--- title: "Construindo um Agente de Inteligência de Avaliações Multi-Fonte com CrewAI e Bright Data" slug: review-intelligence-agent date: 2025-08-27T11:08:10+00:00 modified: 2026-08-26T14:49:25+00:00 permalink: https://brightdata.com.br/blog/ai/review-intelligence-agent type: blog --- [ Blog ](https://brightdata.com.br/blog "Blog") / [AI](https://brightdata.com.br/blog/ai) [AI](https://brightdata.com.br/blog/ai) # Construindo um Agente de Inteligência de Avaliações Multi-Fonte com CrewAI e Bright Data Descubra passo a passo como construir um agente de inteligência de avaliações automatizado com CrewAI e Bright Data, transformando o feedback de clientes em insights acionáveis. 11 min de leitura [ ![Arindam Majumder](https://media.brightdata.com.br/2025/07/Arindam-Majumder-50x50.jpg) ](https://brightdata.com/blog/authors/arindam-majumder) [Arindam Majumder Technical Writer ](https://brightdata.com/blog/authors/arindam-majumder) ![Intelligence Agent with CrewAI and Bright Data blog image](https://media.brightdata.com.br/2025/08/Intelligence-Agent-with-CrewAI-and-Bright-Data-blog-image.png) Avaliações de clientes espalhadas por várias plataformas criam desafios de análise para as empresas. O monitoramento manual de avaliações é demorado e frequentemente deixa passar insights essenciais. Este guia mostra como construir um agente de IA que coleta, analisa e categoriza avaliações de diferentes fontes automaticamente. Você aprenderá: - Como construir um sistema de inteligência de avaliações usando CrewAI e o Bright Data MCP da Bright Data - Como realizar análise de sentimento baseada em aspectos no feedback de clientes - Como categorizar avaliações por tópico e gerar insights acionáveis Confira o projeto final no [GitHub](https://github.com/brightdata/review-intelligence-agent)! ### O que é CrewAI? CrewAI é um framework de código aberto para construir equipes colaborativas de agentes de IA. Você define funções, objetivos e ferramentas dos agentes para executar fluxos de trabalho complexos. Cada agente lida com tarefas específicas enquanto trabalha em conjunto em direção a um objetivo comum. O CrewAI é composto por: - Agente: Um trabalhador alimentado por LLM com responsabilidades e ferramentas definidas - Tarefa: Um trabalho específico com requisitos de saída bem definidos - Ferramenta: Funções que os agentes usam para trabalhos especializados, como extração de dados - Crew: Uma coleção de agentes trabalhando juntos ### O que é MCP? MCP (Model Context Protocol) é um padrão JSON-RPC 2.0 que conecta agentes de IA a ferramentas externas e fontes de dados por meio de uma interface unificada. [O servidor Bright Data MCP da Bright Data](/ai/mcp-server) fornece acesso direto a capacidades de scraping de dados com proteção anti-bot por meio de 400M+ proxies residenciais rotativos, renderização de JavaScript para conteúdo dinâmico, saída JSON limpa de dados extraídos e mais de 50 ferramentas prontas para diferentes plataformas. ### O que Estamos Construindo: Agente de Inteligência de Avaliações Multi-Fonte Criaremos um sistema CrewAI que extrai automaticamente avaliações de empresas específicas em múltiplas plataformas como G2, Capterra, Trustpilot e TrustRadius, obtendo a classificação de cada uma e as principais avaliações, realiza análise de sentimento baseada em aspectos, categoriza o feedback por tópicos (Suporte, Preço, Facilidade de Uso), pontua o sentimento de cada categoria e gera insights de negócios acionáveis. ## Pré-requisitos Configure seu ambiente de desenvolvimento com: - Python 3.11 ou superior - Node.js e npm para o servidor Bright Data MCP - **Conta Bright Data** – [Cadastre-se](/) e crie um token de API (créditos de teste gratuito estão disponíveis). - **Chave de API Nebius** – Crie uma chave no [Nebius AI Studio](https://studio.nebius.com/playground) (clique em **+ Get API Key**). Você pode usá-la gratuitamente. Nenhum perfil de faturamento é necessário. - **Ambiente virtual Python** – Mantém as dependências isoladas; consulte a [documentação do `venv`](https://docs.python.org/3/library/venv.html). ### Configuração do Ambiente Crie o diretório do projeto e instale as dependências: ```none python -m venv venv # macOS/Linux: source venv/bin/activate # Windows: venv\\Scripts\\activate pip install "crewai-tools[mcp]" crewai mcp python-dotenv pandas textblob ``` Crie um novo arquivo chamado `review_intelligence.py` e adicione as seguintes importações: ```none from crewai import Agent, Task, Crew, Process from crewai_tools import MCPServerAdapter from mcp import StdioServerParameters from crewai.llm import LLM import os import json import pandas as pd from datetime import datetime from dotenv import load_dotenv from textblob import TextBlob load_dotenv() ``` ### Configuração do Bright Data MCP da Bright Data Crie um arquivo `.env` com suas credenciais: ```none BRIGHT_DATA_API_TOKEN="your_api_token_here" WEB_UNLOCKER_ZONE="your_web_unlocker_zone" BROWSER_ZONE="your_browser_zone" NEBIUS_API_KEY="your_nebius_api_key" ``` Você precisará de: - **Token de API**: Gere um novo token de API no painel da Bright Data - **Zona Web Unlocker**: Crie uma nova zona Web Unlocker para sites de imóveis - **Zona Browser API**: Crie uma nova zona Browser API para sites com muito JavaScript - **Chave de API Nebius**: Já criada nos Pré-requisitos Configure o LLM e o servidor Bright Data MCP em `review_intelligence.py`: ```none llm = LLM( model="nebius/Qwen/Qwen3-30B-A3B", api_key=os.getenv("NEBIUS_API_KEY") ) server_params = StdioServerParameters( command="npx", args=["@brightdata/mcp"], env={ "API_TOKEN": os.getenv("BRIGHT_DATA_API_TOKEN"), "WEB_UNLOCKER_ZONE": os.getenv("WEB_UNLOCKER_ZONE"), "BROWSER_ZONE": os.getenv("BROWSER_ZONE"), }, ) ``` ### Definição de Agentes e Tarefas Defina agentes especializados para diferentes aspectos da análise de avaliações. O agente scraper de avaliações extrai avaliações de clientes de múltiplas plataformas e retorna dados JSON limpos e estruturados com texto da avaliação, classificações, datas e fonte da plataforma. Este agente tem conhecimento especializado em scraping de dados, com profundo entendimento das estruturas das plataformas de avaliação e capacidade de contornar medidas anti-bot. ```none def build_review_scraper_agent(mcp_tools): return Agent( role="Review Data Collector", goal=( "Extract customer reviews from multiple platforms and return clean, " "structured JSON data with review text, ratings, dates, and platform source." ), backstory=( "Expert in web scraping with deep knowledge of review platform structures. " "Skilled at bypassing anti-bot measures and extracting complete review datasets " "from Amazon, Yelp, Google Reviews, and other platforms." ), tools=mcp_tools, llm=llm, max_iter=3, verbose=True, ) ``` ![o agente exibindo as avaliações](https://media.brightdata.com.br/2025/08/image-151.png)O agente analisador de sentimento analisa o sentimento das avaliações em três aspectos principais: Qualidade do Suporte, Satisfação com o Preço e Facilidade de Uso. Ele fornece pontuações numéricas e raciocínio detalhado para cada categoria. Este agente é especializado em processamento de linguagem natural e análise de sentimento de clientes, com expertise em identificar indicadores emocionais e padrões de feedback específicos por aspecto. ```none def build_sentiment_analyzer_agent(): return Agent( role="Sentiment Analysis Specialist", goal=( "Analyze review sentiment across three key aspects: Support Quality, " "Pricing Satisfaction, and Ease of Use. Provide numerical scores and " "detailed reasoning for each category." ), backstory=( "Data scientist specializing in natural language processing and customer " "sentiment analysis. Expert at identifying emotional indicators, context clues, " "and aspect-specific feedback patterns in customer reviews." ), llm=llm, max_iter=2, verbose=True, ) ``` O agente gerador de insights transforma os resultados da análise de sentimento em insights de negócios acionáveis. Ele identifica tendências, destaca problemas críticos e fornece recomendações específicas de melhoria. Este agente traz expertise em análise estratégica com habilidades em otimização da experiência do cliente e tradução de dados de feedback em ações concretas de negócios. ```none def build_insights_generator_agent(): return Agent( role="Business Intelligence Analyst", goal=( "Transform sentiment analysis results into actionable business insights. " "Identify trends, highlight critical issues, and provide specific " "recommendations for improvement." ), backstory=( "Strategic analyst with expertise in customer experience optimization. " "Skilled at translating customer feedback data into concrete business " "actions and priority frameworks." ), llm=llm, max_iter=2, verbose=True, ) ``` ### Montagem e Execução do Crew Crie tarefas para cada etapa do pipeline de análise. A tarefa de scraping coleta avaliações das páginas de produto especificadas e gera JSON estruturado com informações da plataforma, texto da avaliação, classificações, datas e status de verificação. ```none def build_scraping_task(agent, product_urls): return Task( description=f"Scrape reviews from these product pages: {product_urls}", expected_output="""{ "reviews": [ { "platform": "amazon", "review_text": "Great product, fast shipping...", "rating": 5, "date": "2024-01-15", "reviewer_name": "John D.", "verified_purchase": true } ], "total_reviews": 150, "platforms_scraped": ["amazon", "yelp"] }""", agent=agent, ) ``` A tarefa de análise de sentimento processa as avaliações para analisar os aspectos de Suporte, Preço e Facilidade de Uso. Ela retorna pontuações numéricas, classificações de sentimento, temas principais e contagens de avaliações para cada categoria. ```none def build_sentiment_analysis_task(agent): return Task( description="Analyze sentiment for Support, Pricing, and Ease of Use aspects", expected_output="""{ "aspect_analysis": { "support_quality": { "score": 4.2, "sentiment": "positive", "key_themes": ["responsive", "helpful", "knowledgeable"], "review_count": 45 }, "pricing_satisfaction": { "score": 3.1, "sentiment": "mixed", "key_themes": ["expensive", "value", "competitive"], "review_count": 67 }, "ease_of_use": { "score": 4.7, "sentiment": "very positive", "key_themes": ["intuitive", "simple", "user-friendly"], "review_count": 89 } } }""", agent=agent, ) ``` A tarefa de insights gera inteligência de negócios acionável a partir dos resultados da análise de sentimento. Ela fornece resumos executivos, ações prioritárias, áreas de risco, identificação de pontos fortes e recomendações estratégicas. ```none def build_insights_task(agent): return Task( description="Generate actionable business insights from sentiment analysis", expected_output="""{ "executive_summary": "Overall customer satisfaction is strong...", "priority_actions": [ "Address pricing concerns through value communication", "Maintain excellent ease of use standards" ], "risk_areas": ["Price sensitivity among new customers"], "strengths": ["Intuitive user experience", "Quality support team"], "recommended_focus": "Pricing strategy optimization" }""", agent=agent, ) ``` ### **Análise de Sentimento Baseada em Aspectos** Adicione funções de análise de sentimento que identificam aspectos específicos mencionados nas avaliações e calculam pontuações de sentimento para cada área de interesse. ```none def analyze_aspect_sentiment(reviews, aspect_keywords): """Analyze sentiment for specific aspects mentioned in reviews.""" aspect_reviews = [] for review in reviews: text = review.get('review_text', '').lower() if any(keyword in text for keyword in aspect_keywords): blob = TextBlob(review['review_text']) sentiment_score = blob.sentiment.polarity aspect_reviews.append({ 'text': review['review_text'], 'sentiment_score': sentiment_score, 'rating': review.get('rating', 0), 'platform': review.get('platform', '') }) return aspect_reviews ``` ### Categorizando Avaliações em Tópicos (Suporte, Preço, Facilidade de Uso) A função de categorização organiza as avaliações nos tópicos Suporte, Preço e Facilidade de Uso com base na correspondência de palavras-chave. As palavras-chave de suporte incluem termos relacionados ao atendimento ao cliente e assistência. As palavras-chave de preço cobrem menções a custo, valor e acessibilidade. ```none def categorize_by_aspects(reviews): """Categorize reviews into Support, Pricing, and Ease of Use topics.""" support_keywords = ['support', 'help', 'service', 'customer', 'response', 'assistance'] pricing_keywords = ['price', 'cost', 'expensive', 'cheap', 'value', 'money', 'affordable'] usability_keywords = ['easy', 'difficult', 'intuitive', 'complicated', 'user-friendly', 'interface'] categorized = { 'support': analyze_aspect_sentiment(reviews, support_keywords), 'pricing': analyze_aspect_sentiment(reviews, pricing_keywords), 'ease_of_use': analyze_aspect_sentiment(reviews, usability_keywords) } return categorized ``` ![agente retornando as avaliações categorizadas](https://media.brightdata.com.br/2025/08/image-152.png)### **Pontuando o Sentimento para Cada Tópico** Implemente a lógica de pontuação que converte a análise de sentimento em classificações numéricas e categorias significativas. ```none def calculate_aspect_scores(categorized_reviews): """Calculate numerical scores for each aspect category.""" scores = {} for aspect, reviews in categorized_reviews.items(): if not reviews: scores[aspect] = {'score': 0, 'count': 0, 'sentiment': 'neutral'} continue # Calculate average sentiment score sentiment_scores = [r['sentiment_score'] for r in reviews] avg_sentiment = sum(sentiment_scores) / len(sentiment_scores) # Convert to 1-5 scale normalized_score = ((avg_sentiment + 1) / 2) * 5 # Determine sentiment category if avg_sentiment > 0.3: sentiment_category = 'positive' elif avg_sentiment < -0.3: sentiment_category = 'negative' else: sentiment_category = 'neutral' scores[aspect] = { 'score': round(normalized_score, 1), 'count': len(reviews), 'sentiment': sentiment_category, 'raw_sentiment': round(avg_sentiment, 2) } return scores ``` ### **Gerando o Relatório Final de Insights** Conclua a execução do fluxo de trabalho orquestrando todos os agentes e tarefas em sequência. A função principal cria agentes especializados para scraping, análise de sentimento e geração de insights. Ela reúne esses agentes em um crew com processamento sequencial de tarefas. ```none def analyze_reviews(product_urls): """Main function to orchestrate the review intelligence workflow.""" with MCPServerAdapter(server_params) as mcp_tools: # Create agents scraper_agent = build_review_scraper_agent(mcp_tools) sentiment_agent = build_sentiment_analyzer_agent() insights_agent = build_insights_generator_agent() # Create tasks scraping_task = build_scraping_task(scraper_agent, product_urls) sentiment_task = build_sentiment_analysis_task(sentiment_agent) insights_task = build_insights_task(insights_agent) # Assemble crew crew = Crew( agents=[scraper_agent, sentiment_agent, insights_agent], tasks=[scraping_task, sentiment_task, insights_task], process=Process.sequential, verbose=True ) return crew.kickoff() if __name__ == "__main__": product_urls = [ "", "" ] try: result = analyze_reviews(product_urls) print("Review Intelligence Analysis Complete!") print(json.dumps(result, indent=2)) except Exception as e: print(f"Analysis failed: {str(e)}") ``` Execute a análise: ```none python review_intelligence.py ``` ![Agente iniciando a tarefa](https://media.brightdata.com.br/2025/08/image-153.png)Você verá o processo de raciocínio do agente no console enquanto cada agente planeja e executa suas tarefas. O sistema mostrará como está: 1. Extraindo dados abrangentes de avaliações de múltiplas plataformas 2. Analisando lacunas competitivas e posicionamento de mercado 3. Processando padrões de sentimento e pontuação de qualidade das avaliações 4. Identificando menções a funcionalidades e inteligência de preços 5. Fornecendo recomendações estratégicas e alertas de risco ![Resultados finais da análise](https://media.brightdata.com.br/2025/08/image-154.png)### Conclusão Ao automatizar a inteligência de avaliações com CrewAI e a poderosa [infraestrutura de dados web](/) da Bright Data, você pode obter insights mais profundos sobre clientes, otimizar sua análise competitiva e tomar decisões de negócios mais inteligentes. Com os produtos da Bright Data e as soluções de scraping de dados anti-bot líderes do setor, você está equipado para escalar a coleta de avaliações e a análise de sentimento em qualquer setor. Para as estratégias e atualizações mais recentes, explore o [blog da Bright Data](/blog) ou saiba mais em nossos guias detalhados de scraping de dados para começar a maximizar o valor do seu feedback de clientes hoje. Contate-nosTeste grátis![google social icon](/wp-content/themes/brightdata/assets/images/ic_google.svg) Índice Data for AI Supercharge your AI with instant and reliable access to web data. No blockers. No hassle. Talk to an expert Bright Data MCP Get started with Bright Data’s Web MCP Server today with 5000 free monthly requests and unlock your AI’s full potential. Start free now [ ](https://news.ycombinator.com/submitlink?t=Construindo+um+Agente+de+Intelig%C3%AAncia+de+Avalia%C3%A7%C3%B5es+Multi-Fonte+com+CrewAI+e+Bright+Data&u=https://brightdata.com.br/blog/ai/review-intelligence-agent) [ ](https://www.linkedin.com/shareArticle?mini=true&title=Construindo+um+Agente+de+Intelig%C3%AAncia+de+Avalia%C3%A7%C3%B5es+Multi-Fonte+com+CrewAI+e+Bright+Data&url=https://brightdata.com.br/blog/ai/review-intelligence-agent) [ ](http://www.reddit.com/submit?title=Construindo+um+Agente+de+Intelig%C3%AAncia+de+Avalia%C3%A7%C3%B5es+Multi-Fonte+com+CrewAI+e+Bright+Data&url=https://brightdata.com.br/blog/ai/review-intelligence-agent) ## Você também pode estar interessado em [ ![OpenHuman with Bright Data](https://media.brightdata.com.br/2026/09/OpenHuman-with-Bright-Data.png) ](https://brightdata.com.br/blog/ai/openhuman-with-bright-data "Acesso à Web Pronto para Produção no OpenHuman Através do Bright Data CLI") [AI ![Antonello Zanini](https://media.brightdata.com.br/2022/12/Antonello-Zanini-2-50x50.jpg) Antonello Zanini Technical Writer ### Acesso à Web Pronto para Produção no OpenHuman Através do Bright Data CLI Integre o Bright Data CLI ao OpenHuman para habilitar acesso à web pronto para produção e coleta de dados para agentes de IA. 09-Sep-2026 14 min de leitura ](https://brightdata.com.br/blog/ai/openhuman-with-bright-data) [ ![Multimodal Web Scraping with MiniMax](https://media.brightdata.com.br/2026/09/Multimodal-Web-Scraping-with-MiniMax.png) ](https://brightdata.com.br/blog/dados-do-site/multimodal-web-scraping-with-minimax "Scraping de Dados Multimodal com MiniMax") [Dados do site ![Antonello Zanini](https://media.brightdata.com.br/2022/12/Antonello-Zanini-2-50x50.jpg) Antonello Zanini Technical Writer ### Scraping de Dados Multimodal com MiniMax Combine a API Web Unlocker da Bright Data com a visão MiniMax M3 para extrair dados estruturados de imagens e capturas de tela de páginas web. 09-Sep-2026 5 min de leitura ](https://brightdata.com.br/blog/dados-do-site/multimodal-web-scraping-with-minimax) [ ![The 10 Best CLI Tools for Codex in 2026](https://media.brightdata.com.br/2026/08/The-10-Best-CLI-Tools-for-Codex-in-2026.png) ](https://brightdata.com.br/blog/ai/best-cli-tools-for-codex "As 10 Melhores Ferramentas CLI para Codex em 2026 – Testadas & Classificadas") [AI ![Daniel Shashko](https://media.brightdata.com.br/2022/04/Daniel-Shashko-2-50x50.png) Daniel Shashko Web Data & AI Expert ### As 10 Melhores Ferramentas CLI para Codex em 2026 – Testadas & Classificadas As 10 ferramentas CLI que tornam o Codex mais rápido e capaz, começando com o Bright Data CLI para acesso real à web de dentro do sandbox. 06-Sep-2026 24 min de leitura ](https://brightdata.com.br/blog/ai/best-cli-tools-for-codex)