crewAI/docs/edge/pt-BR/observability/langdb.mdx

---
title: Integração LangDB
description: Governe, proteja e otimize seus fluxos de trabalho CrewAI com LangDB AI Gateway—acesse mais de 350 modelos, roteamento automático, otimização de custos e observabilidade completa.
icon: database
mode: "wide"
---

# Introdução

[LangDB AI Gateway](https://langdb.ai) fornece APIs compatíveis com OpenAI para conectar com múltiplos Modelos de Linguagem Grandes e serve como uma plataforma de observabilidade que torna effortless rastrear fluxos de trabalho CrewAI de ponta a ponta, proporcionando acesso a mais de 350 modelos de linguagem. Com uma única chamada `init()`, todas as interações de agentes, execuções de tarefas e chamadas LLM são capturadas, fornecendo observabilidade abrangente e infraestrutura de IA pronta para produção para suas aplicações.

<Frame caption="Exemplo de Rastreamento CrewAI LangDB">
  <img src="/images/langdb-1.png" alt="Exemplo de rastreamento CrewAI LangDB" />
</Frame>

**Confira:** [Ver o exemplo de trace ao vivo](https://app.langdb.ai/sharing/threads/3becbfed-a1be-ae84-ea3c-4942867a3e22)

## Recursos

### Capacidades do AI Gateway
- **Acesso a mais de 350 LLMs**: Conecte-se a todos os principais modelos de linguagem através de uma única integração
- **Modelos Virtuais**: Crie configurações de modelo personalizadas com parâmetros específicos e regras de roteamento
- **MCP Virtual**: Habilite compatibilidade e integração com sistemas MCP (Model Context Protocol) para comunicação aprimorada de agentes
- **Guardrails**: Implemente medidas de segurança e controles de conformidade para comportamento de agentes

### Observabilidade e Rastreamento
- **Rastreamento Automático**: Uma única chamada `init()` captura todas as interações CrewAI
- **Visibilidade Ponta a Ponta**: Monitore fluxos de trabalho de agentes do início ao fim
- **Rastreamento de Uso de Ferramentas**: Rastreie quais ferramentas os agentes usam e seus resultados
- **Monitoramento de Chamadas de Modelo**: Insights detalhados sobre interações LLM
- **Análise de Performance**: Monitore latência, uso de tokens e custos
- **Suporte a Depuração**: Execução passo a passo para solução de problemas
- **Monitoramento em Tempo Real**: Dashboard de traces e métricas ao vivo

## Instruções de Configuração

<Steps>
  <Step title="Instalar LangDB">
    Instale o cliente LangDB com flag de recurso CrewAI:
    ```bash
    pip install 'pylangdb[crewai]'
    ```
  </Step>
  <Step title="Definir Variáveis de Ambiente">
    Configure suas credenciais LangDB:
    ```bash
    export LANGDB_API_KEY="<sua_chave_api_langdb>"
    export LANGDB_PROJECT_ID="<seu_id_projeto_langdb>"
    export LANGDB_API_BASE_URL='https://api.us-east-1.langdb.ai'
    ```
  </Step>
  <Step title="Inicializar Rastreamento">
    Importe e inicialize LangDB antes de configurar seu código CrewAI:
    ```python
    from pylangdb.crewai import init
    # Inicializar LangDB
    init()
    ```
  </Step>
  <Step title="Configurar CrewAI com LangDB">
    Configure seu LLM com cabeçalhos LangDB:
    ```python
    from crewai import Agent, Task, Crew, LLM
    import os

    # Configurar LLM com cabeçalhos LangDB
    llm = LLM(
        model="openai/gpt-4o", # Substitua pelo modelo que você quer usar
        api_key=os.getenv("LANGDB_API_KEY"),
        base_url=os.getenv("LANGDB_API_BASE_URL"),
        extra_headers={"x-project-id": os.getenv("LANGDB_PROJECT_ID")}
    )
    ```
  </Step>
</Steps>

## Exemplo de Início Rápido

Aqui está um exemplo simples para começar com LangDB e CrewAI:

```python
import os
from pylangdb.crewai import init
from crewai import Agent, Task, Crew, LLM

# Inicializar LangDB antes de qualquer importação CrewAI
init()

def create_llm(model):
    return LLM(
        model=model,
        api_key=os.environ.get("LANGDB_API_KEY"),
        base_url=os.environ.get("LANGDB_API_BASE_URL"),
        extra_headers={"x-project-id": os.environ.get("LANGDB_PROJECT_ID")}
    )

# Defina seu agente
researcher = Agent(
    role="Especialista em Pesquisa",
    goal="Pesquisar tópicos minuciosamente",
    backstory="Pesquisador especialista com habilidades em encontrar informações",
    llm=create_llm("openai/gpt-4o"), # Substitua pelo modelo que você quer usar
    verbose=True
)

# Criar uma tarefa
task = Task(
    description="Pesquise o tópico dado e forneça um resumo abrangente",
    agent=researcher,
    expected_output="Resumo de pesquisa detalhado com principais descobertas"
)

# Criar e executar a equipe
crew = Crew(agents=[researcher], tasks=[task])
result = crew.kickoff()
print(result)
```

## Exemplo Completo: Agente de Pesquisa e Planejamento

Este exemplo abrangente demonstra um fluxo de trabalho multi-agente com capacidades de pesquisa e planejamento.

### Pré-requisitos

```bash
pip install crewai 'pylangdb[crewai]' crewai_tools setuptools python-dotenv
```

### Configuração do Ambiente

```bash
# Credenciais LangDB
export LANGDB_API_KEY="<sua_chave_api_langdb>"
export LANGDB_PROJECT_ID="<seu_id_projeto_langdb>"
export LANGDB_API_BASE_URL='https://api.us-east-1.langdb.ai'

# Chaves API adicionais (opcional)
export SERPER_API_KEY="<sua_chave_api_serper>"  # Para capacidades de busca na web
```

### Implementação Completa

```python
#!/usr/bin/env python3

import os
import sys
from pylangdb.crewai import init
init()  # Inicializar LangDB antes de qualquer importação CrewAI
from dotenv import load_dotenv
from crewai import Agent, Task, Crew, Process, LLM
from crewai_tools import SerperDevTool

load_dotenv()

def create_llm(model):
    return LLM(
        model=model,
        api_key=os.environ.get("LANGDB_API_KEY"),
        base_url=os.environ.get("LANGDB_API_BASE_URL"),
        extra_headers={"x-project-id": os.environ.get("LANGDB_PROJECT_ID")}
    )

class ResearchPlanningCrew:
    def researcher(self) -> Agent:
        return Agent(
            role="Especialista em Pesquisa",
            goal="Pesquisar tópicos minuciosamente e compilar informações abrangentes",
            backstory="Pesquisador especialista com habilidades em encontrar e analisar informações de várias fontes",
            tools=[SerperDevTool()],
            llm=create_llm("openai/gpt-4o"),
            verbose=True
        )
    
    def planner(self) -> Agent:
        return Agent(
            role="Planejador Estratégico",
            goal="Criar planos acionáveis baseados em descobertas de pesquisa",
            backstory="Planejador estratégico que divide desafios complexos em planos executáveis",
            reasoning=True,
            max_reasoning_attempts=3,
            llm=create_llm("openai/anthropic/claude-3.7-sonnet"),
            verbose=True
        )
    
    def research_task(self) -> Task:
        return Task(
            description="Pesquise o tópico minuciosamente e compile informações abrangentes",
            agent=self.researcher(),
            expected_output="Relatório de pesquisa abrangente com principais descobertas e insights"
        )
    
    def planning_task(self) -> Task:
        return Task(
            description="Crie um plano estratégico baseado nas descobertas da pesquisa",
            agent=self.planner(),
            expected_output="Plano de execução estratégica com fases, objetivos e etapas acionáveis",
            context=[self.research_task()]
        )
    
    def crew(self) -> Crew:
        return Crew(
            agents=[self.researcher(), self.planner()],
            tasks=[self.research_task(), self.planning_task()],
            verbose=True,
            process=Process.sequential
        )

def main():
        topic = sys.argv[1] if len(sys.argv) > 1 else "Inteligência Artificial na Saúde"
        
        crew_instance = ResearchPlanningCrew()
        
        # Atualizar descrições de tarefas com o tópico específico
        crew_instance.research_task().description = f"Pesquise {topic} minuciosamente e compile informações abrangentes"
    crew_instance.planning_task().description = f"Crie um plano estratégico para {topic} baseado nas descobertas da pesquisa"
    
    result = crew_instance.crew().kickoff()
    print(result)

if __name__ == "__main__":
    main()
```

### Executando o Exemplo

```bash
python main.py "Soluções de Energia Sustentável"
```

## Visualizando Traces no LangDB

Após executar sua aplicação CrewAI, você pode visualizar traces detalhados no dashboard LangDB:

<Frame caption="Dashboard de Trace LangDB">
  <img src="/images/langdb-2.png" alt="Dashboard de trace LangDB mostrando fluxo de trabalho CrewAI" />
</Frame>

### O Que Você Verá

- **Interações de Agentes**: Fluxo completo de conversas de agentes e transferências de tarefas
- **Uso de Ferramentas**: Quais ferramentas foram chamadas, suas entradas e saídas
- **Chamadas de Modelo**: Interações LLM detalhadas com prompts e respostas
- **Métricas de Performance**: Rastreamento de latência, uso de tokens e custos
- **Linha do Tempo de Execução**: Visualização passo a passo de todo o fluxo de trabalho


## Solução de Problemas

### Problemas Comuns

- **Nenhum trace aparecendo**: Certifique-se de que `init()` seja chamado antes de qualquer importação CrewAI
- **Erros de autenticação**: Verifique sua chave API LangDB e ID do projeto


## Recursos

<CardGroup cols={3}>
  <Card title="Documentação LangDB" icon="book" href="https://docs.langdb.ai">
    Documentação oficial e guias LangDB
  </Card>
  <Card title="Guias LangDB" icon="graduation-cap" href="https://docs.langdb.ai/guides">
    Tutoriais passo a passo para construir agentes de IA
  </Card>
  <Card title="Exemplos GitHub" icon="github" href="https://github.com/langdb/langdb-samples/tree/main/examples/crewai" >
    Exemplos completos de integração CrewAI
  </Card>
  <Card title="Dashboard LangDB" icon="chart-line" href="https://app.langdb.ai">
    Acesse seus traces e análises
  </Card>
  <Card title="Catálogo de Modelos" icon="list" href="https://app.langdb.ai/models">
    Navegue por mais de 350 modelos de linguagem disponíveis
  </Card>
  <Card title="Recursos Enterprise" icon="building" href="https://docs.langdb.ai/enterprise">
    Opções auto-hospedadas e capacidades empresariais
  </Card>
</CardGroup>

## Próximos Passos

Este guia cobriu o básico da integração do LangDB AI Gateway com CrewAI. Para aprimorar ainda mais seus fluxos de trabalho de IA, explore:

- **Modelos Virtuais**: Crie configurações de modelo personalizadas com estratégias de roteamento
- **Guardrails e Segurança**: Implemente filtragem de conteúdo e controles de conformidade
- **Implantação em Produção**: Configure fallbacks, tentativas e balanceamento de carga

Para recursos mais avançados e casos de uso, visite a [Documentação LangDB](https://docs.langdb.ai) ou explore o [Catálogo de Modelos](https://app.langdb.ai/models) para descobrir todos os modelos disponíveis.