fix: correct code example language inconsistency in pt-BR docs (#3088)

* fix: correct code example language inconsistency in pt-BR docs * fix: fix: fully standardize code example language and naming in pt-BR docs * fix: fix: fully standardize code example language and naming in pt-BR docs fixed variables * fix: fix: fully standardize code example language and naming in pt-BR docs fixed params --------- Co-authored-by: Lucas Gomide <lucaslg200@gmail.com>
2026-05-02 07:42:40 +00:00 · 2025-07-02 12:18:32 -04:00
parent ceb310bcde
commit 7f83947020
37 changed files with 545 additions and 634 deletions
--- a/docs/pt-BR/observability/arize-phoenix.mdx
+++ b/docs/pt-BR/observability/arize-phoenix.mdx
@@ -78,47 +78,40 @@ CrewAIInstrumentor().instrument(skip_dep_check=True, tracer_provider=tracer_prov
 search_tool = SerperDevTool()

 # Defina seus agentes com papéis e objetivos
-researcher = Agent(
-    role="Senior Research Analyst",
-    goal="Uncover cutting-edge developments in AI and data science",
-    backstory="""You work at a leading tech think tank.
-    Your expertise lies in identifying emerging trends.
-    You have a knack for dissecting complex data and presenting actionable insights.""",
+pesquisador = Agent(
+    role="Analista Sênior de Pesquisa",
+    goal="Descobrir os avanços mais recentes em IA e ciência de dados",
+    backstory="""
+Você trabalha em um importante think tank de tecnologia. Sua especialidade é identificar tendências emergentes. Você tem habilidade para dissecar dados complexos e apresentar insights acionáveis.
+""",
    verbose=True,
    allow_delegation=False,
-    # You can pass an optional llm attribute specifying what model you wanna use.
-    # llm=ChatOpenAI(model_name="gpt-3.5", temperature=0.7),
    tools=[search_tool],
 )
 writer = Agent(
-    role="Tech Content Strategist",
-    goal="Craft compelling content on tech advancements",
-    backstory="""You are a renowned Content Strategist, known for your insightful and engaging articles.
-    You transform complex concepts into compelling narratives.""",
+    role="Estrategista de Conteúdo Técnico",
+    goal="Criar conteúdo envolvente sobre avanços tecnológicos",
+    backstory="Você é um Estrategista de Conteúdo renomado, conhecido por seus artigos perspicazes e envolventes. Você transforma conceitos complexos em narrativas atraentes.",
    verbose=True,
    allow_delegation=True,
 )

 # Crie tarefas para seus agentes
 task1 = Task(
-    description="""Conduct a comprehensive analysis of the latest advancements in AI in 2024.
-    Identify key trends, breakthrough technologies, and potential industry impacts.""",
-    expected_output="Full analysis report in bullet points",
-    agent=researcher,
+    description="Realize uma análise abrangente dos avanços mais recentes em IA em 2024. Identifique tendências-chave, tecnologias inovadoras e impactos potenciais na indústria.",
+    expected_output="Relatório analítico completo em tópicos",
+    agent=pesquisador,
 )

 task2 = Task(
-    description="""Using the insights provided, develop an engaging blog
-    post that highlights the most significant AI advancements.
-    Your post should be informative yet accessible, catering to a tech-savvy audience.
-    Make it sound cool, avoid complex words so it doesn't sound like AI.""",
-    expected_output="Full blog post of at least 4 paragraphs",
+    description="Utilizando os insights fornecidos, desenvolva um blog envolvente destacando os avanços mais significativos em IA. O post deve ser informativo e acessível, voltado para um público técnico. Dê um tom interessante, evite palavras complexas para não soar como IA.",
+    expected_output="Post de blog completo com pelo menos 4 parágrafos",
    agent=writer,
 )

 # Instancie seu crew com um processo sequencial
 crew = Crew(
-    agents=[researcher, writer], tasks=[task1, task2], verbose=1, process=Process.sequential
+    agents=[pesquisador, writer], tasks=[task1, task2], verbose=1, process=Process.sequential
 )

 # Coloque seu crew para trabalhar!
--- a/docs/pt-BR/observability/langfuse.mdx
+++ b/docs/pt-BR/observability/langfuse.mdx
@@ -76,20 +76,20 @@ from crewai_tools import (

 web_rag_tool = WebsiteSearchTool()

-writer = Agent(
-        role="Writer",
-        goal="Você torna a matemática envolvente e compreensível para crianças pequenas através de poesias",
-        backstory="Você é especialista em escrever haicais mas não sabe nada de matemática.",
-        tools=[web_rag_tool],  
-    )
+escritor = Agent(
+    role="Escritor",
+    goal="Você torna a matemática envolvente e compreensível para crianças pequenas através de poesias",
+    backstory="Você é especialista em escrever haicais mas não sabe nada de matemática.",
+    tools=[web_rag_tool],  
+)

-task = Task(description=("O que é {multiplicação}?"),
-            expected_output=("Componha um haicai que inclua a resposta."),
-            agent=writer)
+tarefa = Task(description=("O que é {multiplicação}?"),
+              expected_output=("Componha um haicai que inclua a resposta."),
+              agent=escritor)

-crew = Crew(
-  agents=[writer],
-  tasks=[task],
+equipe = Crew(
+  agents=[escritor],
+  tasks=[tarefa],
  share_crew=False
 )
 ```
--- a/docs/pt-BR/observability/langtrace.mdx
+++ b/docs/pt-BR/observability/langtrace.mdx
@@ -35,7 +35,7 @@ Essa integração permite o registro de hiperparâmetros, o monitoramento de reg

    ```python
    from langtrace_python_sdk import langtrace
-    langtrace.init(api_key='<LANGTRACE_API_KEY>')
+    langtrace.init(api_key='<SUA_CHAVE_LANGTRACE>')

    # Agora importe os módulos do CrewAI
    from crewai import Agent, Task, Crew
--- a/docs/pt-BR/observability/maxim.mdx
+++ b/docs/pt-BR/observability/maxim.mdx
@@ -73,26 +73,24 @@ instrument_crewai(logger)
 ### 4. Crie e execute sua aplicação CrewAI normalmente

 ```python
-
-# Crie seu agente
-researcher = Agent(
-    role='Senior Research Analyst',
-    goal='Uncover cutting-edge developments in AI',
-    backstory="You are an expert researcher at a tech think tank...",
+pesquisador = Agent(
+    role='Pesquisador Sênior',
+    goal='Descobrir os avanços mais recentes em IA',
+    backstory="Você é um pesquisador especialista em um think tank de tecnologia...",
    verbose=True,
    llm=llm
 )

 # Defina a tarefa
 research_task = Task(
-    description="Research the latest AI advancements...",
+    description="Pesquise os avanços mais recentes em IA...",
    expected_output="",
-    agent=researcher
+    agent=pesquisador
 )

 # Configure e execute a crew
 crew = Crew(
-    agents=[researcher],
+    agents=[pesquisador],
    tasks=[research_task],
    verbose=True
 )
--- a/docs/pt-BR/observability/mlflow.mdx
+++ b/docs/pt-BR/observability/mlflow.mdx
@@ -70,22 +70,19 @@ O tracing fornece uma forma de registrar os inputs, outputs e metadados associad

      class TripAgents:
          def city_selection_agent(self):
-              return Agent(
-                  role="City Selection Expert",
-                  goal="Select the best city based on weather, season, and prices",
-                  backstory="An expert in analyzing travel data to pick ideal destinations",
-                  tools=[
-                      search_tool,
-                  ],
+              especialista_cidades = Agent(
+                  role="Especialista em Seleção de Cidades",
+                  goal="Selecionar a melhor cidade com base no clima, estação e preços",
+                  backstory="Especialista em analisar dados de viagem para escolher destinos ideais",
+                  tools=[search_tool],
                  verbose=True,
              )

          def local_expert(self):
-              return Agent(
-                  role="Local Expert at this city",
-                  goal="Provide the BEST insights about the selected city",
-                  backstory="""A knowledgeable local guide with extensive information
-              about the city, it's attractions and customs""",
+              especialista_local = Agent(
+                  role="Especialista Local nesta cidade",
+                  goal="Fornecer as MELHORES informações sobre a cidade selecionada",
+                  backstory="Um guia local experiente com amplo conhecimento sobre a cidade, suas atrações e costumes",
                  tools=[search_tool],
                  verbose=True,
              )
@@ -96,53 +93,36 @@ O tracing fornece uma forma de registrar os inputs, outputs e metadados associad
              return Task(
                  description=dedent(
                      f"""
-                      Analyze and select the best city for the trip based
-                      on specific criteria such as weather patterns, seasonal
-                      events, and travel costs. This task involves comparing
-                      multiple cities, considering factors like current weather
-                      conditions, upcoming cultural or seasonal events, and
-                      overall travel expenses.
-                      Your final answer must be a detailed
-                      report on the chosen city, and everything you found out
-                      about it, including the actual flight costs, weather
-                      forecast and attractions.
+                      Analise e selecione a melhor cidade para a viagem com base em critérios específicos como padrões climáticos, eventos sazonais e custos de viagem. Esta tarefa envolve comparar várias cidades, considerando fatores como condições climáticas atuais, eventos culturais ou sazonais e despesas gerais de viagem.
+                      Sua resposta final deve ser um relatório detalhado sobre a cidade escolhida e tudo o que você descobriu sobre ela, incluindo custos reais de voo, previsão do tempo e atrações.

-                      Traveling from: {origin}
-                      City Options: {cities}
-                      Trip Date: {range}
-                      Traveler Interests: {interests}
+                      Saindo de: {origin}
+                      Opções de cidades: {cities}
+                      Data da viagem: {range}
+                      Interesses do viajante: {interests}
                  """
                  ),
                  agent=agent,
-                  expected_output="Detailed report on the chosen city including flight costs, weather forecast, and attractions",
+                  expected_output="Relatório detalhado sobre a cidade escolhida incluindo custos de voo, previsão do tempo e atrações",
              )

          def gather_task(self, agent, origin, interests, range):
              return Task(
                  description=dedent(
                      f"""
-                      As a local expert on this city you must compile an
-                      in-depth guide for someone traveling there and wanting
-                      to have THE BEST trip ever!
-                      Gather information about key attractions, local customs,
-                      special events, and daily activity recommendations.
-                      Find the best spots to go to, the kind of place only a
-                      local would know.
-                      This guide should provide a thorough overview of what
-                      the city has to offer, including hidden gems, cultural
-                      hotspots, must-visit landmarks, weather forecasts, and
-                      high level costs.
-                      The final answer must be a comprehensive city guide,
-                      rich in cultural insights and practical tips,
-                      tailored to enhance the travel experience.
+                      Como especialista local nesta cidade, você deve compilar um guia aprofundado para alguém que está viajando para lá e quer ter a MELHOR viagem possível!
+                      Reúna informações sobre principais atrações, costumes locais, eventos especiais e recomendações de atividades diárias.
+                      Encontre os melhores lugares para ir, aqueles que só um local conhece.
+                      Este guia deve fornecer uma visão abrangente do que a cidade tem a oferecer, incluindo joias escondidas, pontos culturais, marcos imperdíveis, previsão do tempo e custos gerais.
+                      A resposta final deve ser um guia completo da cidade, rico em insights culturais e dicas práticas, adaptado para aprimorar a experiência de viagem.

-                      Trip Date: {range}
-                      Traveling from: {origin}
-                      Traveler Interests: {interests}
+                      Data da viagem: {range}
+                      Saindo de: {origin}
+                      Interesses do viajante: {interests}
                  """
                  ),
                  agent=agent,
-                  expected_output="Comprehensive city guide including hidden gems, cultural hotspots, and practical travel tips",
+                  expected_output="Guia completo da cidade incluindo joias escondidas, pontos culturais e dicas práticas",
              )


@@ -189,7 +169,7 @@ O tracing fornece uma forma de registrar os inputs, outputs e metadados associad
      trip_crew = TripCrew("California", "Tokyo", "Dec 12 - Dec 20", "sports")
      result = trip_crew.run()

-      print(result)
+      print("Resultado da equipe:", result)
      ```
      Consulte a [Documentação de Tracing do MLflow](https://mlflow.org/docs/latest/llms/tracing/index.html) para mais configurações e casos de uso.
    </Step>
--- a/docs/pt-BR/observability/openlit.mdx
+++ b/docs/pt-BR/observability/openlit.mdx
@@ -69,10 +69,10 @@ Essa configuração permite acompanhar hiperparâmetros e monitorar problemas de

          openlit.init(disable_metrics=True)
          # Definir seus agentes
-          researcher = Agent(
-              role="Researcher",
-              goal="Conduct thorough research and analysis on AI and AI agents",
-              backstory="You're an expert researcher, specialized in technology, software engineering, AI, and startups. You work as a freelancer and are currently researching for a new client.",
+          pesquisador = Agent(
+              role="Pesquisador",
+              goal="Realizar pesquisas e análises aprofundadas sobre IA e agentes de IA",
+              backstory="Você é um pesquisador especialista em tecnologia, engenharia de software, IA e startups. Trabalha como freelancer e está atualmente pesquisando para um novo cliente.",
              allow_delegation=False,
              llm='command-r'
          )
@@ -80,24 +80,24 @@ Essa configuração permite acompanhar hiperparâmetros e monitorar problemas de

          # Definir sua task
          task = Task(
-              description="Generate a list of 5 interesting ideas for an article, then write one captivating paragraph for each idea that showcases the potential of a full article on this topic. Return the list of ideas with their paragraphs and your notes.",
-              expected_output="5 bullet points, each with a paragraph and accompanying notes.",
+              description="Gere uma lista com 5 ideias interessantes para um artigo e escreva um parágrafo cativante para cada ideia, mostrando o potencial de um artigo completo sobre o tema. Retorne a lista de ideias com seus parágrafos e suas anotações.",
+              expected_output="5 tópicos, cada um com um parágrafo e notas complementares.",
          )

          # Definir o agente gerente
-          manager = Agent(
-              role="Project Manager",
-              goal="Efficiently manage the crew and ensure high-quality task completion",
-              backstory="You're an experienced project manager, skilled in overseeing complex projects and guiding teams to success. Your role is to coordinate the efforts of the crew members, ensuring that each task is completed on time and to the highest standard.",
+          gerente = Agent(
+              role="Gerente de Projeto",
+              goal="Gerenciar eficientemente a equipe e garantir a conclusão de tarefas de alta qualidade",
+              backstory="Você é um gerente de projetos experiente, habilidoso em supervisionar projetos complexos e guiar equipes para o sucesso. Sua função é coordenar os esforços dos membros da equipe, garantindo que cada tarefa seja concluída no prazo e com o mais alto padrão.",
              allow_delegation=True,
              llm='command-r'
          )

          # Instanciar sua crew com um manager personalizado
          crew = Crew(
-              agents=[researcher],
+              agents=[pesquisador],
              tasks=[task],
-              manager_agent=manager,
+              manager_agent=gerente,
              process=Process.hierarchical,
          )

@@ -132,18 +132,18 @@ Essa configuração permite acompanhar hiperparâmetros e monitorar problemas de

          # Criar um agente com execução de código habilitada
          coding_agent = Agent(
-            role="Python Data Analyst",
-            goal="Analyze data and provide insights using Python",
-            backstory="You are an experienced data analyst with strong Python skills.",
+            role="Analista de Dados Python",
+            goal="Analisar dados e fornecer insights usando Python",
+            backstory="Você é um analista de dados experiente com fortes habilidades em Python.",
            allow_code_execution=True,
            llm="command-r"
          )

          # Criar uma task que exige execução de código
          data_analysis_task = Task(
-            description="Analyze the given dataset and calculate the average age of participants. Ages: {ages}",
+            description="Analise o conjunto de dados fornecido e calcule a idade média dos participantes. Idades: {ages}",
            agent=coding_agent,
-            expected_output="5 bullet points, each with a paragraph and accompanying notes.",
+            expected_output="5 tópicos, cada um com um parágrafo e notas complementares.",
          )

          # Criar uma crew e adicionar a task
--- a/docs/pt-BR/observability/opik.mdx
+++ b/docs/pt-BR/observability/opik.mdx
@@ -58,43 +58,43 @@ Neste guia, utilizaremos o exemplo de início rápido da CrewAI.
      from crewai import Agent, Crew, Task, Process


-      class YourCrewName:
-          def agent_one(self) -> Agent:
+      class NomeDaEquipe:
+          def agente_um(self) -> Agent:
              return Agent(
-                  role="Data Analyst",
-                  goal="Analyze data trends in the market",
-                  backstory="An experienced data analyst with a background in economics",
+                  role="Analista de Dados",
+                  goal="Analisar tendências de dados no mercado",
+                  backstory="Analista de dados experiente com formação em economia",
                  verbose=True,
              )

-          def agent_two(self) -> Agent:
+          def agente_dois(self) -> Agent:
              return Agent(
-                  role="Market Researcher",
-                  goal="Gather information on market dynamics",
-                  backstory="A diligent researcher with a keen eye for detail",
+                  role="Pesquisador de Mercado",
+                  goal="Coletar informações sobre a dinâmica do mercado",
+                  backstory="Pesquisador dedicado com olhar atento para detalhes",
                  verbose=True,
              )

-          def task_one(self) -> Task:
+          def tarefa_um(self) -> Task:
              return Task(
-                  name="Collect Data Task",
-                  description="Collect recent market data and identify trends.",
-                  expected_output="A report summarizing key trends in the market.",
-                  agent=self.agent_one(),
+                  name="Tarefa de Coleta de Dados",
+                  description="Coletar dados recentes do mercado e identificar tendências.",
+                  expected_output="Um relatório resumindo as principais tendências do mercado.",
+                  agent=self.agente_um(),
              )

-          def task_two(self) -> Task:
+          def tarefa_dois(self) -> Task:
              return Task(
-                  name="Market Research Task",
-                  description="Research factors affecting market dynamics.",
-                  expected_output="An analysis of factors influencing the market.",
-                  agent=self.agent_two(),
+                  name="Tarefa de Pesquisa de Mercado",
+                  description="Pesquisar fatores que afetam a dinâmica do mercado.",
+                  expected_output="Uma análise dos fatores que influenciam o mercado.",
+                  agent=self.agente_dois(),
              )

-          def crew(self) -> Crew:
+          def equipe(self) -> Crew:
              return Crew(
-                  agents=[self.agent_one(), self.agent_two()],
-                  tasks=[self.task_one(), self.task_two()],
+                  agents=[self.agente_um(), self.agente_dois()],
+                  tasks=[self.tarefa_um(), self.tarefa_dois()],
                  process=Process.sequential,
                  verbose=True,
              )
@@ -108,7 +108,7 @@ Neste guia, utilizaremos o exemplo de início rápido da CrewAI.

      track_crewai(project_name="crewai-integration-demo")

-      my_crew = YourCrewName().crew()
+      my_crew = NomeDaEquipe().equipe()
      result = my_crew.kickoff()

      print(result)
--- a/docs/pt-BR/observability/patronus-evaluation.mdx
+++ b/docs/pt-BR/observability/patronus-evaluation.mdx
@@ -64,17 +64,17 @@ patronus_eval_tool = PatronusEvalTool()

 # Define an agent that uses the tool
 coding_agent = Agent(
-    role="Coding Agent",
-    goal="Generate high quality code and verify that the output is code",
-    backstory="An experienced coder who can generate high quality python code.",
+    role="Agente de Programação",
+    goal="Gerar código de alta qualidade e verificar se a saída é código",
+    backstory="Um programador experiente que pode gerar código Python de alta qualidade.",
    tools=[patronus_eval_tool],
    verbose=True,
 )

 # Example task to generate and evaluate code
 generate_code_task = Task(
-    description="Create a simple program to generate the first N numbers in the Fibonacci sequence. Select the most appropriate evaluator and criteria for evaluating your output.",
-    expected_output="Program that generates the first N numbers in the Fibonacci sequence.",
+    description="Crie um programa simples para gerar os N primeiros números da sequência de Fibonacci. Selecione o avaliador e os critérios mais apropriados para avaliar sua saída.",
+    expected_output="Programa que gera os N primeiros números da sequência de Fibonacci.",
    agent=coding_agent,
 )

@@ -98,17 +98,17 @@ patronus_eval_tool = PatronusPredefinedCriteriaEvalTool(

 # Define an agent that uses the tool
 coding_agent = Agent(
-    role="Coding Agent",
-    goal="Generate high quality code",
-    backstory="An experienced coder who can generate high quality python code.",
+    role="Agente de Programação",
+    goal="Gerar código de alta qualidade",
+    backstory="Um programador experiente que pode gerar código Python de alta qualidade.",
    tools=[patronus_eval_tool],
    verbose=True,
 )

 # Example task to generate code
 generate_code_task = Task(
-    description="Create a simple program to generate the first N numbers in the Fibonacci sequence.",
-    expected_output="Program that generates the first N numbers in the Fibonacci sequence.",
+    description="Crie um programa simples para gerar os N primeiros números da sequência de Fibonacci.",
+    expected_output="Programa que gera os N primeiros números da sequência de Fibonacci.",
    agent=coding_agent,
 )

@@ -149,17 +149,17 @@ patronus_eval_tool = PatronusLocalEvaluatorTool(

 # Define an agent that uses the tool
 coding_agent = Agent(
-    role="Coding Agent",
-    goal="Generate high quality code",
-    backstory="An experienced coder who can generate high quality python code.",
+    role="Agente de Programação",
+    goal="Gerar código de alta qualidade",
+    backstory="Um programador experiente que pode gerar código Python de alta qualidade.",
    tools=[patronus_eval_tool],
    verbose=True,
 )

 # Example task to generate code
 generate_code_task = Task(
-    description="Create a simple program to generate the first N numbers in the Fibonacci sequence.",
-    expected_output="Program that generates the first N numbers in the Fibonacci sequence.",
+    description="Crie um programa simples para gerar os N primeiros números da sequência de Fibonacci.",
+    expected_output="Programa que gera os N primeiros números da sequência de Fibonacci.",
    agent=coding_agent,
 )

--- a/docs/pt-BR/observability/weave.mdx
+++ b/docs/pt-BR/observability/weave.mdx
@@ -50,48 +50,48 @@ O Weave captura automaticamente rastreamentos (traces) de suas aplicações Crew
      llm = LLM(model="gpt-4o", temperature=0)

      # Crie os agentes
-      researcher = Agent(
-          role='Research Analyst',
-          goal='Find and analyze the best investment opportunities',
-          backstory='Expert in financial analysis and market research',
+      pesquisador = Agent(
+          role='Analista de Pesquisa',
+          goal='Encontrar e analisar as melhores oportunidades de investimento',
+          backstory='Especialista em análise financeira e pesquisa de mercado',
          llm=llm,
          verbose=True,
          allow_delegation=False,
      )

-      writer = Agent(
-          role='Report Writer',
-          goal='Write clear and concise investment reports',
-          backstory='Experienced in creating detailed financial reports',
+      redator = Agent(
+          role='Redator de Relatórios',
+          goal='Escrever relatórios de investimento claros e concisos',
+          backstory='Experiente na criação de relatórios financeiros detalhados',
          llm=llm,
          verbose=True,
          allow_delegation=False,
      )

      # Crie as tarefas
-      research_task = Task(
-          description='Deep research on the {topic}',
-          expected_output='Comprehensive market data including key players, market size, and growth trends.',
-          agent=researcher
+      pesquisa = Task(
+          description='Pesquisa aprofundada sobre o {tema}',
+          expected_output='Dados de mercado abrangentes incluindo principais players, tamanho de mercado e tendências de crescimento.',
+          agent=pesquisador
      )

-      writing_task = Task(
-          description='Write a detailed report based on the research',
-          expected_output='The report should be easy to read and understand. Use bullet points where applicable.',
-          agent=writer
+      redacao = Task(
+          description='Escreva um relatório detalhado com base na pesquisa',
+          expected_output='O relatório deve ser fácil de ler e entender. Use tópicos quando aplicável.',
+          agent=redator
      )

      # Crie o crew
-      crew = Crew(
-          agents=[researcher, writer],
-          tasks=[research_task, writing_task],
+      equipe = Crew(
+          agents=[pesquisador, redator],
+          tasks=[pesquisa, redacao],
          verbose=True,
          process=Process.sequential,
      )

      # Execute o crew
-      result = crew.kickoff(inputs={"topic": "AI in material science"})
-      print(result)
+      resultado = equipe.kickoff(inputs={"tema": "IA em ciência dos materiais"})
+      print(resultado)
      ```
    </Step>
    <Step title="Visualize rastreamentos no Weave">