Einen AI Agent mit CrewAI bauen: Ein Tutorial Schritt für Schritt

CrewAI ist ein Open-Source-Python-Framework zum Bau von Multi-Agent-AI-Systemen: Sie definieren einzelne agents mit einer Rolle und einer Reihe von Tools, geben ihnen Aufgaben und lassen sie gemeinsam als „Crew" laufen, die auf ein Ergebnis hinarbeitet. Es ist die Code-first-Alternative zu visuellen No-code-Buildern wie Lindy oder n8n, gedacht für Teams, die direkt steuern wollen, wie agents denken, Arbeit übergeben und Tools aufrufen. Dieser Leitfaden zeigt die Installation, den Bau einer funktionierenden Multi-Agent-Crew und die Entscheidung, ob CrewAI die richtige Plattform für Ihr Team ist.

Was CrewAI eigentlich ist

CrewAI ist ein eigenständiges Python-Framework, keine Schicht auf LangChain. Es bringt eigene Primitive für agents, Tasks, Crews und Orchestrierung mit und arbeitet mit OpenAI, Anthropic, lokalen Modellen über Ollama und den meisten anderen großen LLM-Anbietern. Das Kernframework ist Open Source unter der MIT-Lizenz. Eine separate kommerzielle Ebene, CrewAI Enterprise (auch AMP genannt), ergänzt gehostete Bereitstellung, Observability-Dashboards und Teamverwaltung für Unternehmen, die Crews nicht selbst betreiben und überwachen wollen.

Das ist keine Hobby-Kategorie mehr. Gartner prognostiziert, dass 40 % der Unternehmensanwendungen bis Ende 2026 aufgabenspezifische AI agents enthalten werden, gegenüber weniger als 5 % im Jahr 2025, und die Website von CrewAI selbst meldet mehr als 450 Millionen agentische Workflows pro Monat, die über das Framework laufen, mit Einsatz bei Unternehmen wie DocuSign, Experian, PepsiCo und IBM.

Es ist eines von mehreren Code-Frameworks, die speziell für Multi-Agent-Systeme gebaut wurden, neben Optionen wie LangGraph, Microsofts AutoGen und dem OpenAI Agents SDK. Keines davon ist objektiv das „beste". Das spezifische Angebot von CrewAI ist eine lesbare, rollenbasierte API: Sie beschreiben agents so, wie Sie ein Team beschreiben würden, mit Rolle, Ziel und Backstory, die Ton und Urteilsvermögen prägt. Dadurch ist die Logik einer Crew auch ein Jahr später leichter nachzulesen als bei einem stärker graphenlastigen Framework.

Gartner hat separat einen Anstieg der Kundenanfragen zu Multi-Agent-Systemen um 1.445 % zwischen dem ersten Quartal 2024 und dem zweiten Quartal 2025 erfasst, und Frameworks wie CrewAI sind eine direkte Antwort auf diese Nachfrage: ein Weg, die Muster Orchestrator-Worker und Peer-Übergabe aus Multi-Agent-Systemen zu bauen, ohne die Koordinationslogik von Grund auf zu schreiben.

Das Vokabular von CrewAI, zugeordnet zu den 6 Bausteinen

Wenn Sie Wie Sie einen AI Agent bauen gelesen haben, kennen Sie bereits die sechs Bausteine, die jeder agent braucht: Rolle, Tools, Regeln, Szenario-Playbook, Entscheidungslogik und Guardrails. CrewAI gibt jedem davon ein konkretes Zuhause im Code.

Nichts davon ist konzeptionell einzigartig an CrewAI. Was sich von Plattform zu Plattform ändert, ist, wie viel davon Sie schreiben und wie viel Sie visuell konfigurieren, und genau diese Frage soll No-code vs. Code bei AI agents beantworten helfen.

CrewAI installieren

CrewAI lässt sich wie jedes Python-Paket installieren:

pip install crewai
pip install 'crewai[tools]'

Das Extra tools zieht die integrierte Tool-Bibliothek von CrewAI nach, darunter ein Websuche-Tool und Tools für den Umgang mit Dateien, sodass Sie nicht jede Integration von Grund auf schreiben. Setzen Sie als Umgebungsvariable einen API-Schlüssel für den LLM-Anbieter, den Sie nutzen (OpenAI, Anthropic oder ein lokales Modell über Ollama), und Sie können Ihre erste Crew definieren.

Ein durchgespieltes Beispiel: Eine Research-Crew mit drei agents

Hier ist eine minimale Crew mit drei agents, die eine Aufgabe nachbildet, die mehrere Rework-Blueprints einzeln abdecken: ein Zielunternehmen recherchieren, das Gefundene analysieren und ein Ergebnis entwerfen. Stellen Sie sich AI Account Research Agent, AI Competitive Intelligence Agent und AI Content Drafting Agent vor, die als eine koordinierte Crew arbeiten statt als drei getrennte Tools.

from crewai import Agent, Task, Crew, Process

researcher = Agent(
    role="Account Researcher",
    goal="Gather accurate, current facts about a target company",
    backstory="You research companies for a B2B sales team and never state a fact you can't source.",
    tools=[search_tool],
)

analyst = Agent(
    role="Competitive Analyst",
    goal="Turn raw research into a clear point of view on fit and risk",
    backstory="You've reviewed hundreds of accounts and know what actually predicts a good fit.",
)

writer = Agent(
    role="Brief Writer",
    goal="Draft a one-page account brief a rep can read in two minutes",
    backstory="You write tight, scannable briefs, never a wall of text.",
)

research_task = Task(
    description="Research {company}: recent news, tech stack, and org changes.",
    expected_output="A bulleted list of sourced facts.",
    agent=researcher,
)

analysis_task = Task(
    description="Assess fit and flag risks based on the research.",
    expected_output="A short fit score with reasoning.",
    agent=analyst,
    context=[research_task],
)

brief_task = Task(
    description="Draft a one-page brief combining the research and analysis.",
    expected_output="A one-page account brief.",
    agent=writer,
    context=[research_task, analysis_task],
    human_input=True,
)

crew = Crew(
    agents=[researcher, analyst, writer],
    tasks=[research_task, analysis_task, brief_task],
    process=Process.sequential,
)

result = crew.kickoff(inputs={"company": "Acme Corp"})

Der Parameter context bei analysis_task und brief_task ist die Übergabe: Er sagt CrewAI, welche Ergebnisse früherer Tasks weitergereicht werden. Das ist dieselbe strukturierte Übergabe, die Multi-Agent-Systeme als den Unterschied zwischen einer funktionierenden Kette und einer Kette beschreibt, die still scheitert. Mit human_input=True beim letzten Task prüft ein Mensch das Briefing, bevor es ausgeliefert wird, eine schlanke Version des Gates aus Human-in-the-Loop für AI agents.

Sequentieller vs. hierarchischer Prozess

CrewAI bietet zwei Wege, eine Crew auszuführen, und sie entsprechen direkt den beiden Koordinationsmustern aus Multi-Agent-Systemen.

Beginnen Sie sequentiell. Das ist leichter nachzuvollziehen und zu debuggen, denn die Reihenfolge der Ausführung ist genau die, die Sie geschrieben haben. Greifen Sie zu hierarchisch, sobald der richtige nächste Schritt wirklich von einer Ermessensentscheidung abhängt und nicht nur von „führe Task 2 nach Task 1 aus".

Tools, Memory und RAG

Ein agent ohne Tools kann nur reden. CrewAI-agents rufen Tools so auf wie jeder agent, ausführlich beschrieben in Wie AI agents Tools nutzen: ein Name, eine Beschreibung und ein Schema, das das Modell ausfüllt. CrewAI liefert ein Suchtool, Datei- und Verzeichnis-Tools und einen Code-Interpreter von Haus aus mit und akzeptiert für alles andere jede eigene Python-Funktion als Tool.

Memory funktioniert auf drei Ebenen: Kurzzeit-Memory hält einen einzelnen Crew-Lauf kohärent, Langzeit-Memory bewahrt Fakten über Läufe hinweg, und Entity-Memory verfolgt bestimmte Personen, Unternehmen oder Datensätze, die die Crew schon gesehen hat. AI agent Memory behandelt die allgemeine Variante davon und die Fallstricke, die unabhängig von der Plattform gelten, etwa ein Memory-Speicher, der veraltet, oder ein agent, der alten Kontext für aktueller hält, als er ist.

Um eine Crew in Ihren eigenen Dokumenten statt im allgemeinen Wissen des Modells zu verankern, unterstützt CrewAI Wissensquellen, die Sie einem agent oder einer Crew zuordnen, die CrewAI-Variante des Retrieval-Musters aus RAG für AI agents.

Guardrails und Tests vor dem Livegang

Zwei Funktionen leisten in CrewAI den Großteil der Guardrail-Arbeit. guardrail-Funktionen auf Task-Ebene validieren die Ausgabe eines agents, bevor sie akzeptiert wird, und lehnen sie ab oder wiederholen sie, wenn sie eine von Ihnen definierte Prüfung nicht besteht, etwa „das Briefing muss mindestens eine Quelle nennen". Das Flag human_input=True hält einen Task an, damit ein Mensch die Ausgabe prüft oder bearbeitet, bevor die Crew weitermacht. Beides entspricht der Disziplin aus AI agent Guardrails: den harten Grenzen, die ein agent nie von sich aus überschreiten sollte.

Bringen Sie eine Crew nicht direkt nach einem erfolgreichen Testlauf mit einer einzigen Eingabe live. Wie Sie AI agents evaluieren und testen zeigt, wie Sie aus historischen Fällen ein echtes Test-Set aufbauen, bevor irgendein agent, ob mit CrewAI gebaut oder nicht, produktives Volumen berührt.

Kosten und Grenzen

Das Framework selbst kostet im Betrieb nichts. Bezahlen müssen Sie die Nutzung der LLM-API, und eine Multi-Agent-Crew verbraucht Tokens schneller als ein einzelner agent bei derselben Aufgabe, denn das Denken jedes agents und jede Übergabe löst einen eigenen Aufruf aus. Eine sequentielle Crew mit drei agents und einem zusätzlichen hierarchischen Manager kann leicht vier bis sechs Modellaufrufe für eine Aufgabe benötigen, die ein einzelner, gut abgegrenzter agent in ein oder zwei erledigt. Das ist derselbe Kompromiss bei Latenz und Kosten, den Multi-Agent-Systeme ausführlicher behandelt: Mehr agents bedeuten mehr Koordinationsfläche, und mehr Koordinationsfläche kostet mehr im Betrieb und mehr beim Debuggen.

Rate Limits kommen von Ihrem LLM-Anbieter, nicht von CrewAI. Wenn Sie eine hierarchische Crew oder mehrere parallele agent-Aufrufe betreiben, stoßen Sie lange vor jeder Grenze des Frameworks selbst an die Rate Limits des Anbieters. CrewAI Enterprise ergänzt Nutzungs-Dashboards, die diese Kosten pro Crew sichtbar machen, nützlich, sobald Sie mehr als ein paar Crews produktiv betreiben und wissen müssen, welche davon teuer ist.

Wann CrewAI, wann die Alternativen

Key Facts

• CrewAI ist ein eigenständiges Open-Source-Python-Framework (MIT-Lizenz) zum Bau von Multi-Agent-Systemen, mit einer kommerziellen Ebene CrewAI Enterprise für gehostete Bereitstellung und Observability.
• Die vier Kernkonzepte Agent, Task, Crew und Process entsprechen direkt den 6 Bausteinen von Rework für jeden agent: Rolle, Tools, Regeln, Playbook, Entscheidungslogik und Guardrails.
• Process.sequential entspricht dem Koordinationsmuster der Peer-Übergabe, Process.hierarchical dem Orchestrator-Worker-Muster, wobei CrewAI automatisch einen Manager-agent zum Delegieren zuweist.
• Gartner verzeichnete zwischen dem ersten Quartal 2024 und dem zweiten Quartal 2025 einen Anstieg der Kundenanfragen zu Multi-Agent-Systemen um 1.445 %, die Nachfragekurve, für die Frameworks wie CrewAI gebaut sind.
• Eine Multi-Agent-Crew kostet mehr Tokens und Latenz als ein einzelner, gut abgegrenzter agent bei derselben Aufgabe, denn jeder agent und jede Übergabe löst einen eigenen Modellaufruf aus.

Wie es weitergeht

CrewAI ist ein Weg zu einem Multi-Agent-System, nicht der einzige. Wenn Sie noch entscheiden, ob Code oder eine No-code-Plattform zu Ihrem Team passt, führt No-code vs. Code bei AI agents direkt durch diese Entscheidung. Sobald eine Crew im Test zuverlässig läuft, behandelt AI agents in die Produktion bringen den Rollout, das Monitoring und den Rollback-Plan, bevor Sie ihr echtes Volumen übergeben. Und wenn Python nicht der Ort ist, an dem Ihr Team im Alltag arbeiten will, sind die Übersicht zu Dev-Tools und der Kaufleitfaden für AI-Coding-Assistenten sinnvolle nächste Stationen, um den Code selbst schneller zu schreiben und zu pflegen.