdo
+
 ```python Code
 def filter_sensitive_info(result: str) -> Tuple[bool, Union[str, str]]:
     """Remove ou valida informações sensíveis."""
@@ -894,6 +913,7 @@ def filter_sensitive_info(result: str) -> Tuple[bool, Union[str, str]]:
 ```
 
 #### Transformação de Dados
+
 ```python Code
 def normalize_phone_number(result: str) -> Tuple[bool, Union[str, str]]:
     """Garante que números de telefone estejam em formato consistente."""
@@ -908,6 +928,7 @@ def normalize_phone_number(result: str) -> Tuple[bool, Union[str, str]]:
 ### Recursos Avançados
 
 #### Encadeando Múltiplas Validações
+
 ```python Code
 def chain_validations(*validators):
     """Encadeia múltiplos validadores."""
@@ -932,6 +953,7 @@ task = Task(
 ```
 
 #### Lógica Customizada de Retentativas
+
 ```python Code
 task = Task(
     description="Gerar dados",
@@ -987,7 +1009,7 @@ analysis_task:
     Um relatório financeiro abrangente com insights trimestrais
   agent: financial_analyst
   output_file: reports/quarterly/q4_2024_analysis.pdf
-  create_directory: true  # Criar automaticamente o diretório 'reports/quarterly/'
+  create_directory: true # Criar automaticamente o diretório 'reports/quarterly/'
 
 audit_task:
   description: >
@@ -996,18 +1018,20 @@ audit_task:
     Um relatório de auditoria de conformidade
   agent: auditor
   output_file: audit/compliance_report.md
-  create_directory: false  # O diretório já deve existir
+  create_directory: false # O diretório já deve existir
 ```
 
 ### Casos de Uso
 
 **Criação Automática de Diretórios (`create_directory=True`):**
+
 - Ambientes de desenvolvimento e prototipagem
 - Geração dinâmica de relatórios com pastas baseadas em datas
 - Fluxos de trabalho automatizados onde a estrutura de diretórios pode variar
 - Aplicações multi-tenant com pastas específicas do usuário
 
 **Gerenciamento Manual de Diretórios (`create_directory=False`):**
+
 - Ambientes de produção com controles rígidos do sistema de arquivos
 - Aplicações sensíveis à segurança onde diretórios devem ser pré-configurados
 - Sistemas com requisitos específicos de permissão

docs/pt-BR/concepts/tools.mdx

@@ -17,9 +17,10 @@ Isso inclui ferramentas do [CrewAI Toolkit](https://github.com/joaomdmoura/crewa
 permitindo desde buscas simples até interações complexas e trabalho em equipe eficiente entre agentes.
 
 <Note type="info" title="Aprimoramento para Empresas: Repositório de Ferramentas">
-O CrewAI AOP oferece um Repositório de Ferramentas abrangente, com integrações pré-construídas para sistemas empresariais e APIs comuns. Implemente agentes com ferramentas corporativas em minutos em vez de dias.
+O CrewAI AMP oferece um Repositório de Ferramentas abrangente, com integrações pré-construídas para sistemas empresariais e APIs comuns. Implemente agentes com ferramentas corporativas em minutos em vez de dias.
 
 O Repositório de Ferramentas Empresariais inclui:
+
 - Conectores pré-construídos para sistemas empresariais populares
 - Interface para criação de ferramentas personalizadas
 - Controle de versão e funcionalidades de compartilhamento
@@ -116,44 +117,45 @@ crew.kickoff()
 
 Aqui está uma lista das ferramentas disponíveis e suas descrições:
 
-| Ferramenta                        | Descrição                                                                                     |
-| :-------------------------------  | :------------------------------------------------------------------------------------------- |
-| **ApifyActorsTool**               | Ferramenta que integra Apify Actors aos seus fluxos de trabalho para web scraping e automação.|
-| **BrowserbaseLoadTool**           | Ferramenta para interação e extração de dados de navegadores web.                            |
-| **CodeDocsSearchTool**            | Uma ferramenta RAG otimizada para busca em documentações de código e documentos técnicos.     |
-| **CodeInterpreterTool**           | Ferramenta para interpretar código Python.                                                   |
-| **ComposioTool**                  | Permite o uso de ferramentas Composio.                                                       |
-| **CSVSearchTool**                 | Ferramenta RAG projetada para busca em arquivos CSV, ideal para dados estruturados.           |
-| **DALL-E Tool**                   | Ferramenta para gerar imagens utilizando a API do DALL-E.                                     |
-| **DirectorySearchTool**           | Ferramenta RAG para busca em diretórios, útil para navegação em sistemas de arquivos.         |
-| **DOCXSearchTool**                | Ferramenta RAG voltada para busca em documentos DOCX, ideal para processar arquivos Word.     |
-| **DirectoryReadTool**             | Facilita a leitura e processamento de estruturas de diretórios e seus conteúdos.              |
-| **EXASearchTool**                 | Ferramenta projetada para buscas exaustivas em diversas fontes de dados.                      |
-| **FileReadTool**                  | Permite a leitura e extração de dados de arquivos, suportando diversos formatos.              |
-| **FirecrawlSearchTool**           | Ferramenta para buscar páginas web usando Firecrawl e retornar os resultados.                 |
-| **FirecrawlCrawlWebsiteTool**     | Ferramenta para rastrear páginas web utilizando o Firecrawl.                                  |
-| **FirecrawlScrapeWebsiteTool**    | Ferramenta para extrair o conteúdo de URLs usando Firecrawl.                                  |
-| **GithubSearchTool**              | Ferramenta RAG para buscar em repositórios GitHub, útil para pesquisa de código e documentação.|
-| **SerperDevTool**                 | Ferramenta especializada para finalidades de desenvolvimento, com funcionalidades em evolução. |
-| **TXTSearchTool**                 | Ferramenta RAG voltada para busca em arquivos de texto (.txt), adaptada para dados não estruturados. |
-| **JSONSearchTool**                | Ferramenta RAG para busca em arquivos JSON, voltada ao manuseio de dados estruturados.        |
-| **LlamaIndexTool**                | Permite o uso das ferramentas LlamaIndex.                                                     |
-| **MDXSearchTool**                 | Ferramenta RAG para busca em arquivos Markdown (MDX), útil para documentação.                 |
-| **PDFSearchTool**                 | Ferramenta RAG para busca em documentos PDF, ideal para processar documentos digitalizados.   |
-| **PGSearchTool**                  | Ferramenta RAG otimizada para busca em bancos de dados PostgreSQL, adequada para consultas.   |
-| **Vision Tool**                   | Ferramenta para gerar imagens utilizando a API do DALL-E.                                     |
-| **RagTool**                       | Ferramenta RAG de uso geral, capaz de lidar com diferentes fontes e tipos de dados.           |
-| **ScrapeElementFromWebsiteTool**  | Permite extrair elementos específicos de sites, útil para extração de dados direcionada.      |
-| **ScrapeWebsiteTool**             | Facilita o scraping de sites inteiros, ideal para coleta abrangente de dados.                 |
-| **WebsiteSearchTool**             | Ferramenta RAG para busca em conteúdos de sites, otimizada para extração de dados web.        |
-| **XMLSearchTool**                 | Ferramenta RAG para busca em arquivos XML, adequada para formatos de dados estruturados.      |
-| **YoutubeChannelSearchTool**      | Ferramenta RAG para busca em canais do YouTube, útil para análise de conteúdo em vídeo.       |
-| **YoutubeVideoSearchTool**        | Ferramenta RAG para busca em vídeos do YouTube, ideal para extração de dados de vídeo.        |
+| Ferramenta                       | Descrição                                                                                            |
+| :------------------------------- | :--------------------------------------------------------------------------------------------------- |
+| **ApifyActorsTool**              | Ferramenta que integra Apify Actors aos seus fluxos de trabalho para web scraping e automação.       |
+| **BrowserbaseLoadTool**          | Ferramenta para interação e extração de dados de navegadores web.                                    |
+| **CodeDocsSearchTool**           | Uma ferramenta RAG otimizada para busca em documentações de código e documentos técnicos.            |
+| **CodeInterpreterTool**          | Ferramenta para interpretar código Python.                                                           |
+| **ComposioTool**                 | Permite o uso de ferramentas Composio.                                                               |
+| **CSVSearchTool**                | Ferramenta RAG projetada para busca em arquivos CSV, ideal para dados estruturados.                  |
+| **DALL-E Tool**                  | Ferramenta para gerar imagens utilizando a API do DALL-E.                                            |
+| **DirectorySearchTool**          | Ferramenta RAG para busca em diretórios, útil para navegação em sistemas de arquivos.                |
+| **DOCXSearchTool**               | Ferramenta RAG voltada para busca em documentos DOCX, ideal para processar arquivos Word.            |
+| **DirectoryReadTool**            | Facilita a leitura e processamento de estruturas de diretórios e seus conteúdos.                     |
+| **EXASearchTool**                | Ferramenta projetada para buscas exaustivas em diversas fontes de dados.                             |
+| **FileReadTool**                 | Permite a leitura e extração de dados de arquivos, suportando diversos formatos.                     |
+| **FirecrawlSearchTool**          | Ferramenta para buscar páginas web usando Firecrawl e retornar os resultados.                        |
+| **FirecrawlCrawlWebsiteTool**    | Ferramenta para rastrear páginas web utilizando o Firecrawl.                                         |
+| **FirecrawlScrapeWebsiteTool**   | Ferramenta para extrair o conteúdo de URLs usando Firecrawl.                                         |
+| **GithubSearchTool**             | Ferramenta RAG para buscar em repositórios GitHub, útil para pesquisa de código e documentação.      |
+| **SerperDevTool**                | Ferramenta especializada para finalidades de desenvolvimento, com funcionalidades em evolução.       |
+| **TXTSearchTool**                | Ferramenta RAG voltada para busca em arquivos de texto (.txt), adaptada para dados não estruturados. |
+| **JSONSearchTool**               | Ferramenta RAG para busca em arquivos JSON, voltada ao manuseio de dados estruturados.               |
+| **LlamaIndexTool**               | Permite o uso das ferramentas LlamaIndex.                                                            |
+| **MDXSearchTool**                | Ferramenta RAG para busca em arquivos Markdown (MDX), útil para documentação.                        |
+| **PDFSearchTool**                | Ferramenta RAG para busca em documentos PDF, ideal para processar documentos digitalizados.          |
+| **PGSearchTool**                 | Ferramenta RAG otimizada para busca em bancos de dados PostgreSQL, adequada para consultas.          |
+| **Vision Tool**                  | Ferramenta para gerar imagens utilizando a API do DALL-E.                                            |
+| **RagTool**                      | Ferramenta RAG de uso geral, capaz de lidar com diferentes fontes e tipos de dados.                  |
+| **ScrapeElementFromWebsiteTool** | Permite extrair elementos específicos de sites, útil para extração de dados direcionada.             |
+| **ScrapeWebsiteTool**            | Facilita o scraping de sites inteiros, ideal para coleta abrangente de dados.                        |
+| **WebsiteSearchTool**            | Ferramenta RAG para busca em conteúdos de sites, otimizada para extração de dados web.               |
+| **XMLSearchTool**                | Ferramenta RAG para busca em arquivos XML, adequada para formatos de dados estruturados.             |
+| **YoutubeChannelSearchTool**     | Ferramenta RAG para busca em canais do YouTube, útil para análise de conteúdo em vídeo.              |
+| **YoutubeVideoSearchTool**       | Ferramenta RAG para busca em vídeos do YouTube, ideal para extração de dados de vídeo.               |
 
 ## Criando suas próprias Ferramentas
 
 <Tip>
-  Desenvolvedores podem criar `ferramentas personalizadas` adaptadas para as necessidades de seus agentes ou utilizar opções pré-construídas.
+  Desenvolvedores podem criar `ferramentas personalizadas` adaptadas para as
+  necessidades de seus agentes ou utilizar opções pré-construídas.
 </Tip>
 
 Existem duas formas principais de criar uma ferramenta CrewAI:
@@ -248,8 +250,10 @@ def my_tool(question: str) -> str:
 ### Mecanismo de Cache Personalizado
 
 <Tip>
-  As ferramentas podem implementar opcionalmente uma `cache_function` para ajuste fino do comportamento de cache.
-  Esta função determina quando armazenar resultados em cache com base em condições específicas, oferecendo controle granular sobre a lógica de cache.
+  As ferramentas podem implementar opcionalmente uma `cache_function` para
+  ajuste fino do comportamento de cache. Esta função determina quando armazenar
+  resultados em cache com base em condições específicas, oferecendo controle
+  granular sobre a lógica de cache.
 </Tip>
 
 ```python Code