Agentes

Visão Geral de um Agente

No framework CrewAI, um Agent é uma unidade autônoma que pode:

Executar tarefas específicas
Tomar decisões com base em seu papel e objetivo
Utilizar ferramentas para alcançar objetivos
Comunicar e colaborar com outros agentes
Manter a memória de interações
Delegar tarefas, quando permitido

Atributos do Agente

Atributo	Parâmetro	Tipo	Descrição
Role (Função)	`role`	`str`	Define a função e a área de especialização do agente dentro da equipe.
Goal (Objetivo)	`goal`	`str`	O objetivo individual que guia a tomada de decisão do agente.
Backstory (História de fundo)	`backstory`	`str`	Fornece contexto e personalidade ao agente, enriquecendo as interações.
LLM (opcional)	`llm`	`Union[str, LLM, Any]`	Modelo de linguagem que alimenta o agente. Padrão: modelo especificado em `OPENAI_MODEL_NAME` ou “gpt-4”.
Tools (Ferramentas) (opcional)	`tools`	`List[BaseTool]`	Capacidades ou funções disponíveis para o agente. Padrão: lista vazia.
Function Calling LLM (opcional)	`function_calling_llm`	`Optional[Any]`	Modelo de linguagem usado para chamada de ferramentas, sobrescreve LLM principal se especificado.
Max Iterations (opcional)	`max_iter`	`int`	Número máximo de iterações antes do agente fornecer sua melhor resposta. Padrão: 20.
Max RPM (opcional)	`max_rpm`	`Optional[int]`	Quantidade máxima de requisições por minuto para evitar limites de taxa.
Max Execution Time (opcional)	`max_execution_time`	`Optional[int]`	Tempo máximo (em segundos) de execução da tarefa.
Verbose (opcional)	`verbose`	`bool`	Habilita logs detalhados de execução para depuração. Padrão: False.
Allow Delegation (opcional)	`allow_delegation`	`bool`	Permite que o agente delegue tarefas para outros agentes. Padrão: False.
Step Callback (opcional)	`step_callback`	`Optional[Any]`	Função chamada após cada passo do agente, sobrescreve callback da equipe.
Cache (opcional)	`cache`	`bool`	Ativa cache para o uso de ferramentas. Padrão: True.
System Template (opcional)	`system_template`	`Optional[str]`	Template personalizado de prompt de sistema para o agente.
Prompt Template (opcional)	`prompt_template`	`Optional[str]`	Template de prompt personalizado para o agente.
Response Template (opcional)	`response_template`	`Optional[str]`	Template de resposta personalizado para o agente.
Allow Code Execution (opcional)	`allow_code_execution`	`Optional[bool]`	Ativa execução de código pelo agente. Padrão: False.
Max Retry Limit (opcional)	`max_retry_limit`	`int`	Número máximo de tentativas (retries) em caso de erro. Padrão: 2.
Respect Context Window (opcional)	`respect_context_window`	`bool`	Mantém as mensagens dentro do tamanho da janela de contexto, resumindo quando necessário. Padrão: True.
Code Execution Mode (opcional)	`code_execution_mode`	`Literal["safe", "unsafe"]`	Modo de execução de código: ‘safe’ (usando Docker) ou ‘unsafe’ (direto). Padrão: ‘safe’.
Multimodal (opcional)	`multimodal`	`bool`	Se o agente suporta capacidades multimodais. Padrão: False.
Inject Date (opcional)	`inject_date`	`bool`	Se deve injetar automaticamente a data atual nas tarefas. Padrão: False.
Date Format (opcional)	`date_format`	`str`	Formato de data utilizado quando `inject_date` está ativo. Padrão: “%Y-%m-%d” (formato ISO).
Reasoning (opcional)	`reasoning`	`bool`	Se o agente deve refletir e criar um plano antes de executar uma tarefa. Padrão: False.
Max Reasoning Attempts (opcional)	`max_reasoning_attempts`	`Optional[int]`	Número máximo de tentativas de raciocínio antes de executar a tarefa. Se None, tentará até estar pronto.
Embedder (opcional)	`embedder`	`Optional[Dict[str, Any]]`	Configuração do embedder utilizado pelo agente.
Knowledge Sources (opcional)	`knowledge_sources`	`Optional[List[BaseKnowledgeSource]]`	Fontes de conhecimento disponíveis para o agente.
Use System Prompt (opcional)	`use_system_prompt`	`Optional[bool]`	Se deve usar o system prompt (suporte para modelo o1). Padrão: True.

Criando Agentes

Existem duas formas comuns de criar agentes no CrewAI: usando configuração JSONC (recomendado para novas crews) ou definindo-os diretamente em código.

Configuração JSONC (Recomendado)

Novos projetos criados com crewai create crew <name> usam configuração JSON-first. Cada agente fica em agents/<agent_name>.jsonc, e crew.jsonc lista quais agentes fazem parte da crew.

{
  "role": "{topic} Senior Data Researcher",
  "goal": "Uncover cutting-edge developments in {topic}",
  "backstory": "You find the most relevant information and present it clearly.",
  "llm": "openai/gpt-4o",
  "tools": ["SerperDevTool"],
  "settings": {
    "verbose": true,
    "allow_delegation": false
  }
}

Use {placeholder} em role, goal ou backstory. Defina padrões em crew.jsonc dentro de inputs; crewai run pergunta por valores que estiverem faltando. Campos de comportamento como verbose, allow_delegation, max_iter, memory, cache e planning_config podem ficar no topo ou em settings.

Configuração YAML Clássica

Projetos clássicos criados com crewai create crew <name> --classic usam config/agents.yaml e uma classe @CrewBase em crew.py.

A configuração YAML continua suportada para projetos existentes em Python/YAML e para equipes que preferem definir agentes a partir de uma classe @CrewBase.

Depois de criar um projeto clássico, navegue até o arquivo src/<project_name>/config/agents.yaml e edite o template para atender aos seus requisitos.

Veja um exemplo de como configurar agentes usando YAML:

# src/<project_name>/config/agents.yaml
researcher:
  role: >
    {topic} Senior Data Researcher
  goal: >
    Uncover cutting-edge developments in {topic}
  backstory: >
    You're a seasoned researcher with a knack for uncovering the latest
    developments in {topic}. Known for your ability to find the most relevant
    information and present it in a clear and concise manner.

reporting_analyst:
  role: >
    {topic} Reporting Analyst
  goal: >
    Create detailed reports based on {topic} data analysis and research findings
  backstory: >
    You're a meticulous analyst with a keen eye for detail. You're known for
    your ability to turn complex data into clear and concise reports, making
    it easy for others to understand and act on the information you provide.

Para usar essa configuração YAML no seu código, crie uma classe de crew que herda de CrewBase:

# src/<project_name>/crew.py
from crewai import Agent, Crew, Process
from crewai.project import CrewBase, agent, crew
from crewai_tools import SerperDevTool

@CrewBase
class LatestAiDevelopmentCrew():
  """LatestAiDevelopment crew"""

  agents_config = "config/agents.yaml"

  @agent
  def researcher(self) -> Agent:
    return Agent(
      config=self.agents_config['researcher'], # type: ignore[index]
      verbose=True,
      tools=[SerperDevTool()]
    )

  @agent
  def reporting_analyst(self) -> Agent:
    return Agent(
      config=self.agents_config['reporting_analyst'], # type: ignore[index]
      verbose=True
    )

Definição Direta em Código

Você pode criar agentes diretamente em código instanciando a classe Agent. Veja um exemplo abrangente mostrando todos os parâmetros disponíveis:

from crewai import Agent
from crewai_tools import SerperDevTool

# Crie um agente com todos os parâmetros disponíveis
agent = Agent(
    role="Cientista de Dados Sênior",
    goal="Analisar e interpretar conjuntos de dados complexos para fornecer insights acionáveis",
    backstory="Com mais de 10 anos de experiência em ciência de dados e aprendizado de máquina, você é especialista em encontrar padrões em grandes volumes de dados.",
    llm="gpt-4",  # Padrão: OPENAI_MODEL_NAME ou "gpt-4"
    function_calling_llm=None,  # Opcional: LLM separado para chamadas de ferramentas
    verbose=False,  # Padrão: False
    allow_delegation=False,  # Padrão: False
    max_iter=20,  # Padrão: 20 iterações
    max_rpm=None,  # Opcional: Limite de requisições por minuto
    max_execution_time=None,  # Opcional: Tempo máximo de execução em segundos
    max_retry_limit=2,  # Padrão: 2 tentativas em caso de erro
    allow_code_execution=False,  # Padrão: False
    code_execution_mode="safe",  # Padrão: "safe" (opções: "safe", "unsafe")
    respect_context_window=True,  # Padrão: True
    use_system_prompt=True,  # Padrão: True
    multimodal=False,  # Padrão: False
    inject_date=False,  # Padrão: False
    date_format="%Y-%m-%d",  # Padrão: formato ISO
    reasoning=False,  # Padrão: False
    max_reasoning_attempts=None,  # Padrão: None
    tools=[SerperDevTool()],  # Opcional: Lista de ferramentas
    knowledge_sources=None,  # Opcional: Lista de fontes de conhecimento
    embedder=None,  # Opcional: Configuração de embedder customizado
    system_template=None,  # Opcional: Template de prompt de sistema
    prompt_template=None,  # Opcional: Template de prompt customizado
    response_template=None,  # Opcional: Template de resposta customizado
    step_callback=None,  # Opcional: Função de callback para monitoramento
)

Vamos detalhar algumas combinações de parâmetros-chave para casos de uso comuns:

Agente de Pesquisa Básico

research_agent = Agent(
    role="Analista de Pesquisa",
    goal="Encontrar e resumir informações sobre tópicos específicos",
    backstory="Você é um pesquisador experiente com atenção aos detalhes",
    tools=[SerperDevTool()],
    verbose=True  # Ativa logs para depuração
)

Agente de Desenvolvimento de Código

dev_agent = Agent(
    role="Desenvolvedor Python Sênior",
    goal="Escrever e depurar códigos Python",
    backstory="Desenvolvedor Python especialista com 10 anos de experiência",
    allow_code_execution=True,
    code_execution_mode="safe",  # Usa Docker para segurança
    max_execution_time=300,  # Limite de 5 minutos
    max_retry_limit=3  # Mais tentativas para tarefas complexas
)

Agente de Análise de Longa Duração

analysis_agent = Agent(
    role="Analista de Dados",
    goal="Realizar análise aprofundada de grandes conjuntos de dados",
    backstory="Especialista em análise de big data e reconhecimento de padrões",
    memory=True,
    respect_context_window=True,
    max_rpm=10,  # Limite de requisições por minuto
    function_calling_llm="gpt-4o-mini"  # Modelo mais econômico para chamadas de ferramentas
)

Agente com Template Personalizado

custom_agent = Agent(
    role="Atendente de Suporte ao Cliente",
    goal="Auxiliar clientes com suas dúvidas e solicitações",
    backstory="Experiente em atendimento ao cliente com foco em satisfação",
    system_template="""<|start_header_id|>system<|end_header_id|>\n                        {{ .System }}<|eot_id|>""",
    prompt_template="""<|start_header_id|>user<|end_header_id|>\n                        {{ .Prompt }}<|eot_id|>""",
    response_template="""<|start_header_id|>assistant<|end_header_id|>\n                        {{ .Response }}<|eot_id|>""",
)

Agente Ciente de Data, com Raciocínio

strategic_agent = Agent(
    role="Analista de Mercado",
    goal="Acompanhar movimentos do mercado com referências de datas precisas e planejamento estratégico",
    backstory="Especialista em análise financeira sensível ao tempo e relatórios estratégicos",
    inject_date=True,  # Injeta automaticamente a data atual nas tarefas
    date_format="%d de %B de %Y",  # Exemplo: "21 de maio de 2025"
    reasoning=True,  # Ativa planejamento estratégico
    max_reasoning_attempts=2,  # Limite de iterações de planejamento
    verbose=True
)

Agente de Raciocínio

reasoning_agent = Agent(
    role="Planejador Estratégico",
    goal="Analisar problemas complexos e criar planos de execução detalhados",
    backstory="Especialista em planejamento estratégico que desmembra desafios complexos metodicamente",
    reasoning=True,  # Ativa raciocínio e planejamento
    max_reasoning_attempts=3,  # Limite de tentativas de raciocínio
    max_iter=30,  # Permite mais iterações para planejamento complexo
    verbose=True
)

Agente Multimodal

multimodal_agent = Agent(
    role="Analista de Conteúdo Visual",
    goal="Analisar e processar tanto conteúdo textual quanto visual",
    backstory="Especialista em análise multimodal combinando compreensão de texto e imagem",
    multimodal=True,  # Ativa capacidades multimodais
    verbose=True
)

Detalhes dos Parâmetros

Parâmetros Críticos

role, goal e backstory são obrigatórios e definem o comportamento do agente
llm determina o modelo de linguagem utilizado (padrão: GPT-4 da OpenAI)

Memória e Contexto

memory: Ative para manter o histórico de conversas
respect_context_window: Evita problemas com limites de tokens
knowledge_sources: Adicione bases de conhecimento específicas do domínio

Controle de Execução

max_iter: Número máximo de tentativas antes da melhor resposta
max_execution_time: Tempo limite em segundos
max_rpm: Limite de requisições por minuto
max_retry_limit: Tentativas de correção em erros

Execução de Código

allow_code_execution (depreciado): Anteriormente habilitava a execução de código embutida via CodeInterpreterTool.
code_execution_mode (depreciado): Anteriormente controlava o modo de execução ("safe" para Docker, "unsafe" para execução direta).

Funcionalidades Avançadas

multimodal: Habilita capacidades multimodais para processar texto e conteúdo visual
reasoning: Permite que o agente reflita e crie planos antes de executar tarefas
inject_date: Injeta a data atual automaticamente nas descrições das tarefas

Templates

system_template: Define o comportamento central do agente
prompt_template: Estrutura o formato da entrada
response_template: Formata as respostas do agente

Ferramentas do Agente

Agentes podem ser equipados com diversas ferramentas para ampliar suas capacidades. O CrewAI suporta ferramentas do:

Veja como adicionar ferramentas a um agente:

from crewai import Agent
from crewai_tools import SerperDevTool, WikipediaTools

# Criar ferramentas
search_tool = SerperDevTool()
wiki_tool = WikipediaTools()

# Adicionar ferramentas ao agente
researcher = Agent(
    role="Pesquisador de Tecnologia em IA",
    goal="Pesquisar os últimos avanços em IA",
    tools=[search_tool, wiki_tool],
    verbose=True
)

Memória e Contexto do Agente

Agentes podem manter a memória de suas interações e usar contexto de tarefas anteriores. Isto é especialmente útil para fluxos de trabalho complexos onde é necessário reter informações ao longo de várias tarefas.

from crewai import Agent

analyst = Agent(
    role="Analista de Dados",
    goal="Analisar e memorizar padrões complexos de dados",
    memory=True,  # Ativa memória
    verbose=True
)

Gerenciamento da Janela de Contexto

O CrewAI inclui um gerenciamento automático sofisticado de janela de contexto para lidar com situações onde as conversas excedem o limite de tokens do modelo de linguagem. Esse poderoso recurso é controlado pelo parâmetro respect_context_window.

Como Funciona o Gerenciamento de Janela de Contexto

Quando o histórico de conversas de um agente se torna muito grande para a janela de contexto do LLM, o CrewAI detecta essa situação automaticamente e pode:

Resumir o conteúdo automaticamente (com respect_context_window=True)
Parar a execução com erro (com respect_context_window=False)

Manipulação Automática de Contexto (`respect_context_window=True`)

Esta é a configuração padrão e recomendada para a maioria dos casos. Quando ativada, CrewAI irá:

# Agente com gerenciamento automático de contexto (padrão)
smart_agent = Agent(
    role="Analista de Pesquisa",
    goal="Analisar grandes documentos e conjuntos de dados",
    backstory="Especialista em processar informações extensas",
    respect_context_window=True,  # 🔑 Padrão: gerencia limites de contexto automaticamente
    verbose=True
)

O que acontece quando os limites de contexto são excedidos:

⚠️ Mensagem de aviso: "Context length exceeded. Summarizing content to fit the model context window."
🔄 Resumir automaticamente: O CrewAI resume o histórico da conversa de forma inteligente
✅ Execução contínua: A execução da tarefa prossegue normalmente com o contexto resumido
📝 Informação preservada: Informações-chave são mantidas enquanto reduz a contagem de tokens

Limites Estritos de Contexto (`respect_context_window=False`)

Quando você precisa de controle total e prefere que a execução pare a perder qualquer informação:

# Agente com limites estritos de contexto
strict_agent = Agent(
    role="Legal Document Reviewer",
    goal="Provide precise legal analysis without information loss",
    backstory="Legal expert requiring complete context for accurate analysis",
    respect_context_window=False,  # ❌ Stop execution on context limit
    verbose=True
)

O que acontece quando os limites de contexto são excedidos:

❌ Mensagem de erro: "Context length exceeded. Consider using smaller text or RAG tools from crewai_tools."
🛑 Execução interrompida: A execução da tarefa é parada imediatamente
🔧 Intervenção manual necessária: Você precisará modificar sua abordagem

Como Escolher a Melhor Configuração

Use `respect_context_window=True` (padrão) quando:

Processar documentos grandes que podem ultrapassar os limites de contexto
Conversas longas onde certo grau de resumo é aceitável
Tarefas de pesquisa onde o contexto geral é mais importante que detalhes exatos
Prototipagem e desenvolvimento quando se deseja execução robusta

# Ideal para processamento de documentos
document_processor = Agent(
    role="Document Analyst",
    goal="Extract insights from large research papers",
    backstory="Expert at analyzing extensive documentation",
    respect_context_window=True,  # Lida com documentos grandes sem problemas
    max_iter=50,  # Permite mais iterações para análises complexas
    verbose=True
)

Use `respect_context_window=False` quando:

Precisão é crítica e perda de informação é inaceitável
Tarefas jurídicas ou médicas que requerem contexto completo
Revisão de código onde detalhes perdidos podem causar bugs
Análise financeira onde precisão é fundamental

# Ideal para tarefas de precisão
precision_agent = Agent(
    role="Code Security Auditor",
    goal="Identify security vulnerabilities in code",
    backstory="Security expert requiring complete code context",
    respect_context_window=False,  # Prefere falhar do que análise incompleta
    max_retry_limit=1,  # Falha rápida em caso de problemas de contexto
    verbose=True
)

Abordagens Alternativas para Grandes Volumes de Dados

Ao lidar com conjuntos de dados muito grandes, considere as seguintes estratégias:

1. Use Ferramentas RAG

from crewai_tools import RagTool

# Crie uma ferramenta RAG para processamento de documentos grandes
rag_tool = RagTool()

rag_agent = Agent(
    role="Research Assistant",
    goal="Query large knowledge bases efficiently",
    backstory="Expert at using RAG tools for information retrieval",
    tools=[rag_tool],  # Usar RAG ao invés de grandes janelas de contexto
    respect_context_window=True,
    verbose=True
)

2. Use Fontes de Conhecimento

# Use fontes de conhecimento ao invés de prompts grandes
knowledge_agent = Agent(
    role="Knowledge Expert",
    goal="Answer questions using curated knowledge",
    backstory="Expert at leveraging structured knowledge sources",
    knowledge_sources=[your_knowledge_sources],  # Conhecimento pré-processado
    respect_context_window=True,
    verbose=True
)

Boas Práticas para Janela de Contexto

Monitore o uso de contexto: Ative verbose=True para visualizar o gerenciamento de contexto em ação
Otimize para eficiência: Estruture tarefas para minimizar o acúmulo de contexto
Use modelos apropriados: Escolha LLMs com janelas de contexto adequadas à sua tarefa
Teste ambos os modos: Experimente True e False para descobrir o que funciona melhor para seu caso
Combine com RAG: Utilize ferramentas RAG para grandes conjuntos de dados ao invés de depender apenas da janela de contexto

Solucionando Problemas de Contexto

Se você receber erros de limite de contexto:

# Solução rápida: Habilite manipulação automática
agent.respect_context_window = True

# Solução melhor: Use ferramentas RAG para dados volumosos
from crewai_tools import RagTool
agent.tools = [RagTool()]

# Alternativa: Divida as tarefas em partes menores
# Ou use fontes de conhecimento no lugar de prompts extensos

Se o resumo automático perder informações importantes:

# Desative o resumo automático e use RAG
agent = Agent(
    role="Detailed Analyst",
    goal="Maintain complete information accuracy",
    backstory="Expert requiring full context",
    respect_context_window=False,  # Sem resumo automático
    tools=[RagTool()],  # Use RAG para grandes volumes de dados
    verbose=True
)

Considerações e Boas Práticas Importantes

Segurança e Execução de Código

Otimização de Performance

Use respect_context_window: true para evitar problemas com limite de tokens
Ajuste max_rpm para evitar rate limiting
Ative cache: true para melhorar performance em tarefas repetitivas
Ajuste max_iter e max_retry_limit conforme a complexidade da tarefa

Gerenciamento de Memória e Contexto

Considere knowledge_sources para informações específicas de domínio
Configure embedder ao usar modelos de embedding personalizados
Use templates personalizados (system_template, prompt_template, response_template) para controle fino do comportamento do agente

Funcionalidades Avançadas

Ative reasoning: true para agentes que precisam planejar e refletir antes de tarefas complexas
Defina max_reasoning_attempts para controlar as iterações de planejamento (None para ilimitadas)
Use inject_date: true para dar consciência temporal a agentes em tarefas que dependem de datas
Personalize o formato de data com date_format usando códigos padrões do Python datetime
Ative multimodal: true para agentes que precisam processar texto e imagem

Colaboração entre Agentes

Ative allow_delegation: true quando agentes precisarem trabalhar juntos
Use step_callback para monitorar e registrar interações dos agentes
Considere usar LLMs diferentes para propósitos distintos:
- llm principal para raciocínio complexo
- function_calling_llm para uso eficiente de ferramentas

Consciência de Data e Raciocínio

Use inject_date: true para fornecer consciência temporal aos agentes em tarefas sensíveis ao tempo
Customize o formato de data com date_format usando códigos standards de datetime do Python
Códigos válidos incluem: %Y (ano), %m (mês), %d (dia), %B (nome completo do mês), etc.
Formatos de data inválidos serão registrados como avisos e não modificarão a descrição da tarefa
Ative reasoning: true para tarefas complexas que se beneficiam de planejamento e reflexão antecipados

Compatibilidade de Modelos

Defina use_system_prompt: false para modelos antigos que não suportam mensagens de sistema
Certifique-se que o llm escolhido suporta as funcionalidades necessárias (como function calling)

Solução de Problemas Comuns

Limite de Taxa (Rate Limiting): Se atingir limites de API:
- Implemente o max_rpm adequado
- Use cache para operações repetitivas
- Considere agrupar requisições em lote
Erros de Janela de Contexto: Se exceder limites de contexto:
- Habilite respect_context_window
- Otimize seus prompts
- Limpe periodicamente a memória do agente
Problemas de Execução de Código: Se a execução de código falhar:
- Verifique se o Docker está instalado para o modo seguro
- Cheque permissões de execução
- Revise as configurações do sandbox de código
Problemas de Memória: Se as respostas do agente parecerem inconsistentes:
- Cheque a configuração das fontes de conhecimento
- Analise o gerenciamento do histórico de conversas

Lembre-se de que agentes são mais eficientes quando configurados de acordo com o caso de uso específico. Reserve um tempo para entender seus requisitos e ajustar esses parâmetros conforme necessário.

Agentes

Visão Geral de um Agente

Atributos do Agente

Criando Agentes

Configuração JSONC (Recomendado)

Configuração YAML Clássica

Definição Direta em Código

Agente de Pesquisa Básico

Agente de Desenvolvimento de Código

Agente de Análise de Longa Duração

Agente com Template Personalizado

Agente Ciente de Data, com Raciocínio

Agente de Raciocínio

Agente Multimodal

Detalhes dos Parâmetros

Parâmetros Críticos

Memória e Contexto

Controle de Execução

Execução de Código

Funcionalidades Avançadas

Templates

Ferramentas do Agente

Memória e Contexto do Agente

Gerenciamento da Janela de Contexto

Como Funciona o Gerenciamento de Janela de Contexto

Manipulação Automática de Contexto (respect_context_window=True)

Limites Estritos de Contexto (respect_context_window=False)

Como Escolher a Melhor Configuração

Use respect_context_window=True (padrão) quando:

Use respect_context_window=False quando:

Abordagens Alternativas para Grandes Volumes de Dados

1. Use Ferramentas RAG

2. Use Fontes de Conhecimento

Boas Práticas para Janela de Contexto

Solucionando Problemas de Contexto

Considerações e Boas Práticas Importantes

Segurança e Execução de Código

Otimização de Performance

Gerenciamento de Memória e Contexto

Funcionalidades Avançadas

Colaboração entre Agentes

Consciência de Data e Raciocínio

Compatibilidade de Modelos

Solução de Problemas Comuns

Manipulação Automática de Contexto (`respect_context_window=True`)

Limites Estritos de Contexto (`respect_context_window=False`)

Use `respect_context_window=True` (padrão) quando:

Use `respect_context_window=False` quando: