Crie sua primeira Crew

Crie uma Crew de Pesquisa

Neste guia, você criará uma crew com dois agentes que pesquisa um tópico e escreve um relatório em markdown. Novos projetos de crew são JSON-first: agentes ficam em agents/*.jsonc, tarefas e configurações ficam em crew.jsonc, e crewai run carrega essa definição diretamente.

Pré-requisitos

Antes de começar:

Instale o CrewAI seguindo o guia de instalação
Configure sua chave de LLM seguindo o guia de LLMs
Tenha uma chave Serper.dev se quiser usar busca web

Etapa 1: Criar uma nova Crew

crewai create crew research_crew
cd research_crew

Estrutura criada:

research_crew/
├── .gitignore
├── .env
├── agents/
│   └── researcher.jsonc
├── crew.jsonc
├── knowledge/
├── pyproject.toml
├── README.md
├── skills/
└── tools/

Etapa 2: Definir os agentes

Substitua o arquivo gerado agents/researcher.jsonc e adicione agents/analyst.jsonc. Os nomes dos arquivos são os nomes referenciados em crew.jsonc.

{
  "role": "Senior Research Specialist for {topic}",
  "goal": "Find comprehensive and accurate information about {topic}, with a focus on recent developments and key insights.",
  "backstory": "You are an experienced research specialist who organizes complex information into clear, useful notes.",
  // Substitua pelo seu modelo, por exemplo "openai/gpt-4o".
  "llm": "provider/model-id",
  "tools": ["SerperDevTool"],
  "settings": {
    "verbose": true,
    "allow_delegation": false
  }
}

{
  "role": "Report Analyst for {topic}",
  "goal": "Turn research findings into a clear, well-structured report.",
  "backstory": "You are a careful analyst with strong technical writing skills and a talent for extracting useful insights.",
  // Substitua pelo seu modelo, por exemplo "openai/gpt-4o".
  "llm": "provider/model-id",
  "settings": {
    "verbose": true,
    "allow_delegation": false
  }
}

Substitua provider/model-id pelo modelo usado, como openai/gpt-4o, anthropic/claude-sonnet-4-6 ou gemini/gemini-2.0-flash-001.

Etapa 3: Definir tarefas e configurações

Substitua crew.jsonc por:

{
  "name": "Research Crew",
  "agents": ["researcher", "analyst"],
  "tasks": [
    {
      "name": "research_task",
      "description": "Conduct thorough research on {topic}. Focus on key concepts, recent developments, major challenges, notable applications, and future outlook.",
      "expected_output": "A comprehensive research document with organized sections, specific facts, and useful examples about {topic}.",
      "agent": "researcher"
    },
    {
      "name": "analysis_task",
      "description": "Analyze the research findings and create a polished report on {topic}. Include an executive summary, key insights, trend analysis, and recommendations.",
      "expected_output": "A professional markdown report with clear headings, a concise summary, main findings, and recommendations.",
      "agent": "analyst",
      "context": ["research_task"],
      "output_file": "output/report.md",
      "markdown": true
    }
  ],
  "process": "sequential",
  "verbose": true,
  "memory": true,
  "inputs": {
    "topic": "Artificial Intelligence in Healthcare"
  }
}

context aponta para tarefas anteriores, então o analista recebe a saída da pesquisa. inputs define valores padrão para {topic}; se um valor faltar, crewai run perguntará no terminal.

Etapa 4: Variáveis de ambiente

Edite .env:

SERPER_API_KEY=your_serper_api_key
# Adicione também a chave do seu provedor de modelo.

Etapa 5: Instalar e executar

crewai install
crewai run

Quando a execução terminar, abra output/report.md.