Cómo crear un AI agent con CrewAI: tutorial paso a paso

CrewAI es un framework de Python de código abierto para crear sistemas de AI multi-agent: usted define agents individuales con un rol y un conjunto de herramientas, les asigna tareas y los ejecuta juntos como un "crew" que colabora hacia un mismo resultado. Es una alternativa basada en código a los constructores visuales no-code como Lindy o n8n, pensada para equipos que quieren control directo sobre cómo razonan los agents, cómo transfieren el trabajo y cómo llaman a las herramientas. Esta guía explica cómo instalarlo, cómo crear un crew multi-agent funcional y cómo decidir si es la plataforma adecuada para su equipo.

Qué es realmente CrewAI

CrewAI es un framework de Python independiente, no una capa construida sobre LangChain. Incluye sus propias primitivas para agents, tareas, crews y orquestación, y funciona con OpenAI, Anthropic, modelos locales mediante Ollama y la mayoría de los demás grandes proveedores de LLM. El framework base es de código abierto bajo la licencia MIT; una capa comercial aparte, CrewAI Enterprise (también llamada AMP), añade despliegue alojado, paneles de observabilidad y administración de equipos para las organizaciones que no quieren ejecutar ni monitorear los crews por su cuenta.

Esta ya no es una categoría de proyectos de pasatiempo. Gartner proyecta que el 40% de las aplicaciones empresariales incluirá AI agents específicos para tareas a finales de 2026, frente a menos del 5% en 2025, y el propio sitio de CrewAI informa que más de 450 millones de workflows agénticos se ejecutan cada mes a través del framework, con adopción en empresas como DocuSign, Experian, PepsiCo e IBM.

Es uno de varios frameworks de código creados específicamente para sistemas multi-agent, junto con opciones como LangGraph, AutoGen de Microsoft y el OpenAI Agents SDK. Ninguno es objetivamente el "mejor". La propuesta específica de CrewAI es una API legible y basada en roles: usted describe a los agents como describiría a un equipo, con un rol, una meta y una historia de fondo que moldea el tono y el criterio, lo que hace que la lógica de un crew sea más fácil de releer un año después que la de un framework más centrado en grafos.

Gartner también ha registrado por separado un aumento del 1.445% en las consultas de clientes sobre sistemas multi-agent entre el primer trimestre de 2024 y el segundo trimestre de 2025, y frameworks como CrewAI son una respuesta directa a esa demanda: una forma de construir los patrones de orquestador-trabajador y de transferencia entre pares que se explican en sistemas multi-agent sin escribir la lógica de coordinación desde cero.

El vocabulario de CrewAI, asociado a los 6 componentes básicos

Si leyó cómo crear un AI agent, ya conoce los seis bloques que todo agent necesita: Rol, Herramientas, Reglas, Manual de escenarios, Lógica de decisión y Barreras de protección. CrewAI da a cada uno un lugar concreto en el código.

Nada de esto es exclusivo de CrewAI en términos conceptuales. Lo que cambia de una plataforma a otra es cuánto de esto escribe usted frente a cuánto configura visualmente, que es exactamente la pregunta que AI agents no-code frente a código está diseñado para ayudarle a responder.

Instalación de CrewAI

CrewAI se instala como cualquier paquete de Python:

pip install crewai
pip install 'crewai[tools]'

El extra tools incorpora la biblioteca de herramientas integradas de CrewAI, que incluye una herramienta de búsqueda web y herramientas para manejo de archivos, de modo que no tenga que escribir cada integración desde cero. Defina como variable de entorno una clave de API del proveedor de LLM que use (OpenAI, Anthropic o un modelo local mediante Ollama) y ya puede definir su primer crew.

Un ejemplo práctico: un crew de investigación con tres agents

Este es un crew mínimo con tres agents que replica un trabajo que varios planes de construcción de Rework resuelven por separado: investigar una cuenta objetivo, analizar lo que se encontró y redactar un resultado. Piense en el AI Account Research Agent, el AI Competitive Intelligence Agent y el AI Content Drafting Agent trabajando como un solo crew coordinado en lugar de tres herramientas separadas.

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"})

El parámetro context en analysis_task y brief_task es la transferencia: le indica a CrewAI qué resultados de tareas anteriores debe pasar hacia adelante, la misma transferencia estructurada que sistemas multi-agent describe como la diferencia entre una cadena que funciona y una que falla en silencio. Definir human_input=True en la última tarea significa que una persona revisa el brief antes de que salga, una versión ligera del punto de control que se explica en intervención humana en AI agents.

Proceso secuencial frente a jerárquico

CrewAI ofrece dos formas de ejecutar un crew, y se corresponden directamente con los dos patrones de coordinación que se explican en sistemas multi-agent.

Comience con el secuencial. Es más fácil de razonar y de depurar, ya que el orden de ejecución es exactamente el que usted escribió. Recurra al jerárquico cuando el siguiente paso correcto dependa realmente de un juicio, y no solo de "ejecutar la tarea 2 después de la tarea 1".

Herramientas, memoria y RAG

Un agent sin herramientas solo puede hablar. Los agents de CrewAI llaman a las herramientas como cualquier otro agent, tema que se desarrolla a fondo en cómo usan herramientas los AI agents: un nombre, una descripción y un esquema que el modelo completa. CrewAI incluye de fábrica una herramienta de búsqueda, herramientas de archivos y directorios y un intérprete de código, y acepta cualquier función personalizada de Python como herramienta para todo lo demás.

La memoria funciona en tres niveles: la memoria a corto plazo, que mantiene coherente una ejecución del crew; la memoria a largo plazo, que conserva hechos entre ejecuciones; y la memoria de entidades, que rastrea personas, empresas o registros específicos que el crew ya ha visto. Memoria de AI agents cubre la versión general de esto y los problemas que se aplican en cualquier plataforma, como un almacén de memoria que se desactualiza o un agent que trata el contexto antiguo como más vigente de lo que es.

Para fundamentar un crew en sus propios documentos en lugar del conocimiento general del modelo, CrewAI admite fuentes de conocimiento que usted adjunta a un agent o a un crew, la versión de CrewAI del patrón de recuperación que se explica en RAG para AI agents.

Barreras de protección y pruebas antes del lanzamiento

Dos funciones hacen la mayor parte del trabajo de protección en CrewAI. Las funciones guardrail a nivel de tarea validan el resultado de un agent antes de aceptarlo, y lo rechazan o reintentan si no pasa una verificación que usted define, como "el brief debe citar al menos una fuente". El indicador human_input=True pausa una tarea para que una persona revise o edite el resultado antes de que el crew continúe. Ambos se corresponden con la disciplina que se explica en barreras de protección para AI agents: los límites estrictos que un agent nunca debe cruzar por sí solo.

No lance un crew directamente después de una prueba exitosa con una sola entrada. Cómo evaluar y probar AI agents explica cómo armar un conjunto de pruebas real a partir de casos históricos antes de que cualquier agent, creado con CrewAI o con otra herramienta, toque volumen de producción.

Costo y límites

El framework en sí no cuesta nada para ejecutarlo. Lo que usted paga es el uso de la API del LLM, y un crew multi-agent consume tokens más rápido que un solo agent que hace el mismo trabajo, ya que el razonamiento de cada agent y cada transferencia añaden su propia llamada. Un crew secuencial de tres agents con un manager jerárquico añadido encima puede ejecutar con facilidad entre cuatro y seis llamadas al modelo para una tarea que un único agent bien delimitado resolvería con una o dos. Es el mismo equilibrio entre latencia y costo que se explica con más profundidad en sistemas multi-agent: más agents implican más superficie de coordinación, y más superficie de coordinación cuesta más ejecutar y más depurar.

Los límites de tasa provienen de su proveedor de LLM, no de CrewAI. Si ejecuta un crew jerárquico o varias llamadas de agents en paralelo, alcanzará los límites de tasa del proveedor mucho antes que cualquier límite del propio framework. CrewAI Enterprise añade paneles de uso que hacen visible este costo por crew, útiles cuando ya ejecuta más de un par de crews en producción y necesita saber cuál es el costoso.

Cuándo elegir CrewAI frente a las alternativas

Datos clave

• CrewAI es un framework de Python de código abierto e independiente (licencia MIT) para crear sistemas multi-agent, con una capa comercial, CrewAI Enterprise, para despliegue alojado y observabilidad.
• Sus cuatro conceptos centrales, Agent, Task, Crew y Process, se corresponden directamente con los 6 componentes básicos de Rework para cualquier agent: rol, herramientas, reglas, manual de escenarios, lógica de decisión y barreras de protección.
• Process.sequential equivale al patrón de coordinación de transferencia entre pares; Process.hierarchical equivale al de orquestador-trabajador, con CrewAI asignando automáticamente un agent manager que delega.
• Gartner registró un aumento del 1.445% en las consultas de clientes sobre sistemas multi-agent entre el primer trimestre de 2024 y el segundo trimestre de 2025, la curva de demanda a la que sirven frameworks como CrewAI.
• Un crew multi-agent cuesta más en tokens y latencia que un solo agent bien delimitado que haga el mismo trabajo, ya que cada agent y cada transferencia añaden su propia llamada al modelo.

A dónde ir a continuación

CrewAI es un camino hacia un sistema multi-agent, no el único. Si todavía está decidiendo si el código o una plataforma no-code se ajusta mejor a su equipo, AI agents no-code frente a código recorre esa decisión directamente. Cuando un crew funcione de forma confiable en las pruebas, desplegar AI agents en producción explica el lanzamiento, el monitoreo y el plan de reversión antes de entregarle volumen real. Y si Python no es donde su equipo quiere vivir a diario, el resumen de herramientas para desarrolladores y la guía de compra de asistentes de programación con AI son buenas siguientes paradas para escribir y mantener el código más rápido.