Guia Rápido

Crie seu primeiro Flow CrewAI em minutos — orquestração, estado e um crew com um agente que gera um relatório real.

​

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

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.

​

Pré-requisitos

• Ambiente Python e a CLI do CrewAI (veja instalação)
• Um LLM configurado com as chaves corretas — veja LLMs
• Uma chave de API do Serper.dev (SERPER_API_KEY) para busca na web neste tutorial

​

Construa seu primeiro Flow

1. Crie um projeto Flow

   No terminal, gere um projeto Flow (o nome da pasta usa sublinhados, ex.: latest_ai_flow):

   Terminal

   crewai create flow latest-ai-flow
   cd latest_ai_flow
   

   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.

2. 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=...).

   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.
   
3. Configure uma tarefa em `tasks.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
   
4. Conecte a classe do crew (`content_crew.py`)

   Aponte o crew gerado para o YAML e anexe SerperDevTool ao pesquisador.

   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,
       )
   
5. 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.

   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()
   

   Se o nome do pacote não for latest_ai_flow, ajuste o import de ResearchCrew para o caminho de módulo do seu projeto.

6. Variáveis de ambiente

   Na raiz do projeto, no arquivo .env, defina:

   • SERPER_API_KEY — obtida em Serper.dev
   • As chaves do provedor de modelo conforme necessário — veja configuração de LLM
7. Instalar e executar

   Terminal

   crewai install
   crewai run
   

   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).

8. Confira o resultado

   Você deve ver logs do Flow e do crew. Abra output/report.md para o relatório gerado (trecho):

   output/report.md

   # Agentes de IA em 2026: panorama e tendências
   
   ## Resumo executivo
   …
   
   ## Principais tendências
   - **Uso de ferramentas e orquestração** — …
   - **Adoção empresarial** — …
   
   ## Implicações
   …
   

   O arquivo real será mais longo e refletirá resultados de busca ao vivo.

​

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 e Flows. Para crews sem Flow, veja Crews. Para um único Agent com kickoff() sem tarefas, veja Agents.

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.

​

Consistência de nomes

As chaves do YAML (researcher, research_task) devem coincidir com os nomes dos métodos na classe @CrewBase. Veja Crews para o padrão completo com decoradores.

​

Implantação

Envie seu Flow para o CrewAI AMP quando rodar localmente e o projeto estiver em um repositório GitHub. Na raiz do projeto:

Autenticar

crewai login

crewai deploy create

crewai deploy status
crewai deploy logs

crewai deploy push

crewai deploy list
crewai deploy remove <deployment_id>

A primeira implantação costuma levar cerca de 1 minuto. Pré-requisitos completos e fluxo na interface web estão em Implantar no AMP.

Guia de implantação

AMP passo a passo (CLI e painel).

Comunidade

Troque ideias, compartilhe projetos e conecte-se com outros desenvolvedores CrewAI.