CrewAI com base de conhecimento empresarial governada

Conectar uma crew de agentes ao conhecimento da empresa é o que torna a colaboração entre agentes realmente útil, e também onde o descontrole aparece. CrewAI coordena papéis, tarefas e a colaboração entre múltiplos agentes especializados, deixando você compor times que dividem o trabalho.

O que o framework não resolve é de onde vem o conhecimento que cada agente usa nem como manter isso consistente entre eles. Se cada agente busca de um jeito, a crew gera respostas divergentes sobre o mesmo tema, por isso uma base de conhecimento compartilhada e governada faz diferença.

Times de agentes amplificam tanto o acerto quanto o erro de contexto:

A combinação é forte quando vários agentes especializados precisam de uma base comum e confiável:

No atendimento, a crew costuma ter um agente de triagem, um especialista e um revisor. Os tres consultam a mesma base de conhecimento empresarial governada: políticas de SLA, procedimentos, FAQ aprovado e o histórico autorizado do cliente. O agente de triagem classifica, o especialista responde com fonte e o revisor confere antes de ir ao cliente. Como a recuperação parte de um único acervo aprovado, a resposta do trio não diverge do que a empresa de fato decidiu.

No jurídico e no comercial, a crew opera sobre material com versão e dono claros. Um agente lê o contrato ou a proposta, outro cruza com a política vigente e a tabela de preços aprovada, e um terceiro redige a minuta ou a resposta ao cliente. Para o jurídico, o que protege é a versão certa da cláusula e a fonte citada; para o comercial, é a tabela atual e o playbook em vigor, não a planilha antiga que alguém guardou no Drive.

Em operações, crews que executam tarefas sobre SOPs, manuais e regras internas só ganham escala quando todas leem o mesmo procedimento. Quando falta a regra para o caso, o agente recusa por insufficient_context em vez de inventar um passo, e a operação trata isso como lacuna a preencher. Em setores sensíveis no Brasil, como fintech, saúde e seguros, esse comportamento honesto é o que separa um piloto bonito de uma operação que a área de risco aceita colocar em produção.

O CrewAI orquestra papéis e tarefas, mas não decide quais dados internos cada agente pode ver: isso é problema de quem governa o contexto. Numa crew, o risco se multiplica porque vários agentes tocam as mesmas fontes e, sem controle central, um deles acaba alcançando material que seu papel não deveria. A segurança aqui não vem do framework; vem da camada que filtra o que a crew recupera.

Na Contextfy, o acesso é por escopo herdado das permissões da organização, não definido no código do agente. Cada papel da crew recupera apenas dentro das coleções autorizadas, e essa restrição é aplicada no serving. Vale também o no source, no answer: sem fonte aprovada para sustentar a resposta, o agente recusa por insufficient_context em vez de preencher a lacuna com algo plausível mas inventado. Isso reduz tanto o vazamento de conteúdo sensível quanto a resposta confiante e errada.

Cada consulta de cada agente deixa rastro. O Evidence Log registra a pergunta, o contexto usado, as fontes, o resultado e um traceId por interação, então é possível reconstruir por que um agente específico da crew respondeu o que respondeu. Quando segurança, jurídico ou o comitê de IA perguntam o que aquele time de agentes acessou e com qual base, a resposta sai da trilha, não da memória de quem montou o piloto.