Dominando o Gerenciamento de Estado em Flows

Entendendo o Poder do Estado em Flows

O gerenciamento de estado é a espinha dorsal de qualquer workflow de IA sofisticado. Nos Flows da CrewAI, o sistema de estado permite manter o contexto, compartilhar dados entre etapas e construir lógicas de aplicação complexas. Dominar o gerenciamento de estado é essencial para criar aplicações de IA confiáveis, sustentáveis e poderosas.

Este guia vai te levar por tudo o que você precisa saber sobre como gerenciar o estado em CrewAI Flows, desde conceitos básicos até técnicas avançadas, com exemplos práticos de código ao longo do conteúdo.

Por Que o Gerenciamento de Estado Importa

Um gerenciamento de estado efetivo possibilita que você:

1. Mantenha o contexto entre as etapas de execução – Transfira informações de forma transparente entre diferentes estágios do seu workflow
2. Construa lógicas condicionais complexas – Tome decisões baseadas nos dados acumulados
3. Crie aplicações persistentes – Salve e recupere o progresso do workflow
4. Trate erros de forma elegante – Implemente padrões de recuperação para aplicações mais robustas
5. Escalone suas aplicações – Ofereça suporte a workflows complexos com organização apropriada dos dados
6. Habilite aplicações conversacionais – Armazene e acesse o histórico da conversa para interações de IA com contexto

Para chat multi-turn (kickoff por linha do usuário, ChatState, roteamento por intenção, tracing adiado e ChatSession), veja Flows conversacionais.

Vamos explorar como aproveitar essas capacidades de forma eficiente.

Fundamentos do Gerenciamento de Estado

O Ciclo de Vida do Estado em um Flow

Nos Flows da CrewAI, o estado segue um ciclo de vida previsível:

1. Inicialização – Quando um flow é criado, seu estado é inicializado (como um dicionário vazio ou uma instância de modelo Pydantic)
2. Modificação – Os métodos do flow acessam e modificam o estado durante a execução
3. Transmissão – O estado é automaticamente passado entre os métodos do flow
4. Persistência (opcional) – O estado pode ser salvo em um armazenamento e recuperado posteriormente
5. Conclusão – O estado final reflete as mudanças acumuladas de todos os métodos executados

Compreender esse ciclo de vida é crucial para projetar flows eficientes.

Duas Abordagens Para Gerenciar Estado

A CrewAI oferece duas maneiras para você gerenciar o estado nos seus flows:

1. Estado Não Estruturado – Usando objetos do tipo dicionário para mais flexibilidade
2. Estado Estruturado – Usando modelos Pydantic para segurança de tipo e validação

Vamos analisar cada abordagem em detalhe.

Gerenciamento de Estado Não Estruturado

O estado não estruturado utiliza uma abordagem semelhante a dicionários, oferecendo flexibilidade e simplicidade para aplicações diretas.

Como Funciona

Com estado não estruturado:

• Você acessa o estado via self.state, que se comporta como um dicionário
• Pode adicionar, modificar ou remover chaves livremente a qualquer momento
• Todo o estado está disponível automaticamente para todos os métodos do flow

Exemplo Básico

Veja um exemplo simples de gerenciamento de estado não estruturado:

from crewai.flow.flow import Flow, listen, start

class UnstructuredStateFlow(Flow):
    @start()
    def initialize_data(self):
        print("Initializing flow data")
        # Adiciona pares chave-valor ao estado
        self.state["user_name"] = "Alex"
        self.state["preferences"] = {
            "theme": "dark",
            "language": "English"
        }
        self.state["items"] = []

        # O estado do flow recebe automaticamente um ID único
        print(f"Flow ID: {self.state['id']}")

        return "Initialized"

    @listen(initialize_data)
    def process_data(self, previous_result):
        print(f"Previous step returned: {previous_result}")

        # Acessa e modifica o estado
        user = self.state["user_name"]
        print(f"Processing data for {user}")

        # Adiciona itens a uma lista no estado
        self.state["items"].append("item1")
        self.state["items"].append("item2")

        # Adiciona um novo par chave-valor
        self.state["processed"] = True

        return "Processed"

    @listen(process_data)
    def generate_summary(self, previous_result):
        # Acessa múltiplos valores do estado
        user = self.state["user_name"]
        theme = self.state["preferences"]["theme"]
        items = self.state["items"]
        processed = self.state.get("processed", False)

        summary = f"User {user} has {len(items)} items with {theme} theme. "
        summary += "Data is processed." if processed else "Data is not processed."

        return summary

# Executa o flow
flow = UnstructuredStateFlow()
result = flow.kickoff()
print(f"Final result: {result}")
print(f"Final state: {flow.state}")

Quando Usar Estado Não Estruturado

O estado não estruturado é ideal para:

• Prototipagem rápida e flows simples
• Necessidade de estado que evolui dinamicamente
• Casos onde a estrutura pode não ser conhecida antecipadamente
• Flows com requisitos de estado simples

Embora seja flexível, o estado não estruturado não possui checagem de tipos nem validação de esquema, o que pode gerar erros em aplicações mais complexas.

Gerenciamento de Estado Estruturado

O estado estruturado utiliza modelos Pydantic para definir um esquema para o estado do seu flow, provendo segurança de tipo, validação e melhor experiência de desenvolvimento.

Como Funciona

Ao utilizar estado estruturado:

• Você define um modelo Pydantic que representa a estrutura do seu estado
• Passa este tipo de modelo para sua classe Flow como parâmetro de tipo
• Acessa o estado via self.state, que se comporta como uma instância do modelo Pydantic
• Todos os campos são validados de acordo com os tipos definidos
• O IDE oferece autocompletar e suporte à checagem de tipos

Exemplo Básico

Veja como implementar o gerenciamento de estado estruturado:

from crewai.flow.flow import Flow, listen, start
from pydantic import BaseModel, Field
from typing import List, Dict, Optional

# Define o modelo de estado
class UserPreferences(BaseModel):
    theme: str = "light"
    language: str = "English"

class AppState(BaseModel):
    user_name: str = ""
    preferences: UserPreferences = UserPreferences()
    items: List[str] = []
    processed: bool = False
    completion_percentage: float = 0.0

# Cria um flow com estado tipado
class StructuredStateFlow(Flow[AppState]):
    @start()
    def initialize_data(self):
        print("Initializing flow data")
        # Define valores do estado (com checagem de tipo)
        self.state.user_name = "Taylor"
        self.state.preferences.theme = "dark"

        # O campo ID está disponível automaticamente
        print(f"Flow ID: {self.state.id}")

        return "Initialized"

    @listen(initialize_data)
    def process_data(self, previous_result):
        print(f"Processing data for {self.state.user_name}")

        # Modifica o estado (com checagem de tipo)
        self.state.items.append("item1")
        self.state.items.append("item2")
        self.state.processed = True
        self.state.completion_percentage = 50.0

        return "Processed"

    @listen(process_data)
    def generate_summary(self, previous_result):
        # Acessa o estado (com autocompletar)
        summary = f"User {self.state.user_name} has {len(self.state.items)} items "
        summary += f"with {self.state.preferences.theme} theme. "
        summary += "Data is processed." if self.state.processed else "Data is not processed."
        summary += f" Completion: {self.state.completion_percentage}%"

        return summary

# Executa o flow
flow = StructuredStateFlow()
result = flow.kickoff()
print(f"Final result: {result}")
print(f"Final state: {flow.state}")

Benefícios do Estado Estruturado

Utilizar estado estruturado traz várias vantagens:

1. Segurança de Tipo – Detecte erros de tipo durante o desenvolvimento
2. Autodocumentação – O modelo de estado documenta claramente quais dados estão disponíveis
3. Validação – Validação automática de tipos de dados e restrições
4. Suporte do IDE – Obtenha autocompletar e documentação inline
5. Valores Padrão – Defina facilmente valores padrões para falta de dados

Quando Usar Estado Estruturado

O estado estruturado é recomendado para:

• Flows complexos com esquemas de dados bem definidos
• Projetos em equipe com múltiplos desenvolvedores no mesmo código
• Aplicações onde a validação de dados é importante
• Flows que precisam impor tipos de dados e restrições específicas

O ID de Estado Automático

Tanto estados não estruturados quanto estruturados recebem automaticamente um identificador único (UUID) para ajudar a rastrear e gerenciar instâncias de estado.

Como Funciona

• Para estado não estruturado, o ID é acessível via self.state["id"]
• Para estado estruturado, o ID é acessível via self.state.id
• Este ID é gerado automaticamente ao criar o flow
• O ID permanece igual durante todo o ciclo de vida do flow
• O ID pode ser usado para rastreamento, logs e recuperação de estados persistidos

Este UUID é útil especialmente ao implementar persistência ou monitorar múltiplas execuções de flows.

Atualizações Dinâmicas de Estado

Independente de você usar estado estruturado ou não estruturado, é possível atualizar o estado dinamicamente ao longo da execução do flow.

Passando Dados Entre Etapas

Métodos do flow podem retornar valores que serão passados como argumento para métodos listeners:

from crewai.flow.flow import Flow, listen, start

class DataPassingFlow(Flow):
    @start()
    def generate_data(self):
        # Este valor de retorno será passado para os métodos listeners
        return "Generated data"

    @listen(generate_data)
    def process_data(self, data_from_previous_step):
        print(f"Received: {data_from_previous_step}")
        # Você pode modificar os dados e repassá-los adiante
        processed_data = f"{data_from_previous_step} - processed"
        # Também atualiza o estado
        self.state["last_processed"] = processed_data
        return processed_data

    @listen(process_data)
    def finalize_data(self, processed_data):
        print(f"Received processed data: {processed_data}")
        # Acessa tanto os dados passados quanto o estado
        last_processed = self.state.get("last_processed", "")
        return f"Final: {processed_data} (from state: {last_processed})"

Esse padrão permite combinar passagem de dados direta com atualizações de estado para obter máxima flexibilidade.

Persistindo o Estado do Flow

Uma das funcionalidades mais poderosas da CrewAI é a habilidade de persistir o estado do flow entre execuções. Isso habilita workflows que podem ser pausados, retomados e até recuperados após falhas.

O Decorador @persist()

O decorador @persist() automatiza a persistência de estado, salvando o estado do flow em pontos chave da execução.

Persistência em Nível de Classe

Ao aplicar em nível de classe, @persist() salva o estado após cada execução de método:

from crewai.flow.flow import Flow, listen, start
from crewai.flow.persistence import persist
from pydantic import BaseModel

class CounterState(BaseModel):
    value: int = 0

@persist()  # Aplica à classe inteira do flow
class PersistentCounterFlow(Flow[CounterState]):
    @start()
    def increment(self):
        self.state.value += 1
        print(f"Incremented to {self.state.value}")
        return self.state.value

    @listen(increment)
    def double(self, value):
        self.state.value = value * 2
        print(f"Doubled to {self.state.value}")
        return self.state.value

# Primeira execução
flow1 = PersistentCounterFlow()
result1 = flow1.kickoff()
print(f"First run result: {result1}")

# Segunda execução - passa o ID para carregar o estado persistido
flow2 = PersistentCounterFlow()
result2 = flow2.kickoff(inputs={"id": flow1.state.id})
print(f"Second run result: {result2}")  # Será maior devido ao estado persistido

Persistência em Nível de Método

Para mais controle, você pode aplicar @persist() em métodos específicos:

from crewai.flow.flow import Flow, listen, start
from crewai.flow.persistence import persist

class SelectivePersistFlow(Flow):
    @start()
    def first_step(self):
        self.state["count"] = 1
        return "First step"

    @persist()  # Persiste apenas após este método
    @listen(first_step)
    def important_step(self, prev_result):
        self.state["count"] += 1
        self.state["important_data"] = "This will be persisted"
        return "Important step completed"

    @listen(important_step)
    def final_step(self, prev_result):
        self.state["count"] += 1
        return f"Complete with count {self.state['count']}"

Forking de Estado Persistido

@persist suporta dois modos distintos de hidratação em kickoff / kickoff_async. Use resume (inputs["id"]) para continuar a mesma linhagem; use fork (restore_from_state_id) para iniciar uma nova linhagem a partir de um snapshot:

	state.id após o kickoff	Escritas do @persist vão para
inputs["id"] (resume)	id informado	id informado (estende o histórico)
restore_from_state_id (fork)	id novo, ou inputs["id"] se fixado	id novo (origem preservada)

from crewai.flow.flow import Flow, start
from crewai.flow.persistence import persist
from pydantic import BaseModel

class CounterState(BaseModel):
    id: str = ""
    counter: int = 0

@persist
class CounterFlow(Flow[CounterState]):
    @start()
    def step(self):
        self.state.counter += 1

# Execução 1: estado novo, counter 0 -> 1
flow_1 = CounterFlow()
flow_1.kickoff()

# Fork: hidrata do snapshot mais recente de flow_1, mas escreve sob um state.id NOVO
flow_2 = CounterFlow()
flow_2.kickoff(restore_from_state_id=flow_1.state.id)
# flow_2 começa com counter=1 (hidratado), e step() incrementa para 2.
# O histórico do flow_uuid de flow_1 não é alterado.

Notas sobre o comportamento:

• restore_from_state_id não encontrado na persistência → o kickoff retorna silenciosamente ao comportamento padrão (espelha o comportamento de inputs["id"] quando não encontrado). Nenhuma exceção é lançada.
• Combinar restore_from_state_id com from_checkpoint lança um ValueError — eles miram sistemas de estado diferentes (@persist vs. Checkpointing) e não podem ser combinados.
• restore_from_state_id=None (padrão) é byte-idêntico a um kickoff sem o parâmetro.
• Fixar inputs["id"] durante o fork significa que a nova execução compartilha uma chave de persistência com outro flow — geralmente você quer apenas restore_from_state_id.

Padrões Avançados de Estado

Lógica Condicional Baseada no Estado

Você pode usar o estado para implementar lógicas condicionais complexas em seus flows:

from crewai.flow.flow import Flow, listen, router, start
from pydantic import BaseModel

class PaymentState(BaseModel):
    amount: float = 0.0
    is_approved: bool = False
    retry_count: int = 0

class PaymentFlow(Flow[PaymentState]):
    @start()
    def process_payment(self):
        # Simula o processamento do pagamento
        self.state.amount = 100.0
        self.state.is_approved = self.state.amount < 1000
        return "Payment processed"

    @router(process_payment)
    def check_approval(self, previous_result):
        if self.state.is_approved:
            return "approved"
        elif self.state.retry_count < 3:
            return "retry"
        else:
            return "rejected"

    @listen("approved")
    def handle_approval(self):
        return f"Payment of ${self.state.amount} approved!"

    @listen("retry")
    def handle_retry(self):
        self.state.retry_count += 1
        print(f"Retrying payment (attempt {self.state.retry_count})...")
        # Aqui poderia ser implementada a lógica de retry
        return "Retry initiated"

    @listen("rejected")
    def handle_rejection(self):
        return f"Payment of ${self.state.amount} rejected after {self.state.retry_count} retries."

Manipulações Complexas de Estado

Para transformar estados complexos, você pode criar métodos dedicados:

from crewai.flow.flow import Flow, listen, start
from pydantic import BaseModel
from typing import List, Dict

class UserData(BaseModel):
    name: str
    active: bool = True
    login_count: int = 0

class ComplexState(BaseModel):
    users: Dict[str, UserData] = {}
    active_user_count: int = 0

class TransformationFlow(Flow[ComplexState]):
    @start()
    def initialize(self):
        # Adiciona alguns usuários
        self.add_user("alice", "Alice")
        self.add_user("bob", "Bob")
        self.add_user("charlie", "Charlie")
        return "Initialized"

    @listen(initialize)
    def process_users(self, _):
        # Incrementa contagens de login
        for user_id in self.state.users:
            self.increment_login(user_id)

        # Desativa um usuário
        self.deactivate_user("bob")

        # Atualiza a contagem de ativos
        self.update_active_count()

        return f"Processed {len(self.state.users)} users"

    # Métodos auxiliares para transformações de estado
    def add_user(self, user_id: str, name: str):
        self.state.users[user_id] = UserData(name=name)
        self.update_active_count()

    def increment_login(self, user_id: str):
        if user_id in self.state.users:
            self.state.users[user_id].login_count += 1

    def deactivate_user(self, user_id: str):
        if user_id in self.state.users:
            self.state.users[user_id].active = False
            self.update_active_count()

    def update_active_count(self):
        self.state.active_user_count = sum(
            1 for user in self.state.users.values() if user.active
        )

Esse padrão de criar métodos auxiliares mantém seus métodos de flow limpos, enquanto permite manipulações complexas de estado.

Gerenciamento de Estado com Crews

Um dos padrões mais poderosos na CrewAI é combinar o gerenciamento de estado do flow com a execução de crews.

Passando Estado para Crews

Você pode usar o estado do flow para parametrizar crews:

from crewai.flow.flow import Flow, listen, start
from crewai import Agent, Crew, Process, Task
from pydantic import BaseModel

class ResearchState(BaseModel):
    topic: str = ""
    depth: str = "medium"
    results: str = ""

class ResearchFlow(Flow[ResearchState]):
    @start()
    def get_parameters(self):
        # Em uma aplicação real, isso pode vir da entrada do usuário
        self.state.topic = "Artificial Intelligence Ethics"
        self.state.depth = "deep"
        return "Parameters set"

    @listen(get_parameters)
    def execute_research(self, _):
        # Cria os agentes
        researcher = Agent(
            role="Research Specialist",
            goal=f"Research {self.state.topic} in {self.state.depth} detail",
            backstory="You are an expert researcher with a talent for finding accurate information."
        )

        writer = Agent(
            role="Content Writer",
            goal="Transform research into clear, engaging content",
            backstory="You excel at communicating complex ideas clearly and concisely."
        )

        # Cria as tarefas
        research_task = Task(
            description=f"Research {self.state.topic} with {self.state.depth} analysis",
            expected_output="Comprehensive research notes in markdown format",
            agent=researcher
        )

        writing_task = Task(
            description=f"Create a summary on {self.state.topic} based on the research",
            expected_output="Well-written article in markdown format",
            agent=writer,
            context=[research_task]
        )

        # Cria e executa a crew
        research_crew = Crew(
            agents=[researcher, writer],
            tasks=[research_task, writing_task],
            process=Process.sequential,
            verbose=True
        )

        # Executa a crew e armazena o resultado no estado
        result = research_crew.kickoff()
        self.state.results = result.raw

        return "Research completed"

    @listen(execute_research)
    def summarize_results(self, _):
        # Acessa os resultados armazenados
        result_length = len(self.state.results)
        return f"Research on {self.state.topic} completed with {result_length} characters of results."

Manipulando Saídas de Crews no Estado

Quando um crew finaliza, é possível processar sua saída e armazená-la no estado do flow:

@listen(execute_crew)
def process_crew_results(self, _):
    # Faz parsing dos resultados brutos (assumindo saída em JSON)
    import json
    try:
        results_dict = json.loads(self.state.raw_results)
        self.state.processed_results = {
            "title": results_dict.get("title", ""),
            "main_points": results_dict.get("main_points", []),
            "conclusion": results_dict.get("conclusion", "")
        }
        return "Results processed successfully"
    except json.JSONDecodeError:
        self.state.error = "Failed to parse crew results as JSON"
        return "Error processing results"

Boas Práticas para Gerenciamento de Estado

1. Mantenha o Estado Focado

Projete seu estado para conter somente o necessário:

# Abrangente demais
class BloatedState(BaseModel):
    user_data: Dict = {}
    system_settings: Dict = {}
    temporary_calculations: List = []
    debug_info: Dict = {}
    # ...muitos outros campos

# Melhor: estado focado
class FocusedState(BaseModel):
    user_id: str
    preferences: Dict[str, str]
    completion_status: Dict[str, bool]

2. Use Estado Estruturado em Flows Complexos

À medida que seus flows evoluem em complexidade, o estado estruturado se torna cada vez mais valioso:

# Flow simples pode usar estado não estruturado
class SimpleGreetingFlow(Flow):
    @start()
    def greet(self):
        self.state["name"] = "World"
        return f"Hello, {self.state['name']}!"

# Flow complexo se beneficia de estado estruturado
class UserRegistrationState(BaseModel):
    username: str
    email: str
    verification_status: bool = False
    registration_date: datetime = Field(default_factory=datetime.now)
    last_login: Optional[datetime] = None

class RegistrationFlow(Flow[UserRegistrationState]):
    # Métodos com acesso ao estado fortemente tipado

3. Documente Transições de Estado

Para flows complexos, documente como o estado muda ao longo da execução:

@start()
def initialize_order(self):
    """
    Initialize order state with empty values.

    State before: {}
    State after: {order_id: str, items: [], status: 'new'}
    """
    self.state.order_id = str(uuid.uuid4())
    self.state.items = []
    self.state.status = "new"
    return "Order initialized"

4. Trate Erros de Estado de Forma Elegante

Implemente tratamento de erros ao acessar o estado:

@listen(previous_step)
def process_data(self, _):
    try:
        # Tenta acessar um valor que pode não existir
        user_preference = self.state.preferences.get("theme", "default")
    except (AttributeError, KeyError):
        # Trata o erro de forma elegante
        self.state.errors = self.state.get("errors", [])
        self.state.errors.append("Failed to access preferences")
        user_preference = "default"

    return f"Used preference: {user_preference}"

5. Use o Estado Para Acompanhar o Progresso

Aproveite o estado para monitorar o progresso em flows de longa duração:

class ProgressTrackingFlow(Flow):
    @start()
    def initialize(self):
        self.state["total_steps"] = 3
        self.state["current_step"] = 0
        self.state["progress"] = 0.0
        self.update_progress()
        return "Initialized"

    def update_progress(self):
        """Helper method to calculate and update progress"""
        if self.state.get("total_steps", 0) > 0:
            self.state["progress"] = (self.state.get("current_step", 0) /
                                    self.state["total_steps"]) * 100
            print(f"Progress: {self.state['progress']:.1f}%")

    @listen(initialize)
    def step_one(self, _):
        # Realiza o trabalho...
        self.state["current_step"] = 1
        self.update_progress()
        return "Step 1 complete"

    # Etapas adicionais...

6. Prefira Operações Imutáveis Quando Possível

Especialmente com estado estruturado, prefira operações imutáveis para maior clareza:

# Em vez de modificar listas no local:
self.state.items.append(new_item)  # Operação mutável

# Considere criar um novo estado:
from pydantic import BaseModel
from typing import List

class ItemState(BaseModel):
    items: List[str] = []

class ImmutableFlow(Flow[ItemState]):
    @start()
    def add_item(self):
        # Cria uma nova lista com o item adicionado
        self.state.items = [*self.state.items, "new item"]
        return "Item added"

Depurando o Estado do Flow

Logando Alterações no Estado

Ao desenvolver, adicione logs para acompanhar mudanças no estado:

import logging
logging.basicConfig(level=logging.INFO)

class LoggingFlow(Flow):
    def log_state(self, step_name):
        logging.info(f"State after {step_name}: {self.state}")

    @start()
    def initialize(self):
        self.state["counter"] = 0
        self.log_state("initialize")
        return "Initialized"

    @listen(initialize)
    def increment(self, _):
        self.state["counter"] += 1
        self.log_state("increment")
        return f"Incremented to {self.state['counter']}"

Visualizando o Estado

Você pode adicionar métodos para visualizar seu estado durante o debug:

def visualize_state(self):
    """Create a simple visualization of the current state"""
    import json
    from rich.console import Console
    from rich.panel import Panel

    console = Console()

    if hasattr(self.state, "model_dump"):
        # Pydantic v2
        state_dict = self.state.model_dump()
    elif hasattr(self.state, "dict"):
        # Pydantic v1
        state_dict = self.state.dict()
    else:
        # Estado não estruturado
        state_dict = dict(self.state)

    # Remove o id para uma saída mais limpa
    if "id" in state_dict:
        state_dict.pop("id")

    state_json = json.dumps(state_dict, indent=2, default=str)
    console.print(Panel(state_json, title="Current Flow State"))

Conclusão

Dominar o gerenciamento de estado em CrewAI Flows te dá poder para construir aplicações de IA sofisticadas e robustas, que mantêm contexto, tomam decisões complexas e entregam resultados consistentes.

Seja escolhendo estado não estruturado ou estruturado, implementar boas práticas de gerenciamento de estado irá ajudar a criar flows manteníveis, extensíveis e eficazes na resolução de problemas do mundo real.

À medida que desenvolver flows mais complexos, lembre-se de que um bom gerenciamento de estado está relacionado ao equilíbrio entre flexibilidade e estrutura, tornando seu código tanto poderoso quanto fácil de entender.

Agora você domina os conceitos e práticas de gerenciamento de estado em CrewAI Flows! Com este conhecimento, você pode criar workflows de IA robustos que mantêm contexto, compartilham dados entre as etapas e constroem lógicas avançadas de aplicação.

Próximos Passos

• Experimente usar estado estruturado e não estruturado em seus flows
• Teste a implementação de persistência de estado para workflows de longa duração
• Explore como construir seu primeiro crew para ver como crews e flows podem funcionar juntos
• Confira a documentação de referência de Flow para funcionalidades mais avançadas