Integração com CrewAI

Construa equipes multiagentes com CrewAI e Venice — configure modelos privados e sem censura da Venice como backend LLM para colaboração de agentes baseada em papéis.

O CrewAI permite construir sistemas multiagentes autônomos onde agentes de IA especializados colaboram em tarefas complexas. A Venice AI funciona como provedor de LLM “drop-in” graças à compatibilidade com OpenAI.

​

Configuração

pip install crewai crewai-tools

​

Configuração básica

Configure a Venice como provedor LLM do CrewAI usando a interface compatível com OpenAI:

import os

os.environ["OPENAI_API_KEY"] = "your-venice-api-key"
os.environ["OPENAI_API_BASE"] = "https://api.venice.ai/api/v1"
os.environ["OPENAI_MODEL_NAME"] = "venice-uncensored"

Ou configure por agente com o objeto LLM:

from crewai import LLM

venice_llm = LLM(
    model="openai/venice-uncensored",
    api_key="your-venice-api-key",
    base_url="https://api.venice.ai/api/v1",
    temperature=0.7,
)

# Para tarefas de raciocínio complexo
venice_flagship = LLM(
    model="openai/zai-org-glm-5-1",
    api_key="your-venice-api-key",
    base_url="https://api.venice.ai/api/v1",
    temperature=0.3,
)

​

Sua primeira crew

Crie uma crew simples de pesquisa com dois agentes:

from crewai import Agent, Task, Crew

# Agente 1: Pesquisador
researcher = Agent(
    role="Senior Research Analyst",
    goal="Find comprehensive, accurate information on the given topic",
    backstory="You are an expert researcher with a keen eye for detail. "
              "You excel at finding and synthesizing information from multiple sources.",
    llm=venice_flagship,
    verbose=True,
)

# Agente 2: Escritor
writer = Agent(
    role="Content Strategist",
    goal="Create engaging, well-structured content from research findings",
    backstory="You are a skilled writer who transforms complex research "
              "into clear, compelling content that readers love.",
    llm=venice_llm,
    verbose=True,
)

# Tarefa 1: Pesquisa
research_task = Task(
    description="Research the topic: {topic}. "
                "Find key facts, recent developments, and expert opinions. "
                "Provide a structured summary with sources.",
    expected_output="A detailed research summary with key findings, "
                    "organized by subtopic, with at least 5 key points.",
    agent=researcher,
)

# Tarefa 2: Escrever artigo
write_task = Task(
    description="Using the research provided, write a compelling blog post "
                "about {topic}. Include an introduction, main sections, and conclusion.",
    expected_output="A well-written blog post of 500-800 words with clear sections.",
    agent=writer,
    context=[research_task],  # Usa a saída de research_task
)

# Crie e execute a crew
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    verbose=True,
)

result = crew.kickoff(inputs={"topic": "The future of privacy-preserving AI"})
print(result)

​

Crew de análise de produto multiagente

Um exemplo mais complexo com agentes especializados:

from crewai import Agent, Task, Crew, Process

# Diferentes modelos para diferentes capacidades de agente
fast_llm = LLM(model="openai/qwen3-5-9b", api_key="your-key", base_url="https://api.venice.ai/api/v1")
smart_llm = LLM(model="openai/zai-org-glm-5-1", api_key="your-key", base_url="https://api.venice.ai/api/v1")
uncensored_llm = LLM(model="openai/venice-uncensored-1-2", api_key="your-key", base_url="https://api.venice.ai/api/v1")

# Analista de mercado - precisa de inteligência
market_analyst = Agent(
    role="Market Research Analyst",
    goal="Analyze market trends and competitive landscape",
    backstory="You are a veteran market analyst with 15 years of experience "
              "in tech markets. You provide unbiased, data-driven insights.",
    llm=smart_llm,
    verbose=True,
)

# Red Team - se beneficia de pensamento sem censura
red_team = Agent(
    role="Red Team Critic",
    goal="Find weaknesses, risks, and potential failures in business strategies",
    backstory="You are a brutally honest critic who stress-tests ideas. "
              "You find every possible flaw and risk, no matter how uncomfortable.",
    llm=uncensored_llm,  # Sem censura para crítica honesta
    verbose=True,
)

# Estrategista - precisa de raciocínio
strategist = Agent(
    role="Business Strategist",
    goal="Synthesize analysis into actionable strategy recommendations",
    backstory="You are a McKinsey-trained strategist who creates clear, "
              "actionable plans from complex analyses.",
    llm=smart_llm,
    verbose=True,
)

# Tarefas
market_task = Task(
    description="Analyze the market opportunity for: {product_idea}. "
                "Cover market size, competitors, trends, and target audience.",
    expected_output="Structured market analysis with TAM/SAM/SOM estimates, "
                    "top 5 competitors, and 3 key market trends.",
    agent=market_analyst,
)

critique_task = Task(
    description="Critically evaluate this product idea and market analysis. "
                "Find every weakness, risk, and potential failure mode. Be brutally honest.",
    expected_output="A list of at least 5 critical risks, 3 potential failure modes, "
                    "and honest assessment of whether this idea will succeed.",
    agent=red_team,
    context=[market_task],
)

strategy_task = Task(
    description="Based on the market analysis and red team critique, "
                "create a go-to-market strategy that addresses the identified risks.",
    expected_output="A clear go-to-market strategy with: positioning statement, "
                    "3 key differentiators, launch timeline, and risk mitigations.",
    agent=strategist,
    context=[market_task, critique_task],
)

crew = Crew(
    agents=[market_analyst, red_team, strategist],
    tasks=[market_task, critique_task, strategy_task],
    process=Process.sequential,
    verbose=True,
)

result = crew.kickoff(inputs={
    "product_idea": "A privacy-first AI coding assistant that runs on Venice API"
})
print(result)

​

Usando ferramentas

Aprimore os agentes com busca na web e outras ferramentas:

A SerperDevTool requer uma variável de ambiente SERPER_API_KEY em serper.dev. Como alternativa, você pode usar a busca na web integrada da Venice passando venice_parameters: {"enable_web_search": "auto"} via model_kwargs — sem chave de API adicional. Veja Integração de busca na web no guia do LangChain para um exemplo.

from crewai_tools import SerperDevTool, WebsiteSearchTool
from crewai import Agent, Task, Crew

# Ferramenta de busca na web (requer a variável de ambiente SERPER_API_KEY)
search_tool = SerperDevTool()

researcher = Agent(
    role="Web Researcher",
    goal="Find the latest information on any topic",
    backstory="You are an expert web researcher.",
    llm=venice_flagship,
    tools=[search_tool],
    verbose=True,
)

task = Task(
    description="Research the latest developments in {topic} from the past week.",
    expected_output="A summary of 5 recent developments with dates and sources.",
    agent=researcher,
)

crew = Crew(agents=[researcher], tasks=[task], verbose=True)
result = crew.kickoff(inputs={"topic": "decentralized AI"})

​

Guia de seleção de modelos para CrewAI

Escolha o modelo Venice certo para cada papel de agente:

Papel do agente	Modelo recomendado	Por quê
Raciocínio complexo / Estratégia	zai-org-glm-5-1	Melhor modelo privado de raciocínio
Análise sem censura / Red team	venice-uncensored-1-2	Sem filtragem de conteúdo
Tarefas de alto volume / rápidas	qwen3-5-9b	Mais barato, $0,10/1M tokens de entrada e$0,15/1M tokens de saída
Agentes de geração de código	qwen3-coder-480b-a35b-instruct	Otimizado para código
Tarefas de visão/multimodais	qwen3-vl-235b-a22b	Compreensão visual avançada
Equipes com orçamento limitado	qwen3-5-9b (rápido) + venice-uncensored-1-2 (principal)	Combinação de baixo custo

​

Dicas de otimização de custos

1. Use modelos mais baratos para agentes mais simples: Nem todo agente precisa de um modelo flagship. Use qwen3-4b para formatação, sumarização ou extração simples.

2. Use venice-uncensored para papéis criativos/críticos: Ele é rápido, barato e não recusa análises desconfortáveis.

3. Reserve modelos flagship para raciocínio: Use zai-org-glm-5-1 apenas para agentes que precisam de raciocínio complexo ou function calling confiável.

4. Limite o máximo de iterações: Defina max_iter nos agentes para evitar uso descontrolado de tokens:

   agent = Agent(role="...", goal="...", backstory="...", llm=venice_llm, max_iter=5)
   

​

Vantagem de privacidade

As garantias de privacidade da Venice tornam-na ideal para casos de uso do CrewAI envolvendo:

• Estratégia de negócios confidencial — Zero retenção de dados significa que sua análise competitiva permanece privada
• Processamento de dados sensíveis — Modelos privados nunca registram nem armazenam seus dados
• Exercícios de red team — Modelos sem censura dão feedback honesto, sem filtragem de conteúdo

Documentação do CrewAI

Documentação oficial do CrewAI

Modelos Venice

Navegue por todos os modelos Venice