Agent swarms: CrewAI, AutoGen, OpenAI Swarm

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

# Definir agentes com papéis explícitos
researcher = Agent(
    role="Senior Research Analyst",
    goal="Encontrar informação atualizada e factual sobre tecnologia",
    backstory="Veterano de 15 anos em research técnico, especialista em fact-checking",
    tools=[SerperDevTool(), WebsiteSearchTool()],
    llm="claude-sonnet-4-7",
    verbose=True,
)

writer = Agent(
    role="Technical Writer",
    goal="Escrever artigos técnicos claros e bem estruturados",
    backstory="Editor sênior, escreve para developers há 10 anos",
    llm="claude-sonnet-4-7",
    verbose=True,
)

reviewer = Agent(
    role="QA Specialist",
    goal="Revisar conteúdo técnico para precisão e clareza",
    backstory="Engenheira sênior com olho para erros sutis",
    llm="claude-opus-4-7",
    verbose=True,
)

# Tasks descrevem objetivos em linguagem natural
research_task = Task(
    description="Pesquise: estado atual de reasoning models em 2026",
    expected_output="Lista de 5 modelos com features, custos e benchmarks",
    agent=researcher,
)

write_task = Task(
    description="Escreva artigo de 800 palavras baseado no research",
    expected_output="Artigo em markdown com seções e citações",
    agent=writer,
    context=[research_task],
)

review_task = Task(
    description="Revise o artigo para precisão técnica e clareza",
    expected_output="Artigo final com correções aplicadas",
    agent=reviewer,
    context=[write_task],
)

crew = Crew(
    agents=[researcher, writer, reviewer],
    tasks=[research_task, write_task, review_task],
    process=Process.sequential,    # ou Process.hierarchical com manager
    verbose=True,
)

result = crew.kickoff()
print(result)

# AutoGen v0.4 (Microsoft, set/2024+)
import asyncio
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import SelectorGroupChat
from autogen_agentchat.conditions import TextMentionTermination, MaxMessageTermination
from autogen_ext.models.openai import OpenAIChatCompletionClient

async def main():
    model_client = OpenAIChatCompletionClient(model="gpt-4o")

    planner = AssistantAgent(
        name="Planner",
        system_message="Você é o planejador. Decomponha tasks complexas em subtasks claras.",
        model_client=model_client,
    )

    coder = AssistantAgent(
        name="Coder",
        system_message="Você escreve Python. Use ferramentas para executar e validar.",
        model_client=model_client,
        tools=[execute_python],
    )

    critic = AssistantAgent(
        name="Critic",
        system_message="Revise o código. Quando aprovado, diga 'TERMINATE'.",
        model_client=model_client,
    )

    # SelectorGroupChat: LLM escolhe próximo agente baseado no contexto
    termination = TextMentionTermination("TERMINATE") | MaxMessageTermination(10)

    team = SelectorGroupChat(
        participants=[planner, coder, critic],
        model_client=model_client,
        termination_condition=termination,
    )

    result = await team.run(task="Calcule o 100º número primo")
    print(result)

asyncio.run(main())

# OpenAI Swarm — github.com/openai/swarm
from swarm import Swarm, Agent

client = Swarm()

def transfer_to_billing():
    return billing_agent

def transfer_to_technical():
    return technical_agent

triage_agent = Agent(
    name="Triage",
    instructions="Determine se o usuário precisa de billing ou suporte técnico. "
                 "Use as funções de transfer.",
    functions=[transfer_to_billing, transfer_to_technical],
)

billing_agent = Agent(
    name="Billing",
    instructions="Você é especialista em billing. Ajude com cobranças e refunds.",
)

technical_agent = Agent(
    name="Technical",
    instructions="Você é engenheiro de suporte técnico. Ajude com bugs e configuração.",
)

response = client.run(
    agent=triage_agent,
    messages=[{"role": "user", "content": "Fui cobrado duas vezes esse mês"}],
)
# Triage detecta billing, chama transfer_to_billing() que retorna billing_agent.
# Swarm internamente substitui agent ativo e continua.
print(response.messages[-1]["content"])
print(f"Agente final: {response.agent.name}")