Preciso de uma GPU para rodar o CrewAI?

Não — não para o setup usual. O CrewAI orquestra agentes; o raciocínio de fato acontece num LLM que você chama por uma API (OpenAI, Anthropic, etc.). Seu servidor só roda Python, guarda a lógica da equipe e faz chamadas HTTP. Isso é trabalho de CPU e RAM, não GPU. Você só ia querer uma GPU se rodasse o modelo localmente também (por exemplo via Ollama), que é um setup diferente e muito mais pesado.

Que tamanho de VPS eu preciso?

A maioria das equipes é leve na máquina porque o trabalho pesado é remoto. Um plano de 1–2 GB de RAM dá conta de uma equipe pequena confortavelmente. Suba para 4 GB se você roda várias equipes, mantém históricos longos de conversa em memória ou adiciona um vector store para a memória do agente. Comece pequeno — você pode redimensionar depois.

Como mantenho a equipe rodando depois de desconectar?

Rode-a como um serviço systemd (recomendado) ou no tmux para testes rápidos. O systemd a reinicia se ela cair e a inicia no boot — que é todo o ponto de sair do seu notebook. Há um padrão completo abaixo.

Posso pagar sem cartão ou documento?

Sim. A EQVPS aceita USDC ou USDT na Base, Ethereum ou Polygon, e não há verificação de identidade. O cadastro é um e-mail e um código de uso único. A Base tem as taxas de rede mais baixas se você está abastecendo um saldo pequeno.

O agente pode alugar o próprio servidor?

Sim — a EQVPS expõe um servidor MCP (mcp.eqvps.com/mcp), então um agente com um saldo abastecido pode chamar order_vps e provisionar uma máquina sozinho. Útil se um dos jobs da sua equipe é subir infraestrutura.

Rode uma equipe multi-agente do CrewAI num VPS

Sua equipe do CrewAI roda ótimo no seu notebook. Os agentes conversam entre si, o pesquisador repassa para o redator, a coisa toda zumbe — bem até você fechar a tampa e tudo parar. Ou seu wifi cair no meio de uma tarefa. Ou você reiniciar e esquecer de relançá-la.

Uma equipe que só roda enquanto você observa não é automação. É uma demo. Movê-la para um VPS é o que a transforma em algo que de fato funciona enquanto você dorme.

Por que um servidor, e não sua máquina

O argumento é simples: um VPS é um computador que nunca fecha a tampa. Ele tem um IP fixo, não dorme e, se o processo morrer, pode trazer-se de volta. Para uma equipe multi-agente — que por design roda jobs longos, tagarelas e de múltiplos passos — essa é a diferença entre "funcionou uma vez" e "está rodando há três semanas".

Há uma segunda razão que pega as pessoas de um jeito bom: você não precisa de uma máquina poderosa. Mais sobre isso a seguir, porque é a pergunta que todo mundo faz primeiro.

Não, você não precisa de uma GPU

Esta é a parte que as pessoas erram sobre hospedar agentes. O CrewAI é um orquestrador. Ele decide qual agente age, em que ordem, com que contexto — e então pede a um modelo de linguagem para fazer o raciocínio de verdade. Esse modelo quase sempre vive por trás de uma API: você envia uma requisição à OpenAI ou à Anthropic, eles a rodam nas GPUs deles, você recebe texto de volta.

Então seu servidor faz três coisas: roda Python, guarda o estado da equipe e faz chamadas HTTPS. Nada disso toca uma GPU. Um VPS de CPU puro é exatamente certo. A única vez em que isso muda é se você também quiser rodar o modelo localmente — mas esse é um projeto separado e mais pesado, e a maioria das equipes não faz.

Na prática: um plano de 1–2 GB roda uma equipe pequena sem suar. Vá para 4 GB se você está rodando várias equipes de uma vez, mantendo históricos grandes de conversa em RAM ou aparafusando um banco de dados vetorial para memória de agente de longo prazo.

O setup de fato

Máquina Ubuntu nova, root em cerca de um minuto após o pedido. Eis a coisa inteira:

# Python + venv
apt update && apt install -y python3-venv python3-pip
python3 -m venv ~/crew && source ~/crew/bin/activate

# CrewAI
pip install crewai crewai-tools

# seu projeto
mkdir ~/mycrew && cd ~/mycrew
# copie seu crew.py e .env para cá (scp / git clone)

Seu .env guarda o único segredo que importa — a chave de API do LLM:

OPENAI_API_KEY=sk-...
# ou ANTHROPIC_API_KEY, etc.

Depois um python crew.py normal a roda. Essa é a versão manual. Funciona, mas morre no momento em que sua sessão SSH fecha — o que nos traz ao ponto de fato de um servidor.

Mantenha-a viva com o systemd

O tmux serve para um teste rápido. Para qualquer coisa de verdade, use o systemd — ele reinicia a equipe se ela cair e a sobe no reboot. Coloque isto em /etc/systemd/system/mycrew.service:

[Unit]
Description=CrewAI crew
After=network-online.target

[Service]
WorkingDirectory=/root/mycrew
ExecStart=/root/crew/bin/python /root/mycrew/crew.py
Restart=always
RestartSec=5
EnvironmentFile=/root/mycrew/.env

[Install]
WantedBy=multi-user.target

systemctl daemon-reload
systemctl enable --now mycrew
journalctl -u mycrew -f   # veja-a trabalhar

Agora a equipe roda no boot, reinicia em falha e loga em todo lugar que você possa ler. Feche o notebook — ela não liga.

Pagando por ela

O cadastro é um e-mail e um código de uso único — sem cartão, sem documento. Você abastece um saldo com USDC ou USDT na Base, Ethereum ou Polygon (a Base é a mais barata em taxas), e os pedidos puxam dele. Para uma equipe que na maior parte faz chamadas de API de saída, o plano NAT padrão é bom e mais barato; escolha um plano -ip só se a equipe precisa do próprio IPv4 público para serviços de entrada.

Um truque bacana: a EQVPS tem um servidor MCP em mcp.eqvps.com/mcp. Se o provisionamento é ele mesmo um dos jobs da sua equipe, um agente com um saldo abastecido pode chamar order_vps e levantar uma máquina sozinho — sem humano no checkout.

O que é honesto dizer

Você traz as chaves de API do LLM. Nós hospedamos a equipe, não o modelo. Sua conta da OpenAI/Anthropic é separada e, para uma equipe movimentada, geralmente o custo maior — o VPS é a parte barata.

É só CPU, um datacenter na Alemanha. Sem inferência de GPU local, e a latência é melhor se seus usuários ou APIs são próximos da Europa. Para uma equipe batendo em APIs de LLM hospedadas nos EUA o salto extra é milissegundos — irrelevante ao lado da latência do modelo — mas vale saber.

Dimensione para sua memória, não para seu modelo. A coisa que de fato aumenta seu uso de RAM é o histórico de conversa e qualquer vector store que você adiciona, não o número de agentes. Observe o journalctl e o htop por um dia e redimensione se precisar.

O recado

Uma equipe do CrewAI pertence a algo que não dorme. A mudança é curta: um VPS de CPU, pip install crewai, uma unit systemd, sua chave de API num .env. Dez minutos e sua equipe está rodando 24/7 em vez de "sempre que o notebook estiver aberto". Root em cerca de um minuto, pague em cripto, redimensione quando a memória te disser — e deixe os agentes tocarem em frente.