CrewAI
Einleitung
CrewAI ist ein Python-Framework, mit dem Du Teams aus KI-Agenten aufbaust. Jeder Agent bekommt eine Rolle, ein Ziel und Werkzeuge. Zusammen erledigen sie komplexere Aufgaben, die ein einzelner Agent nur schwer bewältigen kann. Es eignet sich besonders für Workflows, bei denen mehrere Schritte hintereinander oder parallel ablaufen sollen.
CrewAI kurz erklärt
CrewAI arbeitet mit drei zentralen Ideen: Agenten, Aufgaben und einer Crew. Ein Agent hat eine Rolle wie “Rechercheur” oder “Texter”. Eine Aufgabe beschreibt, was er tun soll. Die Crew führt die Agenten und ihre Aufgaben in einem definierten Workflow zusammen. Dabei können Agenten ihre Ergebnisse an andere weitergeben, bis das Gesamtziel erreicht ist.
Tools, Begriffe oder Techniken
- CrewAI Python - Das Haupt-Framework. Installation per pip.
- CrewAI Dokumentation - Offizielle Anleitung mit Beispielen.
- Ollama - Läuft lokal und lässt sich als Modell-Backend für CrewAI nutzen.
- Agent - Eine KI-Rolle mit Aufgabe, Persönlichkeit und Tools.
- Task - Ein klar definiertes Arbeitspaket, das ein Agent erledigt.
- Crew - Die Gesamtkonstruktion aus Agenten und Aufgaben.
Praxisbeispiel: Eine einfache Recherche-Crew
from crewai import Agent, Task, Crew
from langchain_ollama import ChatOllama
# Lokales Modell über Ollama
llm = ChatOllama(model="llama3.1", base_url="http://localhost:11434")
researcher = Agent(
role="Rechercheur",
goal="Sammle Informationen zu einem Thema",
backstory="Du bist ein präziser Rechercheur.",
llm=llm,
verbose=True
)
writer = Agent(
role="Texter",
goal="Schreibe einen klaren Artikel aus den Recherchen",
backstory="Du bist ein erfahrener Texter.",
llm=llm,
verbose=True
)
research_task = Task(
description="Recherchiere Vorteile lokaler KI.",
agent=researcher,
expected_output="Stichpunkte mit Vorteilen"
)
writing_task = Task(
description="Schreibe einen kurzen Artikel.",
agent=writer,
expected_output="Ein Text mit 300 Wörtern",
context=[research_task]
)
crew = Crew(
agents=[researcher, writer],
tasks=[research_task, writing_task]
)
result = crew.kickoff()
print(result)CrewAI führt zuerst die Recherche aus und übergibt das Ergebnis an den Texter. Durch context=[research_task] weiß der Texter, worauf er aufbauen soll.
Typische Stolpersteine und Entscheidungshilfen
- Zu viele Agenten am Anfang - Starte mit zwei oder drei Rollen. Mehr macht den Workflow unübersichtlich.
- Unklare Aufgaben - Jede Task braucht eine klare Beschreibung und ein erwartetes Ergebnis.
- Lokale Modelle sind langsamer - Große Crews mit vielen Schritten brauchen Geduld auf Consumer-Hardware.
- Wann CrewAI statt LangGraph? CrewAI ist besser, wenn Du Rollen und parallele Aufgaben modellieren willst. LangGraph ist besser für zyklische Entscheidungen und Zustände.
Weiterführende Infos und Links
- CrewAI baut auf Agenten mit Rollen, Aufgaben und einer Crew.
- Es lässt sich mit Ollama für lokale Modelle betreiben.
- Task-Übergaben funktionieren über
context. - Mehr zu Agenten findest Du in Was ist ein KI-Agent? und LangGraph.
FAQ - Typische Fragen zu CrewAI
Läuft CrewAI lokal?
Ja, mit Ollama oder LM Studio als Modell-Backend. Du brauchst keinen Cloud-Dienst.
Wie viele Agenten brauche ich?
Oft reichen zwei oder drei. Für komplexere Workflows können es auch mehr sein. Wichtig ist, dass jede Rolle klar definiert ist.
Ist CrewAI kostenlos?
Ja, das Open-Source-Framework ist kostenlos. Kosten entstehen nur, wenn Du Cloud-Modelle nutzt.
Kann ich CrewAI mit Python lernen?
Ja. Grundkenntnisse in Python reichen, um erste Crews zu bauen.
Was ist der Unterschied zu LangGraph?
CrewAI fokussiert auf Rollen und Aufgabenverteilung. LangGraph fokussiert auf Zustände, Entscheidungen und Graphen.
Welches Modell für CrewAI lokal?
Ein quantisiertes 7B-Modell wie Llama 3.1 oder Qwen 2 ist ein guter Start. Für größere Aufgaben hilft mehr Speicher und ein stärkeres Modell.