Membangun AI Agent dengan CrewAI: Tutorial Langkah demi Langkah

CrewAI adalah framework Python open source untuk membangun sistem AI multi-agent: Anda mendefinisikan agent individual dengan sebuah peran dan sekumpulan tools, memberi mereka task, lalu menjalankannya bersama sebagai "crew" yang berkolaborasi menuju satu hasil. Ini adalah alternatif berbasis kode untuk pembuat visual no-code seperti Lindy atau n8n, dibuat untuk tim yang menginginkan kendali langsung atas cara agent bernalar, menyerahkan pekerjaan, dan memanggil tools. Panduan ini membahas cara menginstalnya, membangun crew multi-agent yang berfungsi, dan memutuskan apakah ini platform yang tepat untuk tim Anda.

Apa Sebenarnya CrewAI Itu

CrewAI adalah framework Python mandiri, bukan lapisan yang dibangun di atas LangChain. Ia menyediakan primitif sendiri untuk agent, task, crew, dan orkestrasi, serta bekerja dengan OpenAI, Anthropic, model lokal lewat Ollama, dan sebagian besar penyedia LLM besar lainnya. Framework intinya open source dengan lisensi MIT; lapisan komersial terpisah, CrewAI Enterprise (disebut juga AMP), menambahkan deployment terkelola, dasbor observability, dan manajemen tim bagi organisasi yang tidak ingin menjalankan dan memantau crew sendiri.

Ini bukan lagi kategori proyek hobi. Gartner memproyeksikan 40% aplikasi enterprise akan menghadirkan AI agent khusus tugas pada akhir 2026, naik dari kurang dari 5% pada 2025, dan situs CrewAI sendiri melaporkan lebih dari 450 juta alur kerja agentic berjalan melalui framework ini setiap bulan, dengan adopsi di perusahaan seperti DocuSign, Experian, PepsiCo, dan IBM.

CrewAI adalah salah satu dari beberapa framework kode yang dibuat khusus untuk sistem multi-agent, bersama opsi seperti LangGraph, AutoGen dari Microsoft, dan OpenAI Agents SDK. Tidak ada yang secara objektif "terbaik". Daya tarik khusus CrewAI adalah API berbasis peran yang mudah dibaca: Anda mendeskripsikan agent seperti mendeskripsikan sebuah tim, dengan role, goal, dan backstory yang membentuk nada dan penilaian, sehingga logika crew lebih mudah dibaca kembali setahun kemudian dibanding framework yang lebih berat pada graph.

Gartner juga mencatat secara terpisah lonjakan 1.445% pada pertanyaan klien tentang sistem multi-agent antara Q1 2024 dan Q2 2025, dan framework seperti CrewAI adalah jawaban langsung atas permintaan itu: cara membangun pola orchestrator-worker dan peer-handoff yang dibahas di sistem multi-agent tanpa menulis logika koordinasi dari nol.

Kosakata CrewAI, Dipetakan ke 6 Blok Penyusun

Jika Anda sudah membaca cara membangun AI agent, Anda sudah tahu enam blok yang dibutuhkan setiap agent: Peran, Alat, Aturan, Panduan skenario, Logika keputusan, dan Pagar pengaman. CrewAI memberi masing-masing tempat yang konkret di dalam kode.

Tidak ada di sini yang unik bagi CrewAI secara konseptual. Yang berubah dari satu platform ke platform lain adalah seberapa banyak yang Anda tulis dibanding yang dikonfigurasi secara visual, tepat seperti pertanyaan yang dirancang untuk dijawab oleh AI agent no-code vs kode.

Menginstal CrewAI

CrewAI diinstal seperti paket Python lainnya:

pip install crewai
pip install 'crewai[tools]'

Extra tools menarik pustaka tool bawaan CrewAI, termasuk tool pencarian web dan tool penanganan file, sehingga Anda tidak menulis setiap integrasi dari nol. Atur API key untuk penyedia LLM yang Anda gunakan (OpenAI, Anthropic, atau model lokal lewat Ollama) sebagai environment variable, dan Anda siap mendefinisikan crew pertama.

Contoh Kasus: Crew Riset Tiga Agent

Berikut crew minimal dengan tiga agent yang mencerminkan pekerjaan yang ditangani satu per satu oleh beberapa cetak biru Rework: meriset akun target, menganalisis temuan, dan menyusun keluaran. Bayangkan AI Account Research Agent, AI Competitive Intelligence Agent, dan AI Content Drafting Agent bekerja sebagai satu crew yang terkoordinasi, bukan tiga alat terpisah.

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"})

Parameter context pada analysis_task dan brief_task adalah serah terimanya: ia memberi tahu CrewAI keluaran task sebelumnya mana yang diteruskan, serah terima terstruktur yang sama yang dijelaskan sistem multi-agent sebagai pembeda antara rantai yang berfungsi dan rantai yang gagal tanpa suara. Menyetel human_input=True pada task terakhir berarti seseorang meninjau brief sebelum dirilis, versi ringan dari gerbang yang dibahas di human-in-the-loop untuk AI agent.

Process Sequential vs Hierarchical

CrewAI menyediakan dua cara menjalankan crew, dan keduanya langsung dipetakan ke dua pola koordinasi yang dibahas di sistem multi-agent.

Mulailah dengan sequential. Lebih mudah dipahami dan di-debug, karena urutan eksekusinya persis seperti yang Anda tulis. Beralihlah ke hierarchical ketika langkah berikutnya yang tepat benar-benar bergantung pada penilaian, bukan sekadar "jalankan task 2 setelah task 1."

Tools, Memory, dan RAG

Agent tanpa tools hanya bisa berbicara. Agent CrewAI memanggil tools seperti agent mana pun, dibahas mendalam di cara AI agent menggunakan tools: sebuah nama, deskripsi, dan skema yang diisi model. CrewAI menyertakan tool pencarian, tool file dan direktori, serta code interpreter secara bawaan, dan menerima fungsi Python kustom apa pun sebagai tool untuk sisanya.

Memory bekerja pada tiga tingkat: short-term memory yang menjaga satu eksekusi crew tetap koheren, long-term memory yang menyimpan fakta lintas eksekusi, dan entity memory yang melacak orang, perusahaan, atau catatan tertentu yang pernah dilihat crew. Memori AI agent membahas versi umumnya dan jebakan yang berlaku di platform mana pun, seperti penyimpanan memori yang usang atau agent yang menganggap konteks lama lebih mutakhir daripada kenyataannya.

Untuk melandaskan crew pada dokumen Anda sendiri alih-alih pengetahuan umum model, CrewAI mendukung sumber pengetahuan yang Anda lampirkan ke agent atau crew, versi CrewAI dari pola retrieval yang dibahas di RAG untuk AI agent.

Guardrails dan Pengujian Sebelum Rilis

Dua fitur melakukan sebagian besar pekerjaan guardrail di CrewAI. Fungsi guardrail tingkat task memvalidasi keluaran agent sebelum diterima, dan menolak atau mencoba ulang jika gagal pada pemeriksaan yang Anda tentukan, seperti "brief harus mengutip setidaknya satu sumber." Flag human_input=True menjeda sebuah task agar seseorang meninjau atau menyunting keluarannya sebelum crew melanjutkan. Keduanya sejalan dengan disiplin yang dibahas di guardrails AI agent: batas keras yang tidak boleh dilanggar agent dengan sendirinya.

Jangan merilis crew langsung dari satu uji coba yang berhasil pada satu input. Cara mengevaluasi dan menguji AI agent membahas cara menyusun set uji nyata dari kasus historis sebelum agent apa pun, dibangun dengan CrewAI atau tidak, menyentuh volume produksi.

Biaya dan Batasan

Framework itu sendiri tidak dikenai biaya untuk dijalankan. Yang Anda bayar adalah penggunaan API LLM, dan crew multi-agent menghabiskan token lebih cepat daripada satu agent yang mengerjakan hal yang sama, karena penalaran setiap agent dan setiap serah terima menambah panggilannya sendiri. Crew sequential tiga agent dengan manajer hierarchical di atasnya dapat dengan mudah menjalankan empat hingga enam panggilan model untuk task yang mungkin diselesaikan satu agent dengan cakupan yang baik dalam satu atau dua panggilan. Itu adalah tradeoff latensi dan biaya yang sama yang dibahas lebih dalam di sistem multi-agent: lebih banyak agent berarti lebih banyak permukaan koordinasi, dan lebih banyak permukaan koordinasi lebih mahal dijalankan dan lebih sulit di-debug.

Rate limit berasal dari penyedia LLM Anda, bukan dari CrewAI. Jika Anda menjalankan crew hierarchical atau beberapa panggilan agent paralel, Anda akan menabrak rate limit penyedia jauh sebelum menabrak batas apa pun di framework itu sendiri. CrewAI Enterprise menambahkan dasbor penggunaan yang membuat biaya ini terlihat per crew, berguna setelah Anda menjalankan lebih dari beberapa crew di produksi dan perlu tahu mana yang mahal.

Kapan Memilih CrewAI vs Alternatif

Key Facts

• CrewAI adalah framework Python open source mandiri (lisensi MIT) untuk membangun sistem multi-agent, dengan lapisan komersial CrewAI Enterprise untuk deployment terkelola dan observability.
• Empat konsep intinya, Agent, Task, Crew, dan Process, langsung dipetakan ke 6 blok penyusun Rework untuk agent mana pun: peran, alat, aturan, panduan, logika keputusan, dan pagar pengaman.
• Process.sequential setara dengan pola koordinasi peer-handoff; Process.hierarchical setara dengan orchestrator-worker, dengan CrewAI menetapkan agent manajer secara otomatis untuk mendelegasikan.
• Gartner mencatat lonjakan 1.445% pada pertanyaan klien tentang sistem multi-agent antara Q1 2024 dan Q2 2025, kurva permintaan yang dilayani framework seperti CrewAI.
• Crew multi-agent lebih mahal dalam token dan latensi daripada satu agent dengan cakupan yang baik yang mengerjakan hal yang sama, karena setiap agent dan setiap serah terima menambah panggilan modelnya sendiri.

Langkah Selanjutnya

CrewAI adalah satu jalur menuju sistem multi-agent, bukan satu-satunya. Jika Anda masih menimbang apakah kode atau platform no-code lebih cocok untuk tim Anda, AI agent no-code vs kode membahas keputusan itu secara langsung. Setelah crew berfungsi andal dalam pengujian, men-deploy AI agent ke produksi membahas rollout, pemantauan, dan rencana rollback sebelum Anda menyerahkan volume nyata. Dan jika Python bukan tempat tim Anda ingin bekerja sehari-hari, rangkuman alat dev dan panduan membeli asisten coding AI adalah tujuan berikutnya yang berguna untuk menulis dan merawat kodenya dengan lebih cepat.