mirror of
https://github.com/crewAIInc/crewAI.git
synced 2026-04-11 05:22:41 +00:00
0c307f1621
* docs: update quickstart and installation guides for improved clarity - Revised the quickstart guide to emphasize creating a Flow and running a single-agent crew that generates a report. - Updated the installation documentation to reflect changes in the quickstart process and enhance user understanding. * translations
279 lines
9.3 KiB
Plaintext
279 lines
9.3 KiB
Plaintext
---
|
|
title: Guia Rápido
|
|
description: Crie seu primeiro Flow CrewAI em minutos — orquestração, estado e um crew com um agente que gera um relatório real.
|
|
icon: rocket
|
|
mode: "wide"
|
|
---
|
|
|
|
### Assista: Construindo Agents e Flows CrewAI com Coding Agent Skills
|
|
|
|
Instale nossas coding agent skills (Claude Code, Codex, ...) para colocar seus agentes de código para funcionar rapidamente com o CrewAI.
|
|
|
|
Você pode instalar com `npx skills add crewaiinc/skills`
|
|
|
|
<iframe src="https://www.loom.com/embed/befb9f68b81f42ad8112bfdd95a780af" frameborder="0" webkitallowfullscreen mozallowfullscreen allowfullscreen style={{width: "100%", height: "400px"}}></iframe>
|
|
|
|
Neste guia você vai **criar um Flow** que define um tópico de pesquisa, executa um **crew com um agente** (um pesquisador com busca na web) e termina com um **relatório em Markdown** no disco. Flows são a forma recomendada de estruturar apps em produção: eles controlam **estado** e **ordem de execução**, enquanto os **agentes** fazem o trabalho dentro da etapa do crew.
|
|
|
|
Se ainda não instalou o CrewAI, siga primeiro o [guia de instalação](/pt-BR/installation).
|
|
|
|
## Pré-requisitos
|
|
|
|
- Ambiente Python e a CLI do CrewAI (veja [instalação](/pt-BR/installation))
|
|
- Um LLM configurado com as chaves corretas — veja [LLMs](/pt-BR/concepts/llms#setting-up-your-llm)
|
|
- Uma chave de API do [Serper.dev](https://serper.dev/) (`SERPER_API_KEY`) para busca na web neste tutorial
|
|
|
|
## Construa seu primeiro Flow
|
|
|
|
<Steps>
|
|
<Step title="Crie um projeto Flow">
|
|
No terminal, gere um projeto Flow (o nome da pasta usa sublinhados, ex.: `latest_ai_flow`):
|
|
|
|
<CodeGroup>
|
|
```shell Terminal
|
|
crewai create flow latest-ai-flow
|
|
cd latest_ai_flow
|
|
```
|
|
</CodeGroup>
|
|
|
|
Isso cria um app Flow em `src/latest_ai_flow/`, incluindo um crew inicial em `crews/content_crew/` que você substituirá por um crew de pesquisa **com um único agente** nos próximos passos.
|
|
</Step>
|
|
|
|
<Step title="Configure um agente em `agents.yaml`">
|
|
Substitua o conteúdo de `src/latest_ai_flow/crews/content_crew/config/agents.yaml` por um único pesquisador. Variáveis como `{topic}` são preenchidas a partir de `crew.kickoff(inputs=...)`.
|
|
|
|
```yaml agents.yaml
|
|
# src/latest_ai_flow/crews/content_crew/config/agents.yaml
|
|
researcher:
|
|
role: >
|
|
Pesquisador(a) Sênior de Dados em {topic}
|
|
goal: >
|
|
Descobrir os desenvolvimentos mais recentes em {topic}
|
|
backstory: >
|
|
Você é um pesquisador experiente que descobre os últimos avanços em {topic}.
|
|
Encontra as informações mais relevantes e apresenta tudo com clareza.
|
|
```
|
|
|
|
</Step>
|
|
|
|
<Step title="Configure uma tarefa em `tasks.yaml`">
|
|
```yaml tasks.yaml
|
|
# src/latest_ai_flow/crews/content_crew/config/tasks.yaml
|
|
research_task:
|
|
description: >
|
|
Faça uma pesquisa aprofundada sobre {topic}. Use busca na web para obter
|
|
informações atuais e confiáveis. O ano atual é 2026.
|
|
expected_output: >
|
|
Um relatório em markdown com seções claras: tendências principais, ferramentas
|
|
ou empresas relevantes e implicações. Entre 800 e 1200 palavras. Sem cercas de código em volta do documento inteiro.
|
|
agent: researcher
|
|
output_file: output/report.md
|
|
```
|
|
|
|
</Step>
|
|
|
|
<Step title="Conecte a classe do crew (`content_crew.py`)">
|
|
Aponte o crew gerado para o YAML e anexe `SerperDevTool` ao pesquisador.
|
|
|
|
```python content_crew.py
|
|
# src/latest_ai_flow/crews/content_crew/content_crew.py
|
|
from typing import List
|
|
|
|
from crewai import Agent, Crew, Process, Task
|
|
from crewai.agents.agent_builder.base_agent import BaseAgent
|
|
from crewai.project import CrewBase, agent, crew, task
|
|
from crewai_tools import SerperDevTool
|
|
|
|
|
|
@CrewBase
|
|
class ResearchCrew:
|
|
"""Crew de pesquisa com um agente, usado dentro do Flow."""
|
|
|
|
agents: List[BaseAgent]
|
|
tasks: List[Task]
|
|
|
|
agents_config = "config/agents.yaml"
|
|
tasks_config = "config/tasks.yaml"
|
|
|
|
@agent
|
|
def researcher(self) -> Agent:
|
|
return Agent(
|
|
config=self.agents_config["researcher"], # type: ignore[index]
|
|
verbose=True,
|
|
tools=[SerperDevTool()],
|
|
)
|
|
|
|
@task
|
|
def research_task(self) -> Task:
|
|
return Task(
|
|
config=self.tasks_config["research_task"], # type: ignore[index]
|
|
)
|
|
|
|
@crew
|
|
def crew(self) -> Crew:
|
|
return Crew(
|
|
agents=self.agents,
|
|
tasks=self.tasks,
|
|
process=Process.sequential,
|
|
verbose=True,
|
|
)
|
|
```
|
|
|
|
</Step>
|
|
|
|
<Step title="Defina o Flow em `main.py`">
|
|
Conecte o crew a um Flow: um passo `@start()` define o tópico no **estado** e um `@listen` executa o crew. O `output_file` da tarefa continua gravando `output/report.md`.
|
|
|
|
```python main.py
|
|
# src/latest_ai_flow/main.py
|
|
from pydantic import BaseModel
|
|
|
|
from crewai.flow import Flow, listen, start
|
|
|
|
from latest_ai_flow.crews.content_crew.content_crew import ResearchCrew
|
|
|
|
|
|
class ResearchFlowState(BaseModel):
|
|
topic: str = ""
|
|
report: str = ""
|
|
|
|
|
|
class LatestAiFlow(Flow[ResearchFlowState]):
|
|
@start()
|
|
def prepare_topic(self, crewai_trigger_payload: dict | None = None):
|
|
if crewai_trigger_payload:
|
|
self.state.topic = crewai_trigger_payload.get("topic", "AI Agents")
|
|
else:
|
|
self.state.topic = "AI Agents"
|
|
print(f"Tópico: {self.state.topic}")
|
|
|
|
@listen(prepare_topic)
|
|
def run_research(self):
|
|
result = ResearchCrew().crew().kickoff(inputs={"topic": self.state.topic})
|
|
self.state.report = result.raw
|
|
print("Crew de pesquisa concluído.")
|
|
|
|
@listen(run_research)
|
|
def summarize(self):
|
|
print("Relatório em: output/report.md")
|
|
|
|
|
|
def kickoff():
|
|
LatestAiFlow().kickoff()
|
|
|
|
|
|
def plot():
|
|
LatestAiFlow().plot()
|
|
|
|
|
|
if __name__ == "__main__":
|
|
kickoff()
|
|
```
|
|
|
|
<Tip>
|
|
Se o nome do pacote não for `latest_ai_flow`, ajuste o import de `ResearchCrew` para o caminho de módulo do seu projeto.
|
|
</Tip>
|
|
</Step>
|
|
|
|
<Step title="Variáveis de ambiente">
|
|
Na raiz do projeto, no arquivo `.env`, defina:
|
|
|
|
- `SERPER_API_KEY` — obtida em [Serper.dev](https://serper.dev/)
|
|
- As chaves do provedor de modelo conforme necessário — veja [configuração de LLM](/pt-BR/concepts/llms#setting-up-your-llm)
|
|
</Step>
|
|
|
|
<Step title="Instalar e executar">
|
|
<CodeGroup>
|
|
```shell Terminal
|
|
crewai install
|
|
crewai run
|
|
```
|
|
</CodeGroup>
|
|
|
|
O `crewai run` executa o ponto de entrada do Flow definido no projeto (o mesmo comando dos crews; o tipo do projeto é `"flow"` no `pyproject.toml`).
|
|
</Step>
|
|
|
|
<Step title="Confira o resultado">
|
|
Você deve ver logs do Flow e do crew. Abra **`output/report.md`** para o relatório gerado (trecho):
|
|
|
|
<CodeGroup>
|
|
```markdown output/report.md
|
|
# Agentes de IA em 2026: panorama e tendências
|
|
|
|
## Resumo executivo
|
|
…
|
|
|
|
## Principais tendências
|
|
- **Uso de ferramentas e orquestração** — …
|
|
- **Adoção empresarial** — …
|
|
|
|
## Implicações
|
|
…
|
|
```
|
|
</CodeGroup>
|
|
|
|
O arquivo real será mais longo e refletirá resultados de busca ao vivo.
|
|
</Step>
|
|
</Steps>
|
|
|
|
## Como isso se encaixa
|
|
|
|
1. **Flow** — `LatestAiFlow` executa `prepare_topic`, depois `run_research`, depois `summarize`. O estado (`topic`, `report`) fica no Flow.
|
|
2. **Crew** — `ResearchCrew` executa uma tarefa com um agente: o pesquisador usa **Serper** na web e escreve o relatório.
|
|
3. **Artefato** — O `output_file` da tarefa grava o relatório em `output/report.md`.
|
|
|
|
Para ir além em Flows (roteamento, persistência, human-in-the-loop), veja [Construa seu primeiro Flow](/pt-BR/guides/flows/first-flow) e [Flows](/pt-BR/concepts/flows). Para crews sem Flow, veja [Crews](/pt-BR/concepts/crews). Para um único `Agent` com `kickoff()` sem tarefas, veja [Agents](/pt-BR/concepts/agents#direct-agent-interaction-with-kickoff).
|
|
|
|
<Check>
|
|
Você tem um Flow ponta a ponta com um crew de agente e um relatório salvo — uma base sólida para novas etapas, crews ou ferramentas.
|
|
</Check>
|
|
|
|
### Consistência de nomes
|
|
|
|
As chaves do YAML (`researcher`, `research_task`) devem coincidir com os nomes dos métodos na classe `@CrewBase`. Veja [Crews](/pt-BR/concepts/crews) para o padrão completo com decoradores.
|
|
|
|
## Implantação
|
|
|
|
Envie seu Flow para o **[CrewAI AMP](https://app.crewai.com)** quando rodar localmente e o projeto estiver em um repositório **GitHub**. Na raiz do projeto:
|
|
|
|
<CodeGroup>
|
|
```bash Autenticar
|
|
crewai login
|
|
```
|
|
|
|
```bash Criar implantação
|
|
crewai deploy create
|
|
```
|
|
|
|
```bash Status e logs
|
|
crewai deploy status
|
|
crewai deploy logs
|
|
```
|
|
|
|
```bash Enviar atualizações após mudanças no código
|
|
crewai deploy push
|
|
```
|
|
|
|
```bash Listar ou remover implantações
|
|
crewai deploy list
|
|
crewai deploy remove <deployment_id>
|
|
```
|
|
</CodeGroup>
|
|
|
|
<Tip>
|
|
A primeira implantação costuma levar **cerca de 1 minuto**. Pré-requisitos completos e fluxo na interface web estão em [Implantar no AMP](/pt-BR/enterprise/guides/deploy-to-amp).
|
|
</Tip>
|
|
|
|
<CardGroup cols={2}>
|
|
<Card title="Guia de implantação" icon="book" href="/pt-BR/enterprise/guides/deploy-to-amp">
|
|
AMP passo a passo (CLI e painel).
|
|
</Card>
|
|
<Card
|
|
title="Comunidade"
|
|
icon="comments"
|
|
href="https://community.crewai.com"
|
|
>
|
|
Troque ideias, compartilhe projetos e conecte-se com outros desenvolvedores CrewAI.
|
|
</Card>
|
|
</CardGroup>
|