mirror of
https://github.com/crewAIInc/crewAI.git
synced 2025-12-16 04:18:35 +00:00
7f83947020
* 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>
129 lines
5.5 KiB
Plaintext
129 lines
5.5 KiB
Plaintext
---
|
|
title: Integração Opik
|
|
description: Saiba como usar o Comet Opik para depurar, avaliar e monitorar suas aplicações CrewAI com rastreamento abrangente, avaliações automatizadas e dashboards prontos para produção.
|
|
icon: meteor
|
|
---
|
|
|
|
# Visão Geral do Opik
|
|
|
|
Com o [Comet Opik](https://www.comet.com/docs/opik/), depure, avalie e monitore suas aplicações LLM, sistemas RAG e fluxos de trabalho agentic com rastreamento detalhado, avaliações automatizadas e dashboards prontos para produção.
|
|
|
|
<Frame caption="Dashboard do Agente Opik">
|
|
<img src="/images/opik-crewai-dashboard.png" alt="Exemplo de monitoramento de agente Opik com CrewAI" />
|
|
</Frame>
|
|
|
|
O Opik oferece suporte abrangente para cada etapa do desenvolvimento da sua aplicação CrewAI:
|
|
|
|
- **Registrar Traces e Spans**: Acompanhe automaticamente chamadas LLM e lógica da aplicação para depurar e analisar sistemas em desenvolvimento e em produção. Anote manualmente ou programaticamente, visualize e compare respostas entre projetos.
|
|
- **Avalie a Performance da sua Aplicação LLM**: Avalie contra um conjunto de testes personalizado e execute métricas de avaliação nativas ou defina suas próprias métricas via SDK ou UI.
|
|
- **Teste no Pipeline CI/CD**: Estabeleça bases de performance confiáveis com os testes unitários LLM do Opik, baseados em PyTest. Execute avaliações online para monitoramento contínuo em produção.
|
|
- **Monitore & Analise Dados de Produção**: Entenda a performance dos seus modelos em dados inéditos em produção e gere conjuntos de dados para novas iterações de desenvolvimento.
|
|
|
|
## Configuração
|
|
A Comet oferece uma versão hospedada da plataforma Opik, ou você pode rodar a plataforma localmente.
|
|
|
|
Para usar a versão hospedada, basta [criar uma conta gratuita na Comet](https://www.comet.com/signup?utm_medium=github&utm_source=crewai_docs) e obter sua chave de API.
|
|
|
|
Para rodar a plataforma Opik localmente, veja nosso [guia de instalação](https://www.comet.com/docs/opik/self-host/overview/) para mais informações.
|
|
|
|
Neste guia, utilizaremos o exemplo de início rápido da CrewAI.
|
|
|
|
<Steps>
|
|
<Step title="Instale os pacotes necessários">
|
|
```shell
|
|
pip install crewai crewai-tools opik --upgrade
|
|
```
|
|
</Step>
|
|
<Step title="Configure o Opik">
|
|
```python
|
|
import opik
|
|
opik.configure(use_local=False)
|
|
```
|
|
</Step>
|
|
<Step title="Prepare o ambiente">
|
|
Primeiro, configuramos nossas chaves de API do provedor LLM como variáveis de ambiente:
|
|
|
|
```python
|
|
import os
|
|
import getpass
|
|
|
|
if "OPENAI_API_KEY" not in os.environ:
|
|
os.environ["OPENAI_API_KEY"] = getpass.getpass("Enter your OpenAI API key: ")
|
|
```
|
|
</Step>
|
|
<Step title="Usando a CrewAI">
|
|
O primeiro passo é criar nosso projeto. Vamos utilizar um exemplo da documentação do CrewAI:
|
|
|
|
```python
|
|
from crewai import Agent, Crew, Task, Process
|
|
|
|
|
|
class NomeDaEquipe:
|
|
def agente_um(self) -> Agent:
|
|
return Agent(
|
|
role="Analista de Dados",
|
|
goal="Analisar tendências de dados no mercado",
|
|
backstory="Analista de dados experiente com formação em economia",
|
|
verbose=True,
|
|
)
|
|
|
|
def agente_dois(self) -> Agent:
|
|
return Agent(
|
|
role="Pesquisador de Mercado",
|
|
goal="Coletar informações sobre a dinâmica do mercado",
|
|
backstory="Pesquisador dedicado com olhar atento para detalhes",
|
|
verbose=True,
|
|
)
|
|
|
|
def tarefa_um(self) -> Task:
|
|
return Task(
|
|
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 tarefa_dois(self) -> Task:
|
|
return Task(
|
|
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 equipe(self) -> Crew:
|
|
return Crew(
|
|
agents=[self.agente_um(), self.agente_dois()],
|
|
tasks=[self.tarefa_um(), self.tarefa_dois()],
|
|
process=Process.sequential,
|
|
verbose=True,
|
|
)
|
|
|
|
```
|
|
|
|
Agora podemos importar o tracker do Opik e executar nossa crew:
|
|
|
|
```python
|
|
from opik.integrations.crewai import track_crewai
|
|
|
|
track_crewai(project_name="crewai-integration-demo")
|
|
|
|
my_crew = NomeDaEquipe().equipe()
|
|
result = my_crew.kickoff()
|
|
|
|
print(result)
|
|
```
|
|
Após rodar sua aplicação CrewAI, acesse o app Opik para visualizar:
|
|
- Traces LLM, spans e seus metadados
|
|
- Interações dos agentes e fluxo de execução das tarefas
|
|
- Métricas de performance, como latência e uso de tokens
|
|
- Métricas de avaliação (nativas ou personalizadas)
|
|
</Step>
|
|
</Steps>
|
|
|
|
## Recursos
|
|
|
|
- [🦉 Documentação Opik](https://www.comet.com/docs/opik/)
|
|
- [👉 Opik + CrewAI Colab](https://colab.research.google.com/github/comet-ml/opik/blob/main/apps/opik-documentation/documentation/docs/cookbook/crewai.ipynb)
|
|
- [🐦 X](https://x.com/cometml)
|
|
- [💬 Slack](https://slack.comet.com/) |