---
title: FAQs
description: "Perguntas frequentes sobre CrewAI AMP"
icon: "circle-question"
mode: "wide"
---

<AccordionGroup>
    <Accordion title="Como a execução de tarefas é tratada no processo hierárquico?">
        No processo hierárquico, um agente gerente é criado automaticamente e coordena o fluxo de trabalho, delegando tarefas e validando resultados para uma execução eficiente e simplificada. O agente gerente utiliza ferramentas para facilitar a delegação e execução de tarefas por agentes sob sua orientação. O LLM do gerente é fundamental para o processo hierárquico e deve ser configurado corretamente para funcionar adequadamente.
    </Accordion>

    <Accordion title="Onde posso encontrar a documentação mais recente da CrewAI?">
        A documentação mais atualizada da CrewAI está disponível em nosso site oficial de documentação: https://docs.crewai.com/
        <Card href="https://docs.crewai.com/" icon="books">CrewAI Docs</Card>
    </Accordion>

    <Accordion title="Quais as principais diferenças entre os Processos Hierárquico e Sequencial na CrewAI?">
        #### Processo Hierárquico:
        - As tarefas são delegadas e executadas com base em uma cadeia de comando estruturada
        - Um modelo de linguagem do gerente (`manager_llm`) deve ser especificado para o agente gerente
        - O agente gerente supervisiona a execução de tarefas, planejamento, delegação e validação
        - As tarefas não são pré-atribuídas; o gerente aloca tarefas para os agentes com base em suas capacidades

        #### Processo Sequencial:
        - As tarefas são executadas uma após a outra, garantindo uma progressão ordenada
        - O resultado de uma tarefa serve como contexto para a próxima
        - A execução das tarefas segue a ordem predefinida na lista de tarefas

        #### Qual Processo é Melhor para Projetos Complexos?
        O processo hierárquico é mais adequado para projetos complexos porque permite:
        - **Alocação e delegação dinâmica de tarefas**: O agente gerente pode atribuir tarefas de acordo com as capacidades dos agentes
        - **Validação e supervisão estruturadas**: O agente gerente revisa os resultados das tarefas e garante a conclusão
        - **Gestão de tarefas complexas**: Controle preciso da disponibilidade de ferramentas por agente
    </Accordion>

    <Accordion title="Quais são os benefícios do uso de memória no framework CrewAI?">
        - **Aprendizado adaptativo**: As crews tornam-se mais eficientes ao longo do tempo, adaptando-se a novas informações e aprimorando sua abordagem às tarefas
        - **Personalização aprimorada**: A memória permite que os agentes recordem preferências do usuário e interações anteriores, possibilitando experiências personalizadas
        - **Resolução aprimorada de problemas**: O acesso a um repositório rico em memória auxilia os agentes a tomarem decisões mais informadas, baseando-se em aprendizados anteriores e insights contextuais
    </Accordion>

    <Accordion title="Qual é o propósito de definir um limite máximo de RPM para um agente?">
        Definir um limite máximo de RPM para um agente evita que ele faça solicitações excessivas a serviços externos, o que pode ajudar a evitar limites de taxa e melhorar o desempenho.
    </Accordion>

    <Accordion title="Qual o papel da entrada humana na execução de tarefas dentro de uma crew da CrewAI?">
        A entrada humana permite que os agentes solicitem informações adicionais ou esclarecimentos quando necessário. Este recurso é fundamental em processos de tomada de decisão complexos ou quando os agentes precisam de mais detalhes para concluir uma tarefa com eficácia.

        Para integrar a entrada humana na execução do agente, defina a flag `human_input` na definição da tarefa. Quando habilitada, o agente solicitará a entrada do usuário antes de entregar sua resposta final. Essa entrada pode fornecer contexto extra, esclarecer ambiguidades ou validar a saída do agente.

        Para orientações detalhadas de implementação, veja nosso [guia Human-in-the-Loop](/pt-BR/enterprise/guides/human-in-the-loop).
    </Accordion>

    <Accordion title="Quais opções avançadas de customização estão disponíveis para aprimorar e personalizar o comportamento e as capacidades dos agentes na CrewAI?">
        A CrewAI oferece diversas opções avançadas de customização:

        - **Customização de Modelo de Linguagem**: Os agentes podem ser personalizados com modelos de linguagem específicos (`llm`) e modelos de linguagem para chamadas de função (`function_calling_llm`)
        - **Configurações de Desempenho e Debug**: Ajuste o desempenho do agente e monitore suas operações
        - **Modo Verbose**: Habilita registros detalhados das ações do agente, útil para depuração e otimização
        - **Limite de RPM**: Define o número máximo de solicitações por minuto (`max_rpm`)
        - **Máximo de Iterações**: O atributo `max_iter` permite definir o número máximo de iterações que um agente pode executar para uma única tarefa
        - **Delegação e Autonomia**: Controle a capacidade do agente de delegar ou fazer perguntas com o atributo `allow_delegation` (padrão: True)
        - **Integração de Entrada Humana**: Os agentes podem solicitar informações adicionais ou esclarecimentos quando necessário
    </Accordion>

    <Accordion title="Em quais cenários a entrada humana é particularmente útil na execução de agentes?">
        A entrada humana é especialmente útil quando:
        - **Os agentes precisam de informações adicionais ou esclarecimentos**: Quando se deparam com ambiguidade ou dados incompletos
        - **Os agentes precisam tomar decisões complexas ou sensíveis**: A entrada humana pode auxiliar em decisões éticas ou de nuances
        - **Supervisão e validação da saída do agente**: A entrada humana pode ajudar a validar resultados e prevenir erros
        - **Personalização do comportamento do agente**: Entradas humanas podem fornecer feedback para aprimorar respostas dos agentes ao longo do tempo
        - **Identificação e resolução de erros ou limitações**: A entrada humana auxilia a suprir lacunas de capacidade dos agentes
    </Accordion>

    <Accordion title="Quais são os diferentes tipos de memória disponíveis na crewAI?">
        Os diferentes tipos de memória disponíveis na CrewAI são:
        - **Memória de curto prazo**: Armazenamento temporário para contexto imediato
        - **Memória de longo prazo**: Armazenamento persistente para padrões aprendidos e informações
        - **Memória de entidade**: Armazenamento focado em entidades específicas e seus atributos
        - **Memória contextual**: Memória que mantém o contexto ao longo das interações

        Saiba mais sobre os diferentes tipos de memória:
        <Card href="https://docs.crewai.com/concepts/memory" icon="brain">CrewAI Memory</Card>
    </Accordion>

    <Accordion title="Como faço para usar Output Pydantic em uma Tarefa?">
        Para usar Output Pydantic em uma tarefa, você precisa definir a saída esperada da tarefa como um modelo Pydantic. Veja um exemplo rápido:

        <Steps>
            <Step title="Defina um modelo Pydantic">
                ```python
                from pydantic import BaseModel

                class User(BaseModel):
                    name: str
                    age: int
                ```
            </Step>

            <Step title="Crie uma tarefa com Output Pydantic">
                ```python
                from crewai import Task, Crew, Agent
                from my_models import User

                task = Task(
                    description="Create a user with the provided name and age",
                    expected_output=User,  # This is the Pydantic model
                    agent=agent,
                    tools=[tool1, tool2]
                )
                ```
            </Step>

            <Step title="Defina o atributo output_pydantic no seu agente">
                ```python
                from crewai import Agent
                from my_models import User

                agent = Agent(
                    role='User Creator',
                    goal='Create users',
                    backstory='I am skilled in creating user accounts',
                    tools=[tool1, tool2],
                    output_pydantic=User
                )
                ```
            </Step>
        </Steps>

        Aqui está um tutorial de como obter saídas estruturadas de forma consistente dos seus agentes:
        <iframe
          className="w-full aspect-video rounded-xl"
          src="https://www.youtube.com/embed/dNpKQk5uxHw"
          title="Saídas estruturadas no CrewAI"
          frameBorder="0"
          allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture"
          allowFullScreen
        ></iframe>
    </Accordion>

    <Accordion title="Como posso criar ferramentas personalizadas para meus agentes CrewAI?">
        Você pode criar ferramentas personalizadas herdando da classe `BaseTool` fornecida pela CrewAI ou usando o decorador de ferramenta. Herdar envolve definir uma nova classe que herda de `BaseTool`, especificando o nome, a descrição e o método `_run` para a lógica operacional. O decorador de ferramenta permite criar um objeto `Tool` diretamente com os atributos necessários e uma lógica funcional.

        <Card href="/pt-BR/learn/create-custom-tools" icon="code">CrewAI Tools Guide</Card>
    </Accordion>

    <Accordion title="Como controlar o número máximo de solicitações por minuto que toda a crew pode realizar?">
        O atributo `max_rpm` define o número máximo de solicitações por minuto que a crew pode realizar para evitar limites de taxa, e irá sobrescrever as definições de `max_rpm` dos agentes individuais se você defini-lo.
    </Accordion>
</AccordionGroup>