{"id":"a1e5d272-24cc-410f-8fc8-3487ac6dc035","entityType":"agent","slug":"crewai-goncasthiago-customersupport","name":"customerSupport","canonicalUrl":"https://www.xpersona.co/agent/crewai-goncasthiago-customersupport","canonicalPath":"/agent/crewai-goncasthiago-customersupport","generatedAt":"2026-10-09T17:52:25.855Z","source":"GITHUB_REPOS","claimStatus":"UNCLAIMED","verificationTier":"NONE","summary":{"evidence":{"source":"editorial-content","verified":true,"confidence":"high","updatedAt":"2026-04-15T05:21:22.124Z","emptyReason":null},"description":"Customer Support com CrewAI é um projeto de demonstração que utiliza múltiplos agentes de IA, configurados com CrewAI, para automatizar o atendimento ao cliente. O sistema conta com agentes especializados que buscam informações em fontes externas, estruturam respostas e garantem a qualidade do suporte, tudo de forma colaborativa e sequencial. Projeto: Customer Support com CrewAI Descrição (Português) Este projeto demonstra como usar o CrewAI para automatizar o atendimento ao cliente com múltiplos agentes de IA. Configuração do Ambiente - O ambiente foi configurado usando $1: - A chave do LLM deve ser definida no arquivo .env com o nome: Estrutura dos Agents - O projeto conta com dois agents: - support_agent: Busca informações em uma página web e monta a p","descriptionLabel":"Technical summary","evidenceSummary":"Capability contract not published. No trust telemetry is available yet. Last updated 4/15/2026.","installCommand":null,"sourceUrl":"https://github.com/goncasthiago/customerSupport","homepage":null,"primaryLinks":[{"label":"View Source","url":"https://github.com/goncasthiago/customerSupport","kind":"source"}],"safetyScore":66,"overallRank":18,"popularityScore":0,"trustScore":null,"claimedByName":null,"isOwner":false,"seoDescription":"Customer Support com CrewAI é um projeto de demonstração que utiliza múltiplos agentes de IA, configurados com CrewAI, para automatizar o atendimento ao cliente"},"coverage":{"evidence":{"source":"public-profile","verified":false,"confidence":"medium","updatedAt":"2026-04-15T05:21:22.124Z","emptyReason":null},"protocols":[{"protocol":"OPENCLEW","label":"OpenClaw","status":"self-declared","notes":"Declared in the public agent profile."}],"capabilities":[{"label":"crewai","status":"self-declared"},{"label":"multi-agent","status":"self-declared"}],"verifiedCount":0,"selfDeclaredCount":3,"capabilityMatrix":{"rows":[{"key":"OPENCLEW","type":"protocol","support":"unknown","confidenceSource":"profile","notes":"Listed on profile"},{"key":"crewai","type":"capability","support":"supported","confidenceSource":"profile","notes":"Declared in agent profile metadata"},{"key":"multi-agent","type":"capability","support":"supported","confidenceSource":"profile","notes":"Declared in agent profile metadata"}],"flattenedTokens":"protocol:OPENCLEW|unknown|profile capability:crewai|supported|profile capability:multi-agent|supported|profile"}},"adoption":{"evidence":{"source":"no-adoption-signals","verified":false,"confidence":"low","updatedAt":"2026-04-15T05:21:22.124Z","emptyReason":"No source adoption metrics were available."},"stars":0,"forks":0,"downloads":null,"packageName":null,"latestVersion":null,"tractionLabel":null},"release":{"evidence":{"source":"agent-index","verified":false,"confidence":"medium","updatedAt":"2026-02-25T05:07:07.704Z","emptyReason":null},"lastUpdatedAt":"2026-04-15T05:21:22.124Z","lastCrawledAt":"2026-02-25T05:07:07.704Z","lastIndexedAt":null,"nextCrawlAt":"2026-03-04T05:07:07.704Z","lastVerifiedAt":null,"highlights":[]},"execution":{"evidence":{"source":"GITHUB REPOS","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No published capability contract is available yet."},"installCommand":null,"setupComplexity":"low","setupSteps":["Setup complexity is LOW. This package is likely designed for quick installation with minimal external side-effects.","Final validation: Expose the agent to a mock request payload inside a sandbox and trace the network egress before allowing access to real customer data."],"contract":{"contractStatus":"missing","authModes":[],"requires":[],"forbidden":[],"supportsMcp":false,"supportsA2a":false,"supportsStreaming":false,"inputSchemaRef":null,"outputSchemaRef":null,"dataRegion":null,"contractUpdatedAt":null,"sourceUpdatedAt":null,"freshnessSeconds":null},"invocationGuide":{"preferredApi":{"snapshotUrl":"https://www.xpersona.co/api/v1/agents/crewai-goncasthiago-customersupport/snapshot","contractUrl":"https://www.xpersona.co/api/v1/agents/crewai-goncasthiago-customersupport/contract","trustUrl":"https://www.xpersona.co/api/v1/agents/crewai-goncasthiago-customersupport/trust"},"curlExamples":["curl -s \"https://www.xpersona.co/api/v1/agents/crewai-goncasthiago-customersupport/snapshot\"","curl -s \"https://www.xpersona.co/api/v1/agents/crewai-goncasthiago-customersupport/contract\"","curl -s \"https://www.xpersona.co/api/v1/agents/crewai-goncasthiago-customersupport/trust\""],"jsonRequestTemplate":{"query":"summarize this repo","constraints":{"maxLatencyMs":2000,"protocolPreference":["OPENCLEW"]}},"jsonResponseTemplate":{"ok":true,"result":{"summary":"...","confidence":0.9},"meta":{"source":"GITHUB_REPOS","generatedAt":"2026-10-09T17:52:25.855Z"}},"retryPolicy":{"maxAttempts":3,"backoffMs":[500,1500,3500],"retryableConditions":["HTTP_429","HTTP_503","NETWORK_TIMEOUT"]}},"endpoints":{"dossierUrl":"https://www.xpersona.co/api/v1/agents/crewai-goncasthiago-customersupport/dossier","snapshotUrl":"https://www.xpersona.co/api/v1/agents/crewai-goncasthiago-customersupport/snapshot","contractUrl":"https://www.xpersona.co/api/v1/agents/crewai-goncasthiago-customersupport/contract","trustUrl":"https://www.xpersona.co/api/v1/agents/crewai-goncasthiago-customersupport/trust"}},"reliability":{"evidence":{"source":"runtime-metrics","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No trust, reliability, or runtime telemetry is available."},"trust":{"status":"unavailable","handshakeStatus":"UNKNOWN","verificationFreshnessHours":null,"reputationScore":null,"p95LatencyMs":null,"successRate30d":null,"fallbackRate":null,"attempts30d":null,"trustUpdatedAt":null,"trustConfidence":"unknown","sourceUpdatedAt":null,"freshnessSeconds":null},"decisionGuardrails":{"doNotUseIf":["Contract metadata is missing or unavailable for deterministic execution."],"safeUseWhen":[],"riskFlags":["missing_or_unavailable_contract","trust_data_unavailable","schema_references_missing"],"operationalConfidence":"low"},"executionMetrics":{"observedLatencyMsP50":null,"observedLatencyMsP95":null,"estimatedCostUsd":null,"uptime30d":null,"rateLimitRpm":null,"rateLimitBurst":null,"lastVerifiedAt":null,"verificationSource":null},"runtimeMetrics":{"successRate":null,"avgLatencyMs":null,"avgCostUsd":null,"hallucinationRate":null,"retryRate":null,"disputeRate":null,"p50Latency":null,"p95Latency":null,"lastUpdated":null}},"benchmarks":{"evidence":{"source":"no-benchmark-data","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No benchmark suites or observed failure patterns are available."},"suites":[],"failurePatterns":[]},"artifacts":{"evidence":{"source":"GITHUB REPOS","verified":false,"confidence":"high","updatedAt":"2026-04-15T05:21:22.124Z","emptyReason":null},"readme":"\n# Projeto: Customer Support com CrewAI\n\n## Descrição (Português)\nEste projeto demonstra como usar o CrewAI para automatizar o atendimento ao cliente com múltiplos agentes de IA.\n\n### Configuração do Ambiente\n- O ambiente foi configurado usando [uv](https://github.com/astral-sh/uv):\n  ```\n  uv venv .venv\n\n  uv v add crewai crewai_tools langchain_community python-dotenv\n  ```\n- A chave do LLM deve ser definida no arquivo `.env` com o nome:\n  ```\n  OPENAI_API_KEY=suachaveaqui\n  ```\n\n### Estrutura dos Agents\n- O projeto conta com dois agents:\n  - `support_agent`: Busca informações em uma página web e monta a prévia da resposta.\n  - `support_quality_assurance_agent`: Estrutura a resposta final em formato de e-mail para o cliente.\n- Os agentes executam as tarefas em sequência.\n\n### Exemplo de Input\n```python\n{\n    \"customer\": \"DeepLearningAI\",\n    \"person\": \"Andrew Ng\",\n    \"inquiry\": \"I need help with setting up a Crew \"\n               \"and kicking it off, specifically \"\n               \"how can I add memory to my crew? \"\n               \"Can you provide guidance?\"\n}\n```\n\n### Output\n\nOlá equipe DeepLearningAI,\n\nObrigado por entrar em contato com sua dúvida sobre como incorporar gerenciamento de memória no framework CrewAI para aprimorar as capacidades e o desempenho dos seus agentes de IA. Estamos animados para guiá-lo nesse processo e ajudá-lo a otimizar sua Crew de forma eficaz.\n\nPara isso, siga estes passos abrangentes:\n\n1. Aproveitando o Framework CrewAI:\n   Para aprimorar as capacidades e o desempenho dos seus agentes de IA, utilize o Framework CrewAI. Ele oferece uma solução Python enxuta e extremamente rápida, permitindo que desenvolvedores criem agentes autônomos para qualquer cenário. O framework é composto por Crews e Flows, otimizados para autonomia e inteligência colaborativa.\n\n2. Entendendo os Componentes do CrewAI:\n   a. Crew: A organização de mais alto nível no CrewAI, responsável por gerenciar equipes de agentes de IA, supervisionar fluxos de trabalho, garantir colaboração e entregar resultados.\n   b. Agentes de IA: Membros especializados da equipe dentro da Crew, cada um com funções, ferramentas e objetivos específicos. Esses agentes podem delegar tarefas, tomar decisões autônomas e colaborar de forma eficaz.\n   c. Processo: Um sistema de gerenciamento de fluxo de trabalho que define padrões de colaboração, controla atribuições de tarefas, gerencia interações e garante execução eficiente.\n   d. Tarefas: Atribuições individuais com objetivos claros, ferramentas específicas e resultados acionáveis que contribuem para o objetivo geral.\n\n3. Explorando Principais Funcionalidades de Crews e Flows:\n   a. Agentes baseados em papéis: Crie agentes especializados com funções, expertise e objetivos definidos.\n   b. Ferramentas flexíveis: Equipe os agentes com ferramentas e APIs personalizadas para interação com serviços externos e fontes de dados.\n   c. Colaboração inteligente: Agentes trabalham juntos, compartilham insights e coordenam tarefas para atingir objetivos complexos.\n   d. Gerenciamento de tarefas: Defina fluxos de trabalho sequenciais ou paralelos com tratamento automático de dependências.\n   e. Orquestração orientada a eventos: Defina caminhos de execução precisos que respondem dinamicamente a eventos.\n   f. Controle refinado: Gerencie estados do fluxo de trabalho e execuções condicionais de forma segura e eficiente.\n\n4. Escolhendo entre Crews e Flows:\n   - Crews: Ideais para pesquisas abertas, geração de conteúdo e tarefas colaborativas que exigem criatividade.\n   - Flows: Adequados para fluxos de decisão, orquestração de APIs e cenários que exigem resultados previsíveis e controle preciso.\n\n5. Implementando Memória no CrewAI:\n   Ao integrar o gerenciamento de memória no framework CrewAI, você pode armazenar e recuperar informações sempre que necessário, aprimorando o conhecimento e o desempenho dos seus agentes de IA. Essa abordagem permite maior adaptabilidade, eficiência e inteligência no tratamento de tarefas complexas.\n\nPara instruções mais detalhadas sobre como incorporar memória à sua Crew no CrewAI, consulte a documentação oficial no site https://docs.crewai.com/how-to/Creating-a-Crew-and-kick-it-off/.\n\nSe tiver mais dúvidas ou precisar de assistência adicional, não hesite em nos contatar. Estamos comprometidos em ajudá-lo a otimizar sua Crew, potencializando-a com capacidades aprimoradas de memória.\n\nAtenciosamente,\n[Representante Sênior de Suporte]\nEquipe de Suporte DeepLearningAI\n\n---\n\n# Project: Customer Support with CrewAI\n\n## Description (English)\nThis project demonstrates how to use CrewAI to automate customer support with multiple AI agents.\n\n### Environment Setup\n- The environment was set up using [uv](https://github.com/astral-sh/uv):\n  ```\n  uv venv .venv\n  uv pip install crewai crewai_tools langchain_community python-dotenv\n  ```\n  Or, to add packages individually:\n  ```\n  uv v add crewai crewai_tools langchain_community python-dotenv\n  ```\n- The LLM key must be set in the `.env` file as:\n  ```\n  OPENAI_API_KEY=yourkeyhere\n  ```\n\n### Agents Structure\n- The project has two agents:\n  - `support_agent`: Searches for information on a web page and drafts the initial response.\n  - `support_quality_assurance_agent`: Structures the final response as an email to the customer.\n- The agents execute their tasks in sequence.\n\n### Example Input\n```python\n{\n    \"customer\": \"DeepLearningAI\",\n    \"person\": \"Andrew Ng\",\n    \"inquiry\": \"I need help with setting up a Crew \"\n               \"and kicking it off, specifically \"\n               \"how can I add memory to my crew? \"\n               \"Can you provide guidance?\"\n}\n```\n\n### Output\n\nHello DeepLearningAI Team,\n\nThank you for reaching out with your inquiry regarding incorporating memory management within the CrewAI framework to enhance the capabilities and performance of your AI agents. We are excited to guide you through this process to help you optimize your Crew effectively.\n\nTo achieve this, follow these comprehensive steps:\n\n1. Leveraging the CrewAI Framework:\n   To enhance the capabilities and performance of your AI agents, utilize the CrewAI Framework. This framework offers a lean and lightning-fast Python solution that enables developers to create autonomous AI agents tailored to any scenario. It consists of Crews and Flows designed to optimize for autonomy and collaborative intelligence.\n\n2. Understanding the Components of CrewAI:\n   a. Crew: The top-level organization in CrewAI that manages AI agent teams, oversees workflows, ensures collaboration, and delivers outcomes.\n   b. AI Agents: Specialized team members within the Crew, each having specific roles, tools, and goals. These agents can delegate tasks, make autonomous decisions, and collaborate effectively.\n   c. Process: A workflow management system that defines collaboration patterns, controls task assignments, manages interactions, and ensures efficient execution.\n   d. Tasks: Individual assignments with clear objectives, specific tools, and actionable results that contribute to achieving the overall goal.\n\n3. Exploring Key Features of Crews and Flows:\n   a. Role-Based Agents: Create specialized agents with defined roles, expertise, and goals.\n   b. Flexible Tools: Equip agents with custom tools and APIs for seamless interaction with external services and data sources.\n   c. Intelligent Collaboration: Agents work together, share insights, and coordinate tasks to achieve complex objectives.\n   d. Task Management: Define sequential or parallel workflows with automatic handling of task dependencies.\n   e. Event-Driven Orchestration: Define precise execution paths responding dynamically to events.\n   f. Fine-Grained Control: Manage workflow states and conditional execution securely and efficiently.\n\n4. Choosing Between Crews and Flows:\n   - Crews: Ideal for open-ended research, content generation, and collaborative tasks that demand creative thinking.\n   - Flows: Suitable for decision workflows, API orchestration, and scenarios necessitating predictable outcomes and precise control.\n\n5. Implementing Memory in CrewAI:\n   By integrating memory management within the CrewAI framework, you can store and retrieve information whenever required, enhancing the knowledge and performance of your AI agents. This approach enables greater adaptability, efficiency, and intelligence in handling complex tasks.\n\nFor more detailed instructions on how to incorporate memory within your Crew in crewAI, please refer to the official documentation provided on the CrewAI website at https://docs.crewai.com/how-to/Creating-a-Crew-and-kick-it-off/.\n\nShould you have any further questions or require additional assistance, please do not hesitate to reach out to us. We are committed to supporting you in optimizing your Crew by empowering it with enhanced memory capabilities.\n\nBest Regards,\n[Senior Support Representative]\nDeepLearningAI Support Team\n\n---\n\nProjeto feito com CrewAI / Project made with CrewAI\n","readmeExcerpt":"Projeto: Customer Support com CrewAI Descrição (Português) Este projeto demonstra como usar o CrewAI para automatizar o atendimento ao cliente com múltiplos agentes de IA. Configuração do Ambiente - O ambiente foi configurado usando $1: - A chave do LLM deve ser definida no arquivo .env com o nome: Estrutura dos Agents - O projeto conta com dois agents: - support_agent: Busca informações em uma página web e monta a p","codeSnippets":[],"executableExamples":[{"language":"text","snippet":"uv venv .venv\n\n  uv v add crewai crewai_tools langchain_community python-dotenv"},{"language":"text","snippet":"OPENAI_API_KEY=suachaveaqui"},{"language":"python","snippet":"{\n    \"customer\": \"DeepLearningAI\",\n    \"person\": \"Andrew Ng\",\n    \"inquiry\": \"I need help with setting up a Crew \"\n               \"and kicking it off, specifically \"\n               \"how can I add memory to my crew? \"\n               \"Can you provide guidance?\"\n}"},{"language":"text","snippet":"uv venv .venv\n  uv pip install crewai crewai_tools langchain_community python-dotenv"},{"language":"text","snippet":"uv v add crewai crewai_tools langchain_community python-dotenv"},{"language":"text","snippet":"OPENAI_API_KEY=yourkeyhere"}],"parameters":null,"dependencies":[],"permissions":[],"extractedFiles":[],"languages":["python"],"docsSourceLabel":"GITHUB REPOS","editorialOverview":"Customer Support com CrewAI é um projeto de demonstração que utiliza múltiplos agentes de IA, configurados com CrewAI, para automatizar o atendimento ao cliente. O sistema conta com agentes especializados que buscam informações em fontes externas, estruturam respostas e garantem a qualidade do suporte, tudo de forma colaborativa e sequencial. Projeto: Customer Support com CrewAI Descrição (Português) Este projeto demonstra como usar o CrewAI para automatizar o atendimento ao cliente com múltiplos agentes de IA. Configuração do Ambiente - O ambiente foi configurado usando $1: - A chave do LLM deve ser definida no arquivo .env com o nome: Estrutura dos Agents - O projeto conta com dois agents: - support_agent: Busca informações em uma página web e monta a p","editorialQuality":{"score":100,"threshold":65,"status":"ready","wordCount":396,"uniquenessScore":71,"reasons":[]}},"media":{"evidence":{"source":"no-media","verified":false,"confidence":"low","updatedAt":"2026-04-15T05:21:22.124Z","emptyReason":"No screenshots, media assets, or demo links are available."},"primaryImageUrl":null,"mediaAssetCount":0,"assets":[],"demoUrl":null},"ownerResources":{"evidence":{"source":"unclaimed","verified":false,"confidence":"low","updatedAt":"2026-04-15T05:21:22.124Z","emptyReason":"This page has not been claimed by the agent owner."},"hasCustomPage":false,"customPageUpdatedAt":null,"customLinks":[],"structuredLinks":{"docsUrl":null,"demoUrl":null,"supportUrl":null,"pricingUrl":null,"statusUrl":null},"customPage":null},"relatedAgents":{"evidence":{"source":"protocol-neighbors","verified":false,"confidence":"medium","updatedAt":"2026-10-09T17:52:25.855Z","emptyReason":null},"items":[{"id":"b917f68a-ebff-438e-84f8-3f4b2494c0bc","entityType":"agent","canonicalPath":"/agent/activepieces-activepieces","slug":"activepieces-activepieces","name":"activepieces","description":"AI Agents & MCPs & AI Workflow Automation • (~400 MCP servers for AI agents) • AI Automation / AI Agent with MCPs • AI Workflows & AI Agents • MCPs for AI Agents","url":"https://github.com/activepieces/activepieces","homepage":"https://www.activepieces.com","source":"GITHUB_REPOS","protocols":["OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-04-15T02:22:12.426Z","createdAt":"2026-02-25T03:38:12.412Z","downloads":null},{"id":"5cb26759-3a39-483f-94cf-276a98c13bb8","entityType":"agent","canonicalPath":"/agent/cherryhq-cherry-studio","slug":"cherryhq-cherry-studio","name":"cherry-studio","description":"AI productivity studio with smart chat, autonomous agents, and 300+ assistants. Unified access to frontier LLMs","url":"https://github.com/CherryHQ/cherry-studio","homepage":"https://cherry-ai.com","source":"GITHUB_REPOS","protocols":["MCP","OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-04-11T14:38:40.986Z","createdAt":"2026-02-25T03:38:19.379Z","downloads":null},{"id":"8ebccd8e-3863-4187-8355-c3f14e1f9edf","entityType":"agent","canonicalPath":"/agent/iofficeai-aionui","slug":"iofficeai-aionui","name":"AionUi","description":"Free, local, open-source 24/7 Cowork app and OpenClaw for Gemini CLI, Claude Code, Codex, OpenCode, Qwen Code, Goose CLI, Auggie, and more | 🌟 Star if you like it!","url":"https://github.com/iOfficeAI/AionUi","homepage":"https://www.aionui.com","source":"GITHUB_REPOS","protocols":["MCP","OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-04-10T18:48:31.762Z","createdAt":"2026-02-25T03:38:16.584Z","downloads":null},{"id":"6f6582d0-5d76-4f0f-b81d-86520247950b","entityType":"agent","canonicalPath":"/agent/copilotkit-copilotkit","slug":"copilotkit-copilotkit","name":"CopilotKit","description":"The Frontend for Agents & Generative UI. React + Angular","url":"https://github.com/CopilotKit/CopilotKit","homepage":"https://docs.copilotkit.ai","source":"GITHUB_REPOS","protocols":["OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-03-25T09:50:57.846Z","createdAt":"2026-02-25T03:39:14.617Z","downloads":null}],"links":{"hub":"/agent","source":"/agent/source/github_repos","protocols":[{"label":"OpenClaw","href":"/agent/protocol/openclew"}]}}}